Trong những năm gần đây, trí tuệ nhân tạo (AI) đã trở thành một công cụ đột phá trong nhiều lĩnh vực khoa học, và hóa học không phải là ngoại lệ. Khi khối lượng dữ liệu hóa học ngày càng gia tăng – từ các cơ sở dữ liệu cấu trúc phân tử, các nghiên cứu phổ, đến các mô phỏng phản ứng phức tạp – nhu cầu về những phương pháp phân tích và dự đoán hiệu quả cũng ngày càng trở nên cấp thiết. AI, đặc biệt là các mô hình học máy (machine learning) và học sâu (deep learning), đang mở ra những hướng tiếp cận hoàn toàn mới trong việc hiểu và thiết kế các phản ứng hóa học.
Một trong những ứng dụng nổi bật của AI là dự đoán và phân tích cấu trúc phân tử. Thay vì phụ thuộc hoàn toàn vào các phương pháp tính toán truyền thống (như DFT hay WFT), AI có thể học từ dữ liệu đã có để dự đoán nhanh cấu trúc ổn định, năng lượng liên kết, hoặc các thông số phân tử quan trọng khác với độ chính xác ấn tượng. Điều này đặc biệt hữu ích trong nghiên cứu các phân tử hữu cơ phức tạp, chất trung gian phản ứng, hoặc các hợp chất mới có tính ứng dụng cao trong thực tiễn. AI – đặc biệt là các mô hình học sâu như mạng nơ-ron đồ thị (Graph Neural Networks) – có thể dự đoán nhanh chóng các thông số cấu trúc với độ chính xác tiệm cận mô hình lượng tử (xem ví dụ ở hình 1). Nhiều mô hình hiện đại còn học được mối liên hệ giữa cấu trúc phân tử và tính chất vật lý, giúp tăng tốc quá trình thiết kế và sàng lọc phân tử mới.
Ở cấp độ cơ chế phản ứng, AI đang góp phần quan trọng vào việc nhận diện các đường phản ứng khả thi (reaction pathways), xác định trạng thái chuyển tiếp (transition states) và suy luận logic hóa học đằng sau các chuỗi phản ứng. Hiểu rõ một phản ứng diễn ra như thế nào – từ chất phản ứng đến sản phẩm, qua các trung gian và trạng thái chuyển tiếp – là một nhiệm vụ quan trọng nhưng đầy thách thức. AI có khả năng học từ dữ liệu phản ứng có sẵn để suy luận các "con đường phản ứng" (reaction pathways) khả thi, và thậm chí gợi ý những cơ chế mới chưa từng được biết đến. Các công cụ như AutoMeKin, RMG hay các mô hình như RxnMapper có thể tự động hóa việc phân tích phản ứng, gán vị trí phản ứng, và dự đoán sản phẩm. Điều này không chỉ hỗ trợ hóa học cơ bản mà còn ứng dụng trong tổng hợp hữu cơ, xúc tác, và phát triển vật liệu mới (ví dụ minh hoạ cho hệ phản ứng TMA + O2, Hình 1).
Không dừng lại ở đó, trong lĩnh vực động học phản ứng, AI giúp tăng tốc việc xây dựng mô hình động học từ dữ liệu thực nghiệm hoặc mô phỏng, bằng cách khai thác dữ liệu lớn và tìm ra các mối quan hệ phi tuyến tính phức tạp giữa điều kiện phản ứng, cấu trúc chất phản ứng và tốc độ phản ứng. Điều này hỗ trợ mạnh mẽ trong thiết kế các quá trình tổng hợp tối ưu, kiểm soát phản ứng xúc tác và mô phỏng hành vi hệ hóa học ở điều kiện đa dạng. Một số hệ thống AI và công cụ học máy tiêu biểu đã được phát triển nhằm phục vụ mục đích này, bao gồm: i) Reaction Mechanism Generator (RMG): Tự động sinh cơ chế phản ứng và tính hằng số tốc độ dựa trên cơ sở dữ liệu và luật suy diễn nhiệt động học. RMG rất hữu ích trong mô hình hóa động học cho các hệ phức tạp như quá trình đốt cháy hoặc xúc tác dị thể (xem ví dụ minh hoạ ở hình 2); ii) ANI và SchNet: Các mô hình mạng neuron học sâu được huấn luyện từ dữ liệu quantum chemical, cho phép dự đoán năng lượng và trạng thái chuyển tiếp một cách nhanh chóng, hỗ trợ mô phỏng động học và xây dựng bề mặt năng lượng tiềm năng; iii) AutoTST và EStokTP: Công cụ tự động xác định cấu trúc trạng thái chuyển tiếp và tính toán hằng số tốc độ theo lý thuyết trạng thái, tích hợp tốt với RMG trong các phản ứng đơn bước hoặc đa bước; iv) Chemprop và DeepChem: Nền tảng học sâu có khả năng dự đoán hằng số tốc độ, năng lượng hoạt hóa và các thông số động học khác từ công thức cấu trúc phân tử hoặc SMILES, đặc biệt hiệu quả khi kết hợp với các cơ sở dữ liệu phản ứng lớn; v) PhysNet, DimeNet và SpookyNet: Là các mô hình học sâu hiện đại mô phỏng lực và năng lượng ở cấp độ nguyên tử, có thể được tích hợp vào động học phân tử (molecular dynamics) để khảo sát chi tiết tiến trình phản ứng theo thời gian. Việc kết hợp các công cụ này không chỉ giúp đẩy nhanh quá trình xây dựng mô hình động học phản ứng mà còn nâng cao độ chính xác và khả năng tổng quát hóa mô hình trong các điều kiện phản ứng khác nhau, từ đó mở ra nhiều hướng phát triển trong thiết kế xúc tác, phản ứng chọn lọc và công nghệ tổng hợp hóa chất tiên tiến.
Một trong những ứng dụng hấp dẫn nhất của AI trong hóa học hiện đại là tìm kiếm các hợp chất có hoạt tính sinh học – đặc biệt trong điều trị các bệnh hiểm nghèo như ung thư, bệnh thần kinh, hoặc tiểu đường. Trước đây, việc phát hiện thuốc thường mất hàng chục năm và hàng tỷ USD để sàng lọc và kiểm nghiệm. Ngày nay, AI có thể thay đổi toàn bộ quy trình này. Thông qua việc học từ dữ liệu protein, hoạt chất, và thông số dược lý (ADMET), AI có thể: Dự đoán khả năng liên kết của một phân tử với mục tiêu sinh học; Phát hiện nhanh các “hit” và “lead” có tiềm năng cao; Dự đoán độc tính, độ tan, tính khả dụng sinh học… ngay từ giai đoạn thiết kế; Sinh ra các hợp chất mới (sinh phân tử, generative chemistry) có tính chất vượt trội bằng các mô hình như GANs (xem ví dụ hình 3), VAEs, hoặc học tăng cường. Sự ra đời của AlphaFold – hệ thống dự đoán cấu trúc protein của DeepMind – là một minh chứng rõ nét cho khả năng của AI trong sinh học phân tử. Kết hợp các công cụ như AlphaFold với các mô hình thiết kế thuốc, chúng ta có thể tiếp cận mục tiêu điều trị bằng một tốc độ và độ chính xác chưa từng có.
Nhóm nghiên cứu về ứng dụng AI trong Hóa học do PGS.TS. Phạm Văn Tiến dẫn dắt – thuộc Trường Hóa và Khoa học Sự sống, Đại học Bách Khoa Hà Nội – là một trong những nhóm nghiên cứu tiên phong trong lĩnh vực này. Nhóm đã và đang thực hiện nhiều đề tài quan trọng về ứng dụng AI trong nghiên cứu cấu trúc phân tử các hợp chất mới, cơ chế và động học các phản ứng hóa học. Các kết quả nghiên cứu đã được công bố trên nhiều tạp chí khoa học uy tín trong và ngoài nước. Đáng chú ý, nhóm còn thu hút sự tham gia tích cực của nhiều sinh viên ngành Hóa học từ khóa K64 đến K68. Nhiều sinh viên sau khi tham gia đề tài đã tiếp tục theo học chương trình sau đại học (tích hợp Cử nhân - Thạc sĩ ngành Hóa học), hoặc giành được học bổng cao học tại các trường đại học danh tiếng như Chiao Tung và Tsing Hua (Đài Loan). Đây là minh chứng rõ nét cho sự kết hợp hiệu quả giữa đào tạo, nghiên cứu và chuyển đổi số ở lĩnh vực Hóa học tại Việt Nam.
Mặc dù còn nhiều thách thức như việc đảm bảo độ tin cậy của mô hình, giải thích được kết quả AI tạo ra (explainability), hay yêu cầu về dữ liệu lớn và chất lượng cao, nhưng tiềm năng của AI trong hóa học là không thể phủ nhận. Sự kết hợp giữa kiến thức hóa học truyền thống và khả năng học hỏi của AI hứa hẹn sẽ tạo nên một thế hệ công cụ mới, giúp đẩy nhanh quá trình khám phá hóa học, từ lý thuyết đến ứng dụng thực tiễn. Từ phòng thí nghiệm đến ứng dụng lâm sàng, từ nghiên cứu cơ bản đến công nghiệp hóa học – trí tuệ nhân tạo đang đóng vai trò trung tâm trong sự tiến bộ của ngành hóa học thế kỷ 21. Không chỉ giúp xử lý dữ liệu hiệu quả hơn, AI còn mở ra khả năng suy nghĩ mới, sáng tạo mới và phát hiện những điều trước đây vượt ngoài tầm với của con người. Sự kết hợp giữa chuyên môn hóa học truyền thống và sức mạnh của AI sẽ tiếp tục thúc đẩy những khám phá quan trọng trong tương lai – không chỉ ở các trung tâm nghiên cứu lớn trên thế giới, mà còn tại những phòng thí nghiệm đầy nhiệt huyết như tại Đại học Bách Khoa Hà Nội.
Hình 1. Cấu trúc phân tử và bề mặt thế năng của phản ứng tự bốc cháy TMA + O2 được sử dụng làm nhiên liệu cho tên lửa đẩy trong ngành hàng không vũ trụ. Toàn bộ hệ phản ứng được dự đoán bởi AI (GNN và AutoMeKin)
Hình 2. Động học của phản ứng sinh ra khí cười N2O được dự đoán bằng mô hình AI (RMG). Kết quả dự đoán bằng AI có sự phù hợp rất tốt với các kết quả nghiên cứu bằng thực nghiệm.
Hình 4. Minh hoạ cấu trúc phân tử của một hợp chất họ flavonoid có các hoạt tính sinh học nổi bật, được tự động sinh bởi mô hình AI GANs, thể hiện khung xương cơ bản C6–C3–C6 với ba vòng (A, B, C) và các nhóm OH phân bố ở nhiều vị trí.
PGS.TS. Phạm Văn Tiến
Khoa Hóa học, SCLS, ĐHBK HN
