Nhóm AI Đại học Tây An Giao Thông công bố hai phương pháp mới trên Nature Communications: dự đoán trạng thái chuyển tiếp phản ứng và phát hiện công thức toán học

Ngày 23/06/2026, Đại học Tây An Giao Thông (Xi'an Jiaotong University) thông báo nhóm nghiên cứu AI của trường đã công bố hai công trình liên tiếp trên tạp chí Nature Communications, tập trung vào phát triển công cụ và phương pháp mới cho lĩnh vực AI for Science (trí tuệ nhân tạo hỗ trợ khoa học). Cả hai nghiên cứu đều dựa trên sự kết hợp giữa toán học và trí tuệ nhân tạo, nhằm giải quyết các bài toán khó trong hóa học và khoa học phức hợp.

Mô hình TS-DFM: dự đoán trạng thái chuyển tiếp phản ứng hóa học

Nhóm của Giáo sư Sun Jian (Tôn Kiếm) đề xuất mô hình TS-DFM (Transition State Diffusion and Flow Model), một phương pháp học sâu hình học (geometric deep learning) để dự đoán cấu trúc trạng thái chuyển tiếp trong phản ứng hóa học. Trạng thái chuyển tiếp là trạng thái then chốt kết nối chất phản ứng và sản phẩm, ảnh hưởng trực tiếp đến tốc độ và đường đi của phản ứng. Tuy nhiên, trạng thái này khó quan sát trực tiếp bằng thực nghiệm, và các phương pháp tính toán lượng tử truyền thống thường tốn kém, dễ bị ảnh hưởng bởi cấu trúc ban đầu và điều kiện hội tụ.

TS-DFM kết hợp khả năng sinh (generative capability) của AI với các ràng buộc hình học trong phản ứng hóa học. Thay vì dự đoán trực tiếp tọa độ 3D của nguyên tử, mô hình sử dụng luồng hình học (geometric flow) dẫn hướng bởi vận chuyển tối ưu (optimal transport) để học quá trình tiến hóa của khoảng cách giữa các nguyên tử và cấu trúc liên kết hóa học, đảm bảo quá trình sinh tuân theo quy luật vật lý của phản ứng.

Kết quả thử nghiệm cho thấy, trên bộ dữ liệu Transition1x, độ chính xác dự đoán cấu trúc trung bình của TS-DFM cao hơn khoảng 30% so với phương pháp cơ sở tốt nhất trước đó. Đối với các loại phản ứng chưa xuất hiện trong dữ liệu huấn luyện, hiệu suất dự đoán cải thiện ít nhất 16%. Ngoài ra, trạng thái chuyển tiếp do mô hình sinh ra có thể được sử dụng làm cấu trúc ban đầu chất lượng cao cho các phương pháp tìm kiếm truyền thống, nâng cao hiệu quả tính toán và cung cấp công cụ mới để khám phá đường phản ứng tiềm năng cũng như phân tích cơ chế phản ứng phức tạp.

Các tác giả của bài báo bao gồm Luo Yufei (nghiên cứu sinh tiến sĩ), Gu Xiang (trợ lý giáo sư) và Sun Jian (giáo sư) đến từ Khoa Toán và Thống kê của Đại học Tây An Giao Thông. Bài báo được đăng trực tuyến với DOI: 10.1038/s41467-026-74101-0.

Phương pháp Deflex: phát hiện công thức toán học từ dữ liệu phức tạp

Nhóm của Giáo sư Yang Shusen (Dương Thụ Sâm) đề xuất phương pháp Deflex, giải quyết bài toán tự động phát hiện các quy luật toán học đơn giản, có thể giải thích từ dữ liệu quan sát phức tạp. Các phương pháp hiện tại gặp hạn chế khi xử lý số lượng biến lớn, mối quan hệ đa tỷ lệ phức tạp và tìm kiếm công thức bậc cao.

Deflex kết hợp khả năng biểu diễn của học sâu (deep learning) với khả năng biểu đạt hình thức của học ký hiệu (symbolic learning). Hệ thống gồm hai thành phần: Deflexformer và Deflexpressor. Deflexformer dựa trên mô hình năng lượng (energy model) và mạng tự chú ý (self-attention network) để thống nhất các quy luật đa dạng và nắm bắt mối quan hệ phức tạp. Deflexpressor tăng cường hồi quy ký hiệu (symbolic regression) dựa trên phép tính Lambda (Lambda calculus), cho phép hệ thống biểu diễn và tìm kiếm các công thức toán học chứa cấu trúc bậc cao như ánh xạ, tổng, quy nạp.

Deflex kết hợp Deflexpressor và Deflexformer thông qua các bước sinh công thức, tiền huấn luyện, hậu huấn luyện và hồi quy ký hiệu phân tầng, từ đó tự động trích xuất các công thức toán học đa tỷ lệ từ dữ liệu quan sát của hệ thống phức tạp.

Giáo sư Yang Shusen và nghiên cứu sinh tiến sĩ Yu Hanqiao là đồng tác giả đầu tiên, Giáo sư Yang Shusen và Phó giáo sư Ren Xuebin là đồng tác giả liên hệ, Giáo sư Zhao Cong tham gia nghiên cứu. Bài báo được đăng trực tuyến với DOI: 10.1038/s41467-026-74299-z.

Ý nghĩa và triển vọng

Cả hai công trình đều hướng đến các bài toán cụ thể trong hóa học và khoa học phức hợp, dựa trên sự đổi mới giao thoa giữa toán học và trí tuệ nhân tạo. Chúng thể hiện vai trò hỗ trợ quan trọng của phương pháp toán học trong nghiên cứu AI for Science. Trong những năm gần đây, Khoa Toán và Thống kê của Đại học Tây An Giao Thông đã thúc đẩy sự giao thoa sâu rộng giữa toán học, AI và khoa học tự nhiên. Việc hai công trình được công bố đồng thời trên Nature Communications phản ánh sự tích lũy liên tục và đột phá theo giai đoạn của khoa trong lĩnh vực khám phá khoa học hỗ trợ bởi AI.

Theo Xjtu

Ảnh: Pavel Danilyuk / Pexels