Phi Vũ
New member
Các kỹ sư tại Đại học Duke phát triển một nhóm bot AI có thể tự động giải các bài toán thiết kế phức tạp, gần đạt năng lực của nhà khoa học được đào tạo. Công trình cho thấy AI có thể tự động hóa các bài toán chuyên biệt, mở ra khả năng tiến bộ nhanh hơn trong nhiều lĩnh vực.
Kỹ sư tại Đại học Duke xây dựng một hệ thống 'nhà khoa học nhân tạo' gồm nhiều bot AI phối hợp để giải các bài toán thiết kế nghịch đảo khó — những bài toán biết kết quả mong muốn nhưng có vô số lời giải tiềm năng và thiếu hướng dẫn để chọn phương án tốt nhất.
Thử thách mà nhóm nghiên cứu hướng tới là các bài toán thiết kế nghịch đảo cho metamaterial không dẫn điện (dielectric metamaterials), tức vật liệu tổng hợp gồm nhiều cấu trúc nhỏ được thiết kế để tạo ra các phản ứng điện từ đặc biệt mà bản thân cấu trúc quyết định tính chất hơn là hóa chất.
Trong công trình trước, phòng thí nghiệm của Padilla đã dùng mạng nơ-ron sâu huấn luyện trên hàng chục nghìn mẫu mô phỏng để tìm mối liên hệ giữa các tham số thiết kế và đáp ứng mong muốn, rồi phát triển phương pháp 'neural-adjoint' khởi tạo ngẫu nhiên rồi tối ưu ngược để tìm giải pháp tốt cho kết quả cần đạt.
Trong bài báo mới xuất bản trên ACS Photonics, nhóm lặp lại ý tưởng đó nhưng thay vì để nghiên cứu sinh thực hiện từng bước, họ lập trình một tập hợp tác nhân AI dựa trên mô hình ngôn ngữ lớn (LLM) để đảm nhiệm toàn bộ công việc. Một tác nhân chịu trách nhiệm chuẩn bị và tổ chức dữ liệu, một tác nhân viết mã mạng nơ-ron sâu từ mẫu, một tác nhân kiểm tra độ chính xác, và một tác nhân khác chạy phương pháp neural-adjoint do nhóm phát triển. Toàn bộ các tác nhân được điều phối bởi một LLM tổng thể giúp chúng trao đổi và quyết định chiến lược.
Hệ thống này có khả năng tự đánh giá quá trình: nó biết khi nào cần sinh thêm điểm dữ liệu để cải thiện mô hình, khi nào mô hình đang tiến triển đủ tốt, và có thể báo cho người dùng biết chính xác bước nào đang được thực hiện. "Nó sẽ thẳng thắn báo nếu đang gặp tình trạng lợi suất giảm dần và cần tạo thêm dữ liệu, hoặc nếu tỉ lệ sai lỗi đang giảm đủ và nên tiếp tục lặp," — Dary Lu, nghiên cứu sinh dẫn dắt dự án, cho biết.
Khi kiểm tra trên các bài toán nghịch đảo mà phòng thí nghiệm đã làm trước đó, hệ 'nhà khoa học nhân tạo' không đạt trung bình cao hơn các nghiên cứu sinh con người qua hàng nghìn thử nghiệm, nhưng các thiết kế tốt nhất do AI tạo ra rất gần với kết quả của người có trình độ tiến sĩ. Trong lĩnh vực này, một thiết kế xuất sắc là mục tiêu chính, nên việc AI đạt được thiết kế tốt nhất tương đương với con người là tín hiệu đáng chú ý.
Padilla nhận định rằng minh chứng này cho thấy các hệ tác nhân được lập trình kỹ lưỡng có thể giải quyết cả những vấn đề phức tạp nhất và phương pháp có thể áp dụng cho nhiều lĩnh vực ngoài điện từ tính toán. "Chúng ta đang ở ngưỡng nơi các hệ như vậy sẽ tăng năng suất của người lao động có kỹ năng cao," Lu nói thêm. "Biết cách xây dựng các hệ tác nhân này là một kỹ năng giá trị khi bước vào thị trường lao động."
Tác giả nhấn mạnh rằng hệ thống có thể tự nghiên cứu và cải tiến phương pháp của mình, và ở quy mô lớn với tốc độ nhanh hơn, những hệ này sớm muộn sẽ tạo ra kết quả thực sự mới mẻ thúc đẩy kiến thức nhân loại.
Tham khảo: Darui Lu và cộng sự, "An Agentic Framework for Autonomous Metamaterial Modeling and Inverse Design", ACS Photonics (2025). DOI: 10.1021/acsphotonics.5c01514.
Nguồn: https://techxplore.com/news/2025-10-ai-bots-scientist-problem.html
Kỹ sư tại Đại học Duke xây dựng một hệ thống 'nhà khoa học nhân tạo' gồm nhiều bot AI phối hợp để giải các bài toán thiết kế nghịch đảo khó — những bài toán biết kết quả mong muốn nhưng có vô số lời giải tiềm năng và thiếu hướng dẫn để chọn phương án tốt nhất.
Thử thách mà nhóm nghiên cứu hướng tới là các bài toán thiết kế nghịch đảo cho metamaterial không dẫn điện (dielectric metamaterials), tức vật liệu tổng hợp gồm nhiều cấu trúc nhỏ được thiết kế để tạo ra các phản ứng điện từ đặc biệt mà bản thân cấu trúc quyết định tính chất hơn là hóa chất.
Trong công trình trước, phòng thí nghiệm của Padilla đã dùng mạng nơ-ron sâu huấn luyện trên hàng chục nghìn mẫu mô phỏng để tìm mối liên hệ giữa các tham số thiết kế và đáp ứng mong muốn, rồi phát triển phương pháp 'neural-adjoint' khởi tạo ngẫu nhiên rồi tối ưu ngược để tìm giải pháp tốt cho kết quả cần đạt.
Trong bài báo mới xuất bản trên ACS Photonics, nhóm lặp lại ý tưởng đó nhưng thay vì để nghiên cứu sinh thực hiện từng bước, họ lập trình một tập hợp tác nhân AI dựa trên mô hình ngôn ngữ lớn (LLM) để đảm nhiệm toàn bộ công việc. Một tác nhân chịu trách nhiệm chuẩn bị và tổ chức dữ liệu, một tác nhân viết mã mạng nơ-ron sâu từ mẫu, một tác nhân kiểm tra độ chính xác, và một tác nhân khác chạy phương pháp neural-adjoint do nhóm phát triển. Toàn bộ các tác nhân được điều phối bởi một LLM tổng thể giúp chúng trao đổi và quyết định chiến lược.
Hệ thống này có khả năng tự đánh giá quá trình: nó biết khi nào cần sinh thêm điểm dữ liệu để cải thiện mô hình, khi nào mô hình đang tiến triển đủ tốt, và có thể báo cho người dùng biết chính xác bước nào đang được thực hiện. "Nó sẽ thẳng thắn báo nếu đang gặp tình trạng lợi suất giảm dần và cần tạo thêm dữ liệu, hoặc nếu tỉ lệ sai lỗi đang giảm đủ và nên tiếp tục lặp," — Dary Lu, nghiên cứu sinh dẫn dắt dự án, cho biết.
Khi kiểm tra trên các bài toán nghịch đảo mà phòng thí nghiệm đã làm trước đó, hệ 'nhà khoa học nhân tạo' không đạt trung bình cao hơn các nghiên cứu sinh con người qua hàng nghìn thử nghiệm, nhưng các thiết kế tốt nhất do AI tạo ra rất gần với kết quả của người có trình độ tiến sĩ. Trong lĩnh vực này, một thiết kế xuất sắc là mục tiêu chính, nên việc AI đạt được thiết kế tốt nhất tương đương với con người là tín hiệu đáng chú ý.
Padilla nhận định rằng minh chứng này cho thấy các hệ tác nhân được lập trình kỹ lưỡng có thể giải quyết cả những vấn đề phức tạp nhất và phương pháp có thể áp dụng cho nhiều lĩnh vực ngoài điện từ tính toán. "Chúng ta đang ở ngưỡng nơi các hệ như vậy sẽ tăng năng suất của người lao động có kỹ năng cao," Lu nói thêm. "Biết cách xây dựng các hệ tác nhân này là một kỹ năng giá trị khi bước vào thị trường lao động."
Tác giả nhấn mạnh rằng hệ thống có thể tự nghiên cứu và cải tiến phương pháp của mình, và ở quy mô lớn với tốc độ nhanh hơn, những hệ này sớm muộn sẽ tạo ra kết quả thực sự mới mẻ thúc đẩy kiến thức nhân loại.
Tham khảo: Darui Lu và cộng sự, "An Agentic Framework for Autonomous Metamaterial Modeling and Inverse Design", ACS Photonics (2025). DOI: 10.1021/acsphotonics.5c01514.
Nguồn: https://techxplore.com/news/2025-10-ai-bots-scientist-problem.html
Sửa lần cuối bởi điều hành viên:
Bài viết liên quan
