AI tối ưu hóa công thức phối trộn – thiết kế dữ liệu, PoC và RFP cho Materials Informatics tại nhà máy Thái Lan

Tại bộ phận phát triển của các nhà sản xuất vật liệu và hóa chất, sự quan tâm đến “AI tối ưu hóa công thức phối trộn”, tức là tìm công thức đạt gần tính chất mục tiêu với ít lần thử nghiệm, đang tăng lên. Sơn, mực in, keo dán, chất trám kín, hợp chất cao su, hợp chất nhựa, dầu bôi trơn, chất tẩy rửa. Bộ phận phát triển kỹ thuật tại Thái Lan liên tục nhận các yêu cầu về tính chất từ khách hàng, yêu cầu giảm chi phí, yêu cầu chuyển sang nguyên liệu thay thế và thay thế các chất bị quản lý theo quy định. Trong khi đó, việc thử nghiệm công thức chủ yếu dựa vào kinh nghiệm của người lâu năm, thay đổi từng điều kiện một, nên số lần thử nghiệm và thời gian không theo kịp. Đó là lúc doanh nghiệp cân nhắc đưa vào AI tối ưu hóa công thức phối trộn sử dụng học máy và các phương pháp thiết kế thí nghiệm như tối ưu hóa Bayes, hay còn gọi là tin học vật liệu (Materials Informatics, MI).

Bài viết này chỉ có một luận điểm. Thành bại của AI tối ưu hóa công thức phối trộn không nằm ở việc chọn thuật toán, mà nằm ở việc đã quyết định trước ba điều sau hay chưa. ① Định nghĩa mục tiêu và ràng buộc (tính chất nào, trong khoảng nào, ưu tiên theo thứ tự nào, và ràng buộc giới hạn trên dưới của nguyên liệu, tổng bằng 100%, chất bị quản lý, mức trần chi phí như thế nào). ② Cấu trúc hóa dữ liệu thí nghiệm (lưu tỷ lệ phối trộn, lô nguyên liệu, điều kiện công đoạn, điều kiện đánh giá, kể cả thí nghiệm thất bại, theo cùng một định dạng. Với dữ liệu cũ, đo trước “tỷ lệ dùng được”). ③ Vận hành vòng lặp thí nghiệm (ai phê duyệt lần thử nghiệm tiếp theo do AI đề xuất, dừng sau bao nhiêu lần, khi nào đưa kết quả trở lại). AI đề xuất “công thức nên thử tiếp theo”. Nhưng AI không quyết định “có được phép làm công thức đó hay không (an toàn, quy định, thiết bị)” và “dừng phát triển ở đâu”.

Dưới đây, để trưởng bộ phận phát triển kỹ thuật và R&D, đảm bảo chất lượng, giám đốc nhà máy tại các nhà sản xuất vật liệu và hóa chất vốn Nhật cũng như doanh nghiệp địa phương ở Thái Lan (và ASEAN), cùng phòng nghiên cứu và bộ phận hoạch định kỹ thuật của trụ sở tại Nhật Bản có thể chuẩn bị đủ căn cứ để ra quyết định trong nội bộ, bài viết lần lượt sắp xếp: xu hướng, khác biệt giữa các phương pháp, lý do số lần thử nghiệm phình ra, cách quyết định mục tiêu và ràng buộc, kiểm kê dữ liệu, cách vận hành vòng lặp thí nghiệm, chọn sản phẩm hay tự xây dựng, kết nối với các hệ thống hiện có, lưu ý khi triển khai tại Thái Lan, tính toán mô hình chi phí và hiệu quả, RFP và PoC. Số dự án, số lần thử nghiệm, đơn giá, số tiền và số năm hoàn vốn của nhà máy mô hình trong bài đều là số giả định đặt ra riêng cho bài viết này. Đó không phải là mức trung bình ngành, không phải số liệu khảo sát, cũng không phải số liệu của nhà cung cấp hay của các bài báo khoa học.

Vì sao lúc này lại dùng AI cho tối ưu hóa công thức phối trộn

Tin học vật liệu (Materials Informatics) là gì

Phạm vi của thuật ngữ tin học vật liệu khác nhau tùy người dùng. Công ty Uncountable, đơn vị cung cấp nền tảng MI, định nghĩa MI là “thực hành tập trung hóa và cấu trúc hóa dữ liệu vật liệu, rồi áp dụng phân tích dữ liệu và học máy để tăng tốc phát triển”, và nêu nền tảng của nó là tập trung hóa dữ liệu, cấu trúc hóa để có thể tìm kiếm theo nội dung, và kết nối R&D với quản lý chất lượng cũng như quản lý vòng đời sản phẩm (định nghĩa của nhà cung cấp). Hitachi High-Tech giải thích MI là việc “dùng công nghệ AI từ dữ liệu thí nghiệm tích lũy trong quá khứ để dự đoán tính chất và tìm ra điều kiện tối ưu về điều kiện sản xuất và tỷ lệ phối trộn vật liệu” (thông cáo của công ty này).

Điểm chung của cả hai cách giải thích là đặt việc “chuẩn hóa dữ liệu” lên trước thuật toán. Bài viết này cũng xem AI tối ưu hóa công thức phối trộn là “cơ chế cấu trúc hóa dữ liệu về tỷ lệ phối trộn và kết quả, dự đoán tính chất bằng học máy, và đề xuất công thức nên thử tiếp theo bằng tối ưu hóa Bayes hoặc phương pháp tương tự”.

Các dự án công đã định hình lĩnh vực này

Tại Nhật Bản, Sáng kiến Phát triển Vật chất và Vật liệu Tích hợp Thông tin (MI2I) của Viện Nghiên cứu Khoa học Vật liệu Quốc gia (NIMS) bắt đầu vào tháng 7/2015 trong khuôn khổ “Chương trình hỗ trợ xây dựng trung tâm đổi mới sáng tạo” của Cơ quan Khoa học và Công nghệ Nhật Bản (JST), và kết thúc vào cuối tháng 3/2020. Sáng kiến này được cho là đã theo đuổi nghiên cứu khoa học vật liệu dựa trên dữ liệu và hình thành cộng đồng cho lĩnh vực mới mang tên tin học vật liệu, và sau khi kết thúc, các hoạt động vẫn tiếp tục tại NIMS và các nơi khác thông qua mạng lưới đó. Trung tâm dữ liệu cốt lõi của NIMS cung cấp nền tảng đám mây “DICE” tập hợp dữ liệu vật liệu từ nhiều nguồn như thí nghiệm, đo lường, tính toán, tài liệu dưới dạng dễ tái sử dụng (trang này không ghi rõ doanh nghiệp có được sử dụng hay không và với điều kiện gì).

Trong lĩnh vực công thức phối trộn, ngày 13/4/2020, NEDO, ADMAT, AIST và Showa Denko (nay là Resonac) công bố rằng trong “Dự án nền tảng công nghệ phát triển siêu tốc vật liệu siêu tiên tiến”, họ đã dùng AI để phát triển màng trong suốt dẻo và “giảm số lần thí nghiệm xuống còn 1/25 trở xuống so với trước đây”. Điều kiện là ban đầu làm 27 loại màng, cho AI học dữ liệu đo thực tế, rồi AI dự đoán 3 chỉ tiêu là độ truyền qua quy đổi, ứng suất đứt và độ giãn dài. Theo công bố, giá trị tính chất của màng theo công thức do AI dự đoán vượt qua 27 loại ban đầu và tốt hơn 25 loại do các nhà nghiên cứu lành nghề làm trong thí nghiệm so sánh. Tuy nhiên, đây là kết quả với một vật liệu cụ thể và một đề tài cụ thể, và chi tiết cách tính “1/25” không đọc được từ trang công bố. Điều này không có nghĩa là việc phát triển công thức tại doanh nghiệp của bạn sẽ cho ra cùng tỷ lệ.

Công bố của doanh nghiệp đang tăng lên (nhưng điều kiện rất khác nhau)

Các doanh nghiệp cũng liên tục đưa ra công bố. Tất cả đều là công bố của chính doanh nghiệp công bố hoặc doanh nghiệp cung cấp công cụ, chưa qua kiểm chứng của bên thứ ba. Cần luôn đọc kèm đối tượng so sánh và phạm vi.

• Mitsui Chemicals và Hitachi (ngày 28/6/2021): Công bố bắt đầu thử nghiệm thực chứng áp dụng công nghệ MI dùng AI của Hitachi vào phát triển vật liệu mới của Mitsui Chemicals. Khi kiểm chứng bằng dữ liệu phát triển vật liệu hữu cơ trong quá khứ do Mitsui Chemicals cung cấp, số lần thử của thí nghiệm “giảm còn khoảng 1/4 so với MI thông thường”. Đối tượng so sánh là “MI thông thường” chứ không phải thử và sai bằng tay của con người, và đây là kiểm chứng bằng dữ liệu quá khứ.
• Hitachi High-Tech và NOF Metal Coatings (ngày 19/8/2025): Tại NOF Metal Coatings, đơn vị chuyên về lớp phủ màng mỏng tính năng cao như vật liệu chống gỉ, công bố đã “giảm 50% trở lên số lần thí nghiệm và thời gian so với trước khi dùng MI trong công việc nghiên cứu và phát triển của một đề tài cụ thể”. Công bố cho biết việc này được tiến hành nhờ sự hỗ trợ đồng hành của các nhà khoa học dữ liệu và nhân sự khác của Hitachi High-Tech, trong bối cảnh nội bộ không có nhân sự chuyên môn về MI hay phân tích dữ liệu.
• Sika (ngày 27/11/2025): Trong tài liệu dành cho nhà đầu tư và truyền thông, nhà sản xuất hóa chất xây dựng Sika ghi về ví dụ sản phẩm “Nuage” là “giảm 75% thí nghiệm nhờ học máy” và “rút ngắn hơn 50% thời gian đưa ra thị trường”. Đây là giá trị của một ví dụ sản phẩm cụ thể của Sika, nêu trong tài liệu của chính Sika.
• Advanced Polymer Coatings và Albert Invent (ngày 23/6/2026): Một nhà sản xuất lớp phủ polymer chống ăn mòn của Mỹ công bố đưa vào “hệ điều hành AI-native” của Albert Invent. Thông cáo ghi rằng việc lập kế hoạch thí nghiệm và tối ưu hóa công thức bằng AI đã được chứng minh rút ngắn 50% thời gian phát triển của công ty này (thông cáo của doanh nghiệp cung cấp công cụ).
• SCG Chemicals: Trường hợp SCG Chemicals (SCGC), một trong những công ty hóa dầu tổng hợp lớn nhất ASEAN, đưa vào nền tảng R&D của Uncountable và thay thế các công cụ dựa trên Excel và Python, được công bố dưới dạng nghiên cứu điển hình của Uncountable (chi tiết ở phần sau).

Khi các con số xếp cạnh nhau, người đọc dễ hiểu thành “AI giảm một nửa số lần thử nghiệm”, nhưng đối tượng so sánh (con người hay MI thông thường), phương pháp kiểm chứng (thử nghiệm thực tế hay tái hiện trên dữ liệu quá khứ) và phạm vi (một đề tài cụ thể hay toàn công ty) đều khác nhau. Tỷ lệ giảm của chính doanh nghiệp bạn chỉ có thể đo bằng kiểm chứng hồi cứu trên các dự án cũ của mình và bằng PoC.

Cấu trúc “thử nghiệm không theo kịp”

Bối cảnh khiến việc thử nghiệm công thức không theo kịp khá giống nhau ở mọi nhà máy. Yêu cầu về tính chất từ khách hàng (ô tô, điện và điện tử, bao bì…) ngày càng chi tiết, đồng thời đòi hỏi giảm chi phí. Khi nội địa hóa nguồn nguyên liệu hoặc chuyển sang nguyên liệu thay thế, mỗi lần một nguyên liệu thay đổi lại phải điều chỉnh toàn bộ công thức. Việc thay thế chất bị quản lý thì có hạn chót. Sách trắng của công ty Citrine khẳng định rằng, đối với việc thay thế các thành phần có vấn đề như PFAS, có thể áp dụng mô hình đã học trên công thức nền cho cả nhóm sản phẩm để đề xuất phương án thay thế (theo khẳng định của nhà cung cấp). Bỏ qua chuyện điều đó áp dụng được đến đâu, cấu trúc “càng nhiều dự án thay thế thì cách thử nghiệm thay đổi từng thứ một càng không kịp” là nỗi trăn trở chung của nhiều bộ phận phát triển.

AI tối ưu hóa công thức phối trộn (tin học vật liệu) là gì: khác biệt giữa DOE, học máy, tối ưu hóa Bayes và mô hình sinh

Những gì được gọi là AI tối ưu hóa công thức phối trộn bao gồm các phương pháp có bản chất khác nhau. Khi thảo luận nội bộ, thống nhất trước đang nói về phương pháp nào sẽ giúp đọc giải thích của nhà cung cấp dễ hơn.

Bảng này sắp xếp bản chất chung của từng phương pháp. Về mô hình sinh, trong phạm vi khảo sát của bài viết này chưa xác nhận được thành quả cụ thể trong tối ưu hóa công thức phối trộn, nên bài chỉ dừng ở mức giới thiệu vị trí của phương pháp.

Quy trình điển hình của tối ưu hóa Bayes, như trang chính thức của thư viện mã nguồn mở BoTorch minh họa, là vòng lặp gồm khớp mô hình quá trình Gauss, xây dựng hàm thu nhận (acquisition function, ví dụ Expected Improvement), rồi tối ưu hóa hàm thu nhận đó để quyết định ứng viên tiếp theo.

Công thức phối trộn có một ràng buộc đặc thù là “tỷ lệ của mỗi thành phần từ 0 trở lên và tổng bằng 1 (100%)”. Nghiên cứu nhằm xử lý điều kiện này về mặt toán học cũng đang tiến triển. Một bản tiền in (chưa bình duyệt) trên arXiv công bố tháng 3/2026 đề xuất thuật toán tối ưu hóa Bayes “α-GaBO” cho không gian có ràng buộc tổng bằng 1 (đơn hình xác suất), và trong phần tóm tắt khẳng định thuật toán cho hiệu năng cao hơn các phương pháp trên không gian Euclid có ràng buộc, trên các hàm benchmark và các bài toán thực tế bao gồm trộn thành phần. Phần tóm tắt không ghi hệ vật liệu cụ thể hay số lần thí nghiệm.

Cũng có nghiên cứu trên công thức thực tế. Một bài báo đăng trên tạp chí Cell Reports Physical Science đã kết hợp thuật toán phân loại học máy với thuật toán tối ưu hóa đa mục tiêu TSEMO để thiết kế sản phẩm công thức dạng lỏng không có mô hình vật lý, và thực hiện thí nghiệm bán tự động bằng robot. Phần tóm tắt ghi rằng nhóm đã tìm ra 9 công thức đáp ứng tiêu chí do khách hàng đặt ra trong vòng 15 ngày làm việc, và “vượt qua trực giác của con người” về hiệu năng mục tiêu. Đây là kết quả trong môi trường thí nghiệm bằng robot, và các điều kiện so sánh như số thí nghiệm phía con người thì khảo sát của bài viết này chưa xác nhận được đến phần nội dung chính.

Về giải thích thực tiễn từ phía nhà cung cấp, sách trắng dành cho sơn và lớp phủ của công ty Citrine trình bày cách tiến hành khi chưa có dữ liệu như sau (theo khẳng định của nhà cung cấp). Trước hết, “mồi” mô hình AI bằng các thí nghiệm ban đầu giống ma trận DOE nhưng được thu gọn để bao phủ không gian tìm kiếm bằng số thí nghiệm ít nhất. Sau đó, theo cách “học tuần tự”, lặp lại chu trình AI đề xuất khoảng 5 thí nghiệm mỗi lần, thực hiện, nhập kết quả, huấn luyện lại mô hình và đề xuất tiếp. Công ty này khẳng định phương pháp luận đó cần ít thí nghiệm hơn so với thử và sai hoặc DOE.

Nói cách khác, DOE và tối ưu hóa Bayes không đối lập nhau. Sắp xếp thí nghiệm ban đầu theo kiểu DOE, rồi từ đó tiến hành tuần tự bằng tối ưu hóa Bayes là sự kết hợp cũng chính là cách tiến hành mà giải thích của Citrine nêu trên cho thấy.

5 lý do khiến số lần thử nghiệm phình ra trong phát triển công thức

Trước khi đưa AI vào, nếu tách rõ vì sao số lần thử nghiệm phình ra, sẽ thấy được phần AI có thể giảm và phần AI không giảm được.

Cột ngoài cùng bên phải của bảng là những việc cần quyết định trước khi đưa vào. Đặc biệt ③ đến ⑤, dù thuật toán AI tốt đến đâu cũng không có tác dụng nếu dữ liệu không được lưu lại. Nỗ lực lưu căn cứ phán đoán của người lâu năm thành dữ liệu cũng trùng với cách lưu giữ tri thức ẩn đã sắp xếp trong bài viết về AI chuyển giao kỹ năng.

Ngoài ra, các đề tài tối ưu hóa điều kiện công đoạn (nhiệt độ, áp suất, thời gian giữ áp của ép phun…) nên được xử lý như một bài toán khác với tối ưu hóa tỷ lệ phối trộn thì dễ sắp xếp hơn. Về tối ưu hóa điều kiện công đoạn, xin xem bài viết về AI tối ưu hóa điều kiện ép phun; về cải thiện tỷ lệ thành phẩm trong sản xuất hàng loạt, xin xem bài viết về AI cải thiện tỷ lệ thành phẩm. Bài viết này chỉ tập trung vào việc quyết định “tỷ lệ phối trộn vật liệu (công thức)” ở giai đoạn phát triển.

“Mục tiêu và ràng buộc” cần quyết định trước khi đưa vào: biến mục tiêu, khoảng cho phép, giới hạn trên dưới, tổng 100%, chất bị quản lý, chi phí

Trong chuẩn bị cho AI tối ưu hóa công thức phối trộn, việc nên dành nhiều thời gian nhất là định nghĩa mục tiêu và ràng buộc. Nếu phần này còn mơ hồ, AI sẽ liên tục đề xuất những công thức trông hợp lý nhưng không dùng được.

Hình trên mô tả AI tối ưu hóa công thức phối trộn theo 4 tầng. Trên cùng là “mục tiêu và ràng buộc”, bên dưới là “dữ liệu”, tiếp theo là “vòng lặp thí nghiệm”, và cuối cùng là “đo lường và nghiệm thu”. Nếu tầng trên chưa được quyết định thì không thể thiết kế tầng dưới. Sách trắng của Citrine cũng nêu 3 nơi tích lũy tri thức là ① dữ liệu được tải lên hệ thống, ② mô hình AI biểu diễn quan hệ giữa đầu vào và đầu ra, ③ “không gian tìm kiếm”, tức là mô tả các ràng buộc về công thức như nguyên liệu có thể dùng và các thông số trộn (theo khẳng định của nhà cung cấp). ③ tương ứng với tầng mục tiêu và ràng buộc nói ở đây.

① Thu hẹp đề tài theo 4 điều kiện

Việc chọn đề tài đầu tiên gần như quyết định thành quả của AI tối ưu hóa công thức phối trộn. An toàn nhất là bắt đầu từ đề tài đáp ứng 4 điều kiện sau.

1. Mục tiêu tính chất đo được bằng số (độ nhớt, độ cứng, độ bền kéo, cấp độ bám dính… Các đề tài chỉ có đánh giá cảm quan để sau)
2. Chi phí và thời gian của 1 lần thử nghiệm lớn (nguyên liệu đắt, thử nghiệm đánh giá mất nhiều ngày, cần thử nghiệm bên ngoài…)
3. Số biến nằm trong khoảng 10 (gộp cả loại nguyên liệu và điều kiện công đoạn, số biến cần thay đổi không quá nhiều)
4. Phương pháp đánh giá ổn định (dao động khi đo lại cùng một mẫu nhỏ hơn đáng kể so với mức cải thiện nhắm đến)

② Biến mục tiêu và khoảng cho phép

Biến mục tiêu không chỉ ghi “tối đa hóa cái gì” mà còn ghi “nằm trong khoảng nào là được”. Ví dụ như “độ nhớt trong khoảng ○ đến ○, độ cứng từ ○ trở lên, chi phí nguyên liệu từ ○ trở xuống”, tức là quyết định giá trị nhắm đến, khoảng cho phép và thứ tự ưu tiên. Khi nhiều tính chất xung đột nhau (làm cứng hơn thì độ giãn dài giảm…), cần quyết định trước sẽ ưu tiên bên nào, hay xếp các ứng viên dung hòa cả hai để con người chọn.

③ Giới hạn trên dưới của từng nguyên liệu và tổng 100%

Giới hạn trên dưới của từng nguyên liệu được quyết định từ cả lý do kỹ thuật (không phân tán, không đóng rắn) lẫn lý do kinh doanh (lượng mua, chi phí). Ràng buộc tổng tỷ lệ phối trộn bằng 100% bắt buộc phải được AI tuân thủ. Nghiên cứu α-GaBO nêu trên cũng nhắm đến chính ràng buộc “tổng bằng 1” này.

④ Chất bị quản lý và chất cấm

Danh sách nguyên liệu không được dùng, thành phần có giới hạn hàm lượng, và chất cấm do khách hàng chỉ định cần được loại khỏi không gian tìm kiếm ngay từ đầu. Nếu chỉ dựa vào cách vận hành để con người phát hiện và chặn sau khi AI đã đưa ra đề xuất, sẽ có sai sót bị bỏ lọt. Việc đối chiếu với SDS của nguyên liệu và thông tin quy định, nếu liên kết với danh mục hóa chất gốc đã sắp xếp trong bài viết về quản lý SDS bằng AI, sẽ giúp dễ phản ánh các cập nhật thông tin quy định vào không gian tìm kiếm.

⑤ Phạm vi làm được bằng thiết bị sản xuất

Dù tìm được công thức tối ưu trong phát triển, nếu độ nhớt không trộn được trên thiết bị sản xuất hàng loạt hoặc lượng nguyên liệu không nạp được thì cũng vô nghĩa. Cần đưa các ràng buộc phía sản xuất hàng loạt như năng lực của máy nhào trộn và máy phân tán, thứ tự nạp liệu, giới hạn nhiệt độ vào ngay từ giai đoạn phát triển.

Đừng tăng ràng buộc quá nhiều

Mặt khác, nhồi nhét quá nhiều tri thức đôi khi lại phản tác dụng. Một bản tiền in trên arXiv (chưa bình duyệt, ngày 20/11/2025) của các nhà nghiên cứu Fraunhofer IAIS và các nơi khác báo cáo trường hợp dùng tối ưu hóa Bayes trong phát triển hợp chất nhựa có chứa vật liệu tái chế (4 thành phần gồm PP nguyên sinh, nhựa tái chế, chất độn và chất biến tính chịu va đập). Mục tiêu là MFR khoảng 10 g/10min, mô đun Young từ 1500 MPa trở lên, độ bền va đập từ 8 kJ/m² trở lên, với giới hạn phối trộn là chất độn 30% và chất biến tính 20%. Khi tạo đặc trưng từ bảng dữ liệu kỹ thuật bằng tri thức chuyên gia, bài toán trở thành “bài toán 11 chiều”, và cộng thêm việc trong 430 bản ghi dữ liệu quá khứ không có bản ghi nào đồng thời thỏa mãn 2 ràng buộc, quá trình tối ưu hóa đã trở nên tệ hơn. Chỉ khi đơn giản hóa xuống còn 4 thông số phối trộn, kết quả mới đạt yêu cầu. Kết luận của các tác giả là “tri thức hoặc dữ liệu bổ sung chỉ có ích khi không làm phức tạp mục tiêu tối ưu hóa”.

Trường hợp này có một tiền đề quan trọng. 25 thí nghiệm (3 mẻ gồm 10, 7 và 8 thí nghiệm) là chiến dịch thí nghiệm do kỹ sư quy trình thực hiện, và MFR tốt nhất phía kỹ sư là 6.65 g/10min. Việc đánh giá tối ưu hóa Bayes đã đơn giản hóa được thực hiện trên mô phỏng dùng giá trị trung bình dự đoán của mô hình đã học làm “oracle (vai trò trả về đáp án)”, không phải thử nghiệm vật lý. Kết quả là “10 lần chạy thỏa mãn ràng buộc, MFR tốt nhất 6.13 g/10min (giá trị gần với kết quả của kỹ sư lành nghề)”. Tối ưu hóa Bayes không vượt qua kỹ sư, và cũng không đạt mục tiêu trong thử nghiệm thực tế. Bài học rút ra là tầm quan trọng của việc thu hẹp số biến, và cái khó khi bắt đầu từ trạng thái trong dữ liệu không có ví dụ nào thỏa mãn mục tiêu.

Kiểm kê dữ liệu: dữ liệu thử nghiệm cũ dùng được bao nhiêu phần

Sau mục tiêu và ràng buộc là dữ liệu. Ở nhiều bộ phận phát triển, dữ liệu thử nghiệm trong quá khứ nằm rải rác trong sổ thí nghiệm, Excel và máy tính cá nhân. Nghiên cứu điển hình về SCG Chemicals cũng nêu các vấn đề trước khi đưa vào là dữ liệu phân tán trên máy tính cá nhân, máy chủ và nhiều hệ thống, việc phát triển mô hình ML/AI cần kỹ năng Python nhưng nhà nghiên cứu không có, và số thí nghiệm trong phát triển công thức polymer nhiều (theo khẳng định của nhà cung cấp).

Các mục cần chuẩn hóa

Với từng đề tài, kiểm tra xem các lần thử nghiệm trong quá khứ có chuẩn hóa được theo các mục sau hay không.

Đo trước “tỷ lệ dùng được”

Khi kiểm kê, chia dữ liệu quá khứ thành “dùng được ngay”, “sửa thì dùng được” và “không dùng được”, rồi tính tỷ lệ theo số bản ghi. Ví dụ, đếm những bản ghi có tỷ lệ phối trộn và kết quả nhưng không rõ điều kiện đánh giá, những bản ghi không rõ lô, những bản ghi không ghi lại thất bại. Tỷ lệ này chi phối cả độ chính xác ban đầu của mô hình lẫn chi phí cấu trúc hóa dữ liệu.

Sách trắng của Citrine nêu ví dụ dữ liệu bị phân mảnh, như thông tin thương mại của nguyên liệu nằm trong ERP, đo lưu biến nằm trong LIMS, sở hữu trí tuệ nằm trong sổ tay viết tay, và khuyến nghị trước tiên hãy chạy một dự án AI ngắn hạn để xác định dữ liệu nào hữu ích cho mô hình AI và đáng để số hóa (theo khẳng định của nhà cung cấp). Thứ tự ở đây là không đợi số hóa tất cả rồi mới bắt đầu, mà ưu tiên cấu trúc hóa từ các mục cần thiết cho đề tài mục tiêu.

Cùng tài liệu đó cho rằng việc tạo và thử nghiệm 1 mẫu công thức tốn “hàng trăm đến hàng nghìn đô la” nên bộ dữ liệu trong lĩnh vực hóa học thường nhỏ, và cần “AI dữ liệu nhỏ”, khác với “AI dữ liệu lớn” như ChatGPT. Trên cơ sở đó, tài liệu nêu các biện pháp cho dữ liệu nhỏ gồm “tích hợp tri thức” để thu hẹp mô hình bằng tri thức chuyên gia, “đặc trưng hóa hóa học” để tự động tạo đặc trưng như khối lượng phân tử hay số liên kết hydro từ cấu trúc phân tử, và “định lượng độ bất định” để tính xác suất đạt mục tiêu (theo khẳng định của nhà cung cấp). Trường hợp của Fraunhofer và cộng sự nêu trên lại là ví dụ việc bổ sung tri thức khiến tối ưu hóa tệ đi, nên an toàn hơn là vừa kiểm chứng vừa quyết định có bổ sung tri thức hay không.

Con người xem xét giá trị ngoại lai và mức độ quan trọng của đặc trưng

Khi dữ liệu đã được nhập, hãy vẽ biểu đồ để kiểm tra giá trị ngoại lai. Giá trị ngoại lai có khi là lỗi nhập liệu. Sách trắng của Citrine cũng khuyến nghị rằng việc cả nhóm xem xét các đặc trưng mà mô hình AI coi là quan trọng (feature importance) và kiểm tra xem mô hình có nói điều hợp lý về mặt hóa học hay không sẽ có ích cho cả việc xác nhận tính hợp lệ của mô hình lẫn việc phát hiện điều mới (theo khẳng định của nhà cung cấp).

Về cách nghĩ đối với khóa liên kết giữa dữ liệu chất lượng trong sản xuất hàng loạt và dữ liệu phát triển, bài viết về hệ thống quản lý dữ liệu chất lượng cũng là tài liệu tham khảo hữu ích.

Cách vận hành vòng lặp thí nghiệm: AI đề xuất, kỹ sư phê duyệt, thử nghiệm, đánh giá, đưa dữ liệu trở lại

Khi đã có mục tiêu, ràng buộc và dữ liệu, hãy thiết kế vòng lặp thí nghiệm. Điều quan trọng nhất trong vận hành AI tối ưu hóa công thức phối trộn là luôn đặt bước phê duyệt của kỹ sư vào giữa đề xuất của AI và việc thử nghiệm.

Trình tự vòng lặp

1. Kế hoạch thí nghiệm ban đầu: Với đề tài có ít dữ liệu quá khứ, lập các thí nghiệm ban đầu bao phủ rộng phạm vi tìm kiếm theo kiểu DOE
2. Huấn luyện mô hình: Xây dựng mô hình từ thí nghiệm ban đầu và dữ liệu quá khứ dùng được
3. Đề xuất ứng viên tiếp theo: Dùng tối ưu hóa Bayes hoặc phương pháp tương tự để đề xuất vài công thức nên thử tiếp. Trình bày cùng lúc giá trị dự đoán và độ bất định
4. Kỹ sư phê duyệt: Kiểm tra công thức được đề xuất trên các góc độ an toàn (tỏa nhiệt, khí độc, thao tác xử lý), quy định (chất cấm, giới hạn hàm lượng), thiết bị (có trộn được không, có làm được trên thiết bị thử nghiệm không), chi phí và tính hợp lý về mặt hóa học, rồi phê duyệt, sửa đổi hoặc bác bỏ. Ghi lại cả lý do bác bỏ
5. Thử nghiệm và đánh giá: Thử nghiệm công thức đã được phê duyệt và đo bằng phương pháp đánh giá đã quyết định
6. Đưa dữ liệu trở lại: Đăng ký kết quả, kể cả thất bại, theo cùng một định dạng và cập nhật mô hình

Số ngày cho 1 vòng lặp và số đề xuất trong 1 lần

1 vòng lặp mất bao nhiêu ngày gần như được quyết định bởi số ngày của thử nghiệm đánh giá. Nếu là thử nghiệm cần dưỡng hộ 1 tuần thì vòng lặp ngắn nhất cũng hơn 1 tuần. Số đề xuất trong 1 lần được quyết định dựa trên số mẫu có thể làm đồng thời trên thiết bị thử nghiệm và năng lực đánh giá. Trong giải thích của Citrine, khoảng 5 đề xuất mỗi lần được nêu làm ví dụ (theo khẳng định của nhà cung cấp), nhưng đó chỉ là một ví dụ, hãy điều chỉnh theo thiết bị và năng lực đánh giá của doanh nghiệp mình.

Quyết định trước tiêu chí dừng

Vòng lặp AI sẽ kéo dài mãi nếu không dừng. Trước khi bắt đầu, hãy quyết định các tiêu chí dừng như sau.

• Dừng khi thu được ○ công thức có tất cả tính chất mục tiêu nằm trong khoảng cho phép
• Nếu sau ○ vòng lặp mà dự đoán không cải thiện thêm, quay lại xem xét mục tiêu, ràng buộc và các biến
• Khi đạt giới hạn số lần thử nghiệm hoặc thời gian, ra quyết định dựa trên công thức tốt nhất tính đến lúc đó
• Nếu kỹ sư liên tục bác bỏ (tỷ lệ chấp nhận đề xuất thấp), xem lại cách viết ràng buộc

Dừng phát triển ở đâu là việc người chịu trách nhiệm phát triển quyết định, không phải AI. AI đưa ra “công thức có vẻ đáng thử tiếp”, nhưng không phán đoán “đã đủ chưa”.

Lưu lại hồ sơ phê duyệt

Hồ sơ về việc kỹ sư đã phê duyệt đề xuất nào, bác bỏ đề xuất nào và vì sao bác bỏ, tự bản thân nó đã là dữ liệu quý giá. Nếu lý do bác bỏ là “tổ hợp này bị tách lớp”, thì đó là tri thức nên đưa vào không gian tìm kiếm như một ràng buộc từ lần sau. Bằng cách này, phán đoán của người lâu năm dần được lưu lại thành dữ liệu.

Tự xây dựng hay dùng sản phẩm: nền tảng MI thương mại, mã nguồn mở, hợp tác nghiên cứu

Có 3 cách lớn để hiện thực hóa AI tối ưu hóa công thức phối trộn.

Ví dụ về nền tảng MI thương mại (tất cả đều là khẳng định của nhà cung cấp)

Dưới đây là phần giới thiệu các sản phẩm mà khảo sát của bài viết này xác nhận được thông tin chính thức, không phải là khuyến nghị. Xin lưu ý tất cả đều là khẳng định của chính nhà cung cấp, và nhiều trường hợp không nêu điều kiện so sánh.

• Citrine Informatics: Gồm Citrine DataManager (tích lũy tri thức nội bộ), Citrine VirtualLab (thí nghiệm ảo và xác định ứng viên triển vọng), Citrine Catalyst (trợ lý số, tìm kiếm trích dẫn) và dịch vụ chuyên nghiệp. Sách trắng giải thích rằng tuy có API nhưng ưu tiên giao diện no-code, và kỹ sư công thức có thể tự bổ sung tri thức như các biểu thức quan hệ vào mô hình. Trang chính thức nêu khẩu hiệu “phát triển sản phẩm nhanh hơn 5 lần” nhưng không ghi điều kiện so sánh. Sách trắng có các trường hợp khách hàng như đạt tính chất mục tiêu trong 2 tuần đối với lớp phủ polymer nhiều lớp cho ô tô vốn thường mất 10 tuần, hay tái thiết kế công thức của sản phẩm đã thương mại hóa để loại bỏ PFAS mà vẫn duy trì hiệu năng trong chưa đầy 3 tháng (nhiều trường hợp không công bố tên khách hàng và chi tiết điều kiện).
• Uncountable: Trên trang giải thích về MI, công ty nêu thành quả của các doanh nghiệp đã đưa vào, như Repsol tích hợp hơn 10,000 điểm dữ liệu từ 20 năm công việc công thức vào một nền tảng có thể tìm kiếm, giảm 30 đến 40% khối lượng công việc thí nghiệm trên mỗi dự án; AGC Chemicals và Covestro rút ngắn thời gian phát triển tối đa 6 tháng.
• Polymerize: Gồm Polymerize Connect để quản lý dữ liệu, Polymerize Labs để dự đoán và tối ưu hóa bằng hơn 35 mô hình AI chuyên biệt theo lĩnh vực, và Polymerize One là dịch vụ trọn gói bao gồm cả mạng lưới thử nghiệm. Trên trang web, công ty khẳng định “giảm 50% thí nghiệm thất bại trong vòng 3 tháng” và “ROI 3.1 lần trong vòng 6 tháng”.
• Albert Invent: Trong công bố đưa vào của Advanced Polymer Coatings nêu trên, công ty nêu việc lập kế hoạch thí nghiệm và tối ưu hóa công thức bằng AI.
• “Giải pháp phát triển vật liệu” của Hitachi High-Tech: Công ty cho biết đã cung cấp từ năm 2021 cho khách hàng trong và ngoài Nhật Bản, chủ yếu là các nhà sản xuất vật liệu và hóa chất, và trong trường hợp NOF Metal Coatings nhấn mạnh sự hỗ trợ đồng hành (customer success) của các nhà khoa học dữ liệu.

Chi phí: Trên các trang chính thức và thông cáo của Citrine, Uncountable, Albert Invent, Polymerize và Hitachi High-Tech mà khảo sát của bài viết này đã xác nhận, đều không có giá cụ thể. Chi phí chỉ có thể xác nhận qua báo giá riêng.

Trường hợp tự xây dựng bằng mã nguồn mở

• BoTorch: Thư viện “tối ưu hóa Bayes trên PyTorch” do Meta công bố (giấy phép MIT). Đặc điểm là cấu trúc mô-đun cho phép gắn thêm mô hình và hàm thu nhận mới. Tuy nhiên, README khuyến nghị dùng BoTorch như API cấp thấp để triển khai thuật toán mới cho Ax (nền tảng dễ dùng cho người dùng cuối được định vị là Ax), nên đây là công cụ dành cho nhà nghiên cứu và người dùng nâng cao.
• Ax: Nền tảng thí nghiệm thích ứng do Meta phát triển. Minh họa tối ưu hóa tham số học từ kết quả thử để cải thiện đề xuất, và nêu chức năng quản lý thí nghiệm bao gồm lưu trữ MySQL.
• Optuna: Framework tối ưu hóa siêu tham số do Preferred Networks phát triển (giấy phép MIT). Bộ ví dụ chính thức bao gồm tối ưu hóa đa mục tiêu và tối ưu hóa có ràng buộc. Vốn dĩ đây là công cụ tìm kiếm siêu tham số cho học máy, việc ứng dụng vào tối ưu hóa công thức phối trộn tùy thuộc vào thiết kế của bên sử dụng.
• Thư viện đã ngừng bảo trì: Kho mã của GPyOpt đã được lưu trữ (archive) vào ngày 23/2/2023 và tuyên bố ngừng bảo trì. scikit-optimize cũng đã được lưu trữ vào ngày 28/2/2024. Vì đôi khi vẫn được giới thiệu trong các bài giải thích hay mã mẫu cũ, khi áp dụng mới hãy kiểm tra tình trạng bảo trì.

Ngay cả khi xây dựng bằng mã nguồn mở, quản lý dữ liệu, giao diện phê duyệt, nhật ký và kết nối với hệ thống hiện có vẫn phải tự làm. Thư viện tối ưu hóa chỉ là một phần của toàn bộ hệ thống. Cách nghĩ về hợp đồng và nghiệm thu khi thuê ngoài phát triển được sắp xếp trong bài viết về thực tiễn thuê ngoài phát triển AI.

Chọn như thế nào

Một bộ phận có ít dự án và nhà nghiên cứu không lập trình, nếu đột ngột đưa vào sản phẩm theo giấy phép thì có khi sản phẩm sẽ không được dùng. Sách trắng của Citrine cũng cho rằng “chỉ đặt AI ở đó như một giỏ trái cây thì sẽ không ai dùng”, và nêu việc xây dựng mạng lưới người thúc đẩy (champion) và sự đồng thuận của ban lãnh đạo là điểm mấu chốt của quản lý thay đổi (theo khẳng định của nhà cung cấp). Ngược lại, nếu bộ phận không có nhà khoa học dữ liệu tự xây dựng bằng mã nguồn mở, hệ thống có thể dừng ngay khi người xây dựng chuyển công tác. Việc trường hợp NOF Metal Coatings của Hitachi High-Tech nhấn mạnh rằng họ tiến hành nhờ hỗ trợ đồng hành từ bên ngoài trong khi nội bộ không có nhân sự MI là một câu trả lời cho điểm này.

Kết nối với hệ thống hiện có: ranh giới với ELN, LIMS, danh mục công thức gốc và dữ liệu chất lượng

Nếu vận hành đơn lẻ, AI tối ưu hóa công thức phối trộn sẽ trở thành “hòn đảo dữ liệu chỉ của bộ phận phát triển”. Hãy quyết định trước sẽ kết nối với hệ thống nào và vạch ranh giới ở đâu.

• Sổ thí nghiệm điện tử (ELN): Đặt bản gốc của hồ sơ thử nghiệm ở đâu. Quyết định lấy ELN làm bản gốc rồi liên kết sang nền tảng MI, hay nhập trực tiếp vào nền tảng MI. Nhập liệu hai lần sẽ không duy trì được lâu.
• LIMS (quản lý thử nghiệm và phân tích): Chép tay kết quả đánh giá sẽ phát sinh lỗi chép. Kiểm tra xem có thể tự động lấy kết quả đo không, và có thể chuyển kèm điều kiện đánh giá (tiêu chuẩn, thiết bị, người đo) không.
• Danh mục công thức gốc trong hệ thống quản lý sản xuất: Khi chuyển công thức đã chốt trong phát triển sang sản xuất hàng loạt, cần đăng ký vào danh mục công thức gốc của hệ thống quản lý sản xuất. Lúc này, nếu mã nguyên liệu dùng trong phát triển và mã mặt hàng trong sản xuất hàng loạt không khớp nhau thì sẽ không kết nối được. Yêu cầu về danh mục công thức gốc và quản lý lô của nhà máy hóa chất được giải thích trong bài viết về hệ thống quản lý sản xuất cho nhà máy hóa chất, còn cách chuẩn hóa mã mặt hàng được giải thích trong bài viết về quản lý dữ liệu chủ trong sản xuất.
• Dữ liệu chất lượng: Nếu đưa được các vấn đề chất lượng phát sinh trong sản xuất hàng loạt trở lại dữ liệu phát triển, lần phát triển sau sẽ tránh được cùng vấn đề. Về giám sát biến động công đoạn trong sản xuất hàng loạt, xin xem bài viết về AI phát hiện bất thường bằng SPC.
• Mua hàng và ERP: Giá và khả năng cung ứng nguyên liệu nằm trong ERP. Nếu đưa mức trần chi phí vào ràng buộc, hãy quyết định dùng đơn giá nguyên liệu tại thời điểm nào.

Nguyên tắc khi quyết định ranh giới là “từ phát triển đến sản xuất hàng loạt phải được kết nối bằng 4 khóa: mã nguyên liệu, số công thức, số thử nghiệm và số lô”.

Lưu ý khi triển khai tại nhà máy ở Thái Lan và ASEAN

Tại ASEAN cũng đã xuất hiện các trường hợp áp dụng và hợp tác giữa doanh nghiệp và đại học

Tại Thái Lan, trường hợp SCG Chemicals đưa vào nền tảng R&D của Uncountable đã được công bố. Thành quả trên nghiên cứu điển hình của Uncountable là “giảm 45% DOE (thiết kế thí nghiệm)”, “tăng tốc R&D 10 đến 20%”, “ROI tối đa 3 lần” và “giảm 50% thời gian ánh xạ dữ liệu từ nhiều nguồn”, và trưởng nhóm Polymer Simulation của công ty này nhận xét rằng “trước Uncountable, chúng tôi không thể phát triển mô hình phù hợp cho công thức polymer”. Không có ghi chép về thời điểm đưa vào, và trên một trang khác của Uncountable, cách diễn đạt lại khác là “tăng 20% đầu ra R&D, giảm 45% khối lượng công việc DOE”. Tất cả đều là công bố của doanh nghiệp cung cấp công cụ.

Về hợp tác giữa doanh nghiệp và đại học, Hitachi đã công bố bằng thông cáo tiếng Anh ngày 30/6/2025 rằng Hitachi High-Tech (Thailand) đã ký thỏa thuận hợp tác với Trường Dầu khí và Hóa dầu (PPC) thuộc Đại học Chulalongkorn. Mục tiêu là dùng kiến thức về tin học, lấy MI làm trung tâm, để nâng cao giáo dục và nghiên cứu, hướng tới đào tạo khoa học dữ liệu, ứng dụng kết quả nghiên cứu vào thực tế xã hội và tăng cường hợp tác giữa doanh nghiệp và đại học (đây là công bố về các hoạt động trong tương lai, không ghi thời hạn hay số tiền). Ngoài ra, Hitachi High-Tech cho biết sẽ hỗ trợ việc ứng dụng MI tại các cơ sở ở nước ngoài của NOF Metal Coatings trong thời gian tới (dự kiến).

Ưu đãi của BOI cho nghiên cứu và phát triển (nội dung trong bản hướng dẫn năm 2022)

Trong “A Guide to The Board of Investment 2022” của Ủy ban Đầu tư Thái Lan (BOI), nhóm hoạt động “7.11 Research and development” được xếp vào A1 (miễn thuế thu nhập doanh nghiệp 8 năm, không giới hạn mức trần), và định nghĩa nghiên cứu ứng dụng ghi rõ “formula development (phát triển công thức phối trộn)”, thiết kế sản phẩm và thiết kế quy trình sản xuất. Các điều kiện được nêu bao gồm chi phí nhân sự R&D từ 1,500,000 baht trở lên mỗi năm (tuyển mới), hoặc đầu tư thiết bị từ 1,000,000 baht trở lên (không tính đất và vốn lưu động), và nếu đăng ký ưu đãi dựa trên thành tích (merit-based) thì thời gian miễn thuế thu nhập doanh nghiệp tối đa 13 năm, nếu đặt tại khu khoa học công nghệ do BOI thúc đẩy thì được giảm 50% thuế doanh nghiệp trong 5 năm sau khi hết thời gian miễn thuế. Mục “8.1.3 Advanced Material Technology Development” trong cùng bản hướng dẫn thuộc Section 8 (miễn thuế thu nhập doanh nghiệp 10 năm, không giới hạn mức trần), với điều kiện chuyển giao công nghệ cùng cơ sở giáo dục hoặc viện nghiên cứu được BOI phê duyệt.

Ngày 30/6/2021, BOI cũng đã phê duyệt việc tăng cường ưu đãi cho R&D và phát triển nguồn nhân lực, theo đó các dự án đầu tư hoặc chi tiêu cho R&D ít nhất 200,000,000 baht, hoặc 1% tổng doanh thu trong 3 năm đầu, có thể được hưởng ưu đãi thuế dài hơn (tối đa 13 năm).

Đây là nội dung trong bản hướng dẫn năm 2022 và công bố năm 2021. Có thể đã được sửa đổi sau đó, nên nếu có ý định đăng ký, nhất định phải xác nhận điều kiện hiện hành qua thông báo mới nhất và quầy tiếp nhận của BOI. Thông tin này không có nghĩa bản thân việc đưa vào AI tối ưu hóa công thức phối trộn là đối tượng ưu đãi, mà chỉ cho biết có nhóm hoạt động R&D bao gồm phát triển công thức phối trộn. Cách tiến hành phát triển AI tại Thái Lan nói chung cũng được đề cập trong bài viết về cách bắt đầu phát triển AI tại Thái Lan.

Mang dữ liệu ra ngoài và bảo mật

Dữ liệu công thức là một trong những bí mật quan trọng nhất đối với nhà sản xuất vật liệu. Khi dùng nền tảng MI dạng đám mây, hãy kiểm tra dữ liệu được lưu trên máy chủ ở quốc gia nào, nhà cung cấp có dùng dữ liệu của doanh nghiệp để cải thiện mô hình hay không, và khi kết thúc hợp đồng có thể lấy dữ liệu và mô hình ra ở định dạng nào. Khi chia sẻ dữ liệu với phòng nghiên cứu của trụ sở tại Nhật Bản, hãy quyết định trước cùng bộ phận an ninh thông tin của trụ sở xem dữ liệu công thức nào đặt ở phía Thái Lan, dữ liệu nào đặt ở phía Nhật Bản, và ai có quyền truy cập.

Phân vai với phòng nghiên cứu của trụ sở tại Nhật Bản

Khi triển khai AI tối ưu hóa công thức phối trộn tại cơ sở Thái Lan, quyết định trước cách phân vai với phòng nghiên cứu của trụ sở tại Nhật Bản sẽ giảm nhầm lẫn. Ví dụ, cách phân chia là phát triển công thức cơ bản mới và phát triển phương pháp do trụ sở đảm nhận, còn cải tiến công thức theo yêu cầu khách hàng và nội địa hóa nguyên liệu do cơ sở tại chỗ đảm nhận. Vì dữ liệu về mã hàng nguyên liệu địa phương và chênh lệch giữa các lô chỉ có ở tại chỗ, điều quan trọng là xây dựng cơ chế để bộ phận phát triển tại chỗ có thể đảm nhận việc đăng ký dữ liệu và phê duyệt.

Tính toán mô hình chi phí và hiệu quả (số giả định)

Từ đây là phép tính mô hình để trình bày “cấu trúc” của việc tính toán. Các con số dưới đây đều là số giả định đặt ra riêng cho bài viết này. Đó không phải là mức trung bình ngành, không phải số liệu của công ty khảo sát, không phải giá của nhà cung cấp, cũng không phải kết quả của bài báo khoa học. Hãy thay bằng số liệu của doanh nghiệp mình khi sử dụng.

Tiền đề của nhà máy mô hình

Giả định bộ phận phát triển kỹ thuật tại 1 cơ sở của một nhà sản xuất sơn và keo dán vốn Nhật tại Thái Lan. Đơn vị tiền tệ là baht Thái (THB).

Kịch bản chính (tỷ lệ giảm 30%)

Viết dưới dạng công thức tổng quát như sau.

Hiệu quả ròng hằng năm = 2,880,000 × r − 660,000

2,880,000 là chi phí thử nghiệm hằng năm theo cách cũ (15 × 24 × 8,000), 660,000 là tổng giờ công tăng thêm và chi phí vận hành hằng năm (60,000 + 600,000).

Kết quả thay đổi thế nào khi tỷ lệ giảm thay đổi

Chỉ thay đổi tỷ lệ giảm r.

Tỷ lệ giảm khiến hiệu quả ròng hằng năm bằng 0 được tính từ 2,880,000 × r = 660,000, ra r ≈ 22.9%. Với tiền đề giả định này, nếu mức giảm số lần thử nghiệm dưới khoảng 23%, riêng phần giảm chi phí thử nghiệm thậm chí không bù được chi phí hằng năm. Chưa nói đến thu hồi chi phí ban đầu, chi phí vận hành và giờ công tăng thêm mỗi năm đã vượt quá phần chi phí thử nghiệm giảm được. Ngược lại, nếu tỷ lệ giảm là 50% thì hoàn vốn trong chưa đầy 1 năm. Kết quả phụ thuộc mạnh vào tỷ lệ giảm, và bộ phận càng ít dự án thì càng khó khăn (vì chi phí vận hành hằng năm được giả định cố định, không phụ thuộc số dự án).

Tách riêng phần giảm tiền mặt và phần giảm giờ công

Trong 8,000 THB cho 1 lần thử nghiệm, 6,000 THB nguyên liệu và thử nghiệm đánh giá là chi tiêu bằng tiền mặt, nhưng 2,000 THB giờ công kỹ sư sẽ không trở thành phần giảm tiền mặt trừ khi thời gian tiết kiệm được chuyển sang các công việc phát triển khác. Trong 864,000 THB chi phí thử nghiệm giảm được ở kịch bản chính, phần giảm tiền mặt là 648,000 THB (108 × 6,000), phần giảm giờ công là 216,000 THB (108 × 2,000). Nếu chỉ xét phần giảm tiền mặt, con số chỉ vượt nhẹ chi phí vận hành hằng năm 600,000 THB. Việc có thể chuyển thời gian tiết kiệm được của kỹ sư sang dự án phát triển tiếp theo hay việc phục vụ khách hàng hay không sẽ làm thay đổi lớn ý nghĩa của khoản đầu tư.

Những gì chưa đưa vào phép tính này

Các hiệu quả sau khó ước tính nên chưa được quy ra tiền.

• Đơn hàng hoặc đưa sản phẩm ra thị trường sớm hơn nhờ rút ngắn thời gian phát triển
• Giảm giá thành sản xuất hàng loạt khi tìm được công thức có cơ cấu nguyên liệu rẻ hơn
• Hiệu quả của việc hoàn tất thay thế chất bị quản lý trong thời hạn
• Hiệu quả của việc tri thức của người lâu năm được lưu lại thành dữ liệu

Hãy đánh giá các hiệu quả này tách riêng khỏi phần giảm chi phí thử nghiệm. Không hiệu quả nào trong số đó có thể cam kết trước bằng số tiền.

Điều rút ra từ phép tính

Không được đưa nguyên các khẳng định của nhà cung cấp hay con số trong bài báo vào tỷ lệ giảm r. Như đã nêu, các tỷ lệ giảm được công bố là giá trị với một hệ vật liệu cụ thể, một đề tài cụ thể và một đối tượng so sánh cụ thể, không có gì bảo đảm sẽ áp dụng được cho doanh nghiệp của bạn. Quyết định đầu tư nên được đưa ra sau khi đã đo tỷ lệ giảm bằng kiểm chứng hồi cứu trên các dự án cũ của doanh nghiệp và bằng PoC, đó là cách làm hợp lý.

Với bộ phận có ít dự án, cũng có lựa chọn không bắt đầu từ sản phẩm theo giấy phép, mà trước tiên bắt đầu từ cấu trúc hóa dữ liệu thí nghiệm và thiết kế thí nghiệm (DOE), rồi khi số dự án tăng lên mới cân nhắc sản phẩm theo giấy phép. Việc cấu trúc hóa dữ liệu dù chọn phương thức nào cũng không lãng phí.

Các mục cần ghi trong RFP cho AI tối ưu hóa công thức phối trộn

Khi viết RFP (hồ sơ yêu cầu đề xuất) để chọn sản phẩm hoặc thuê ngoài phát triển, hãy đưa vào các mục sau.

Những gì cần xác nhận trong PoC: 5 trường hợp cố ý thử

Trong PoC, không chỉ xác nhận xem dữ liệu sạch có cho dự đoán tốt hay không, mà còn xác nhận khi đưa vào các điều kiện “hiểm hóc”, AI có tránh đề xuất bất hợp lý, trình bày trung thực độ bất định và yêu cầu con người phán đoán hay không.

Các trường hợp cố ý thử

1. Tái hiện hồi cứu dự án cũ: Đưa dữ liệu của một dự án phát triển đã hoàn tất, chỉ đến giữa chừng theo trình tự thời gian, và tái hiện xem AI có đạt được công thức cùng mức với số lần thử nghiệm ít hơn thực tế hay không. Tỷ lệ giảm đo được ở đây là căn cứ đầu tiên để thay thế r trong phép tính mô hình.
2. Có đề xuất vi phạm ràng buộc hay không: Sau khi thiết lập các ràng buộc giới hạn trên dưới, tổng 100%, chất cấm, xác nhận xem không có một đề xuất nào vi phạm ràng buộc. Cố ý đưa nguyên liệu có chứa chất cấm vào danh sách ứng viên sẽ giúp dễ xác nhận.
3. Hiển thị độ bất định ở vùng ngoại suy: Khi đặt mục tiêu là điều kiện nằm xa ngoài phạm vi dữ liệu quá khứ, xác nhận xem AI không chỉ đưa ra giá trị dự đoán mà còn thể hiện độ bất định lớn hoặc đưa ra cảnh báo hay không.
4. Chuyển đổi mã hàng nguyên liệu: Khi chuyển một nguyên liệu sang sản phẩm tương đương của nhà sản xuất khác, xác nhận cách AI xử lý mã hàng mới có ít dữ liệu, và có thể tận dụng dữ liệu hiện có đến mức nào.
5. Dao động của kết quả đánh giá: Đưa vào các giá trị đo lặp lại của cùng một công thức, xác nhận xem AI có nhầm dao động đo lường với hiệu ứng của công thức hay không.

KPI cần đo

• Số lần thử nghiệm và thời gian đến khi đạt mục tiêu (so sánh với cách làm cũ)
• Sai số dự đoán (chênh lệch giữa giá trị dự đoán và giá trị đo thực tế)
• Tỷ lệ chấp nhận đề xuất (tỷ lệ đề xuất được kỹ sư phê duyệt và phân loại lý do bác bỏ)
• Thời gian cần cho đăng ký dữ liệu (đo thực tế giờ công tăng thêm)

Ngay cả khi kết quả PoC cho thấy tỷ lệ giảm không đạt mức hòa vốn, việc cấu trúc hóa dữ liệu và sắp xếp ràng buộc vẫn còn lại như nền tảng cho các nỗ lực tiếp theo. Để có thể đánh giá kết quả một cách trung thực, hãy quyết định tiêu chí thành công bằng văn bản trước khi tiến hành PoC.

Câu hỏi thường gặp

Tin học vật liệu (Materials Informatics) là gì?

Đó là hoạt động tập trung hóa và cấu trúc hóa dữ liệu vật liệu, dùng phân tích dữ liệu và học máy để tăng tốc phát triển vật liệu (theo định nghĩa của công ty Uncountable). Trong lĩnh vực công thức phối trộn, cách dùng tiêu biểu là dự đoán tính chất từ dữ liệu tỷ lệ phối trộn và tính chất trong quá khứ, rồi đề xuất công thức nên thử tiếp theo bằng tối ưu hóa Bayes hoặc phương pháp tương tự. Việc cấu trúc hóa dữ liệu và định nghĩa mục tiêu, ràng buộc cần được làm trước cả thuật toán.

AI tối ưu hóa công thức phối trộn cần bao nhiêu dữ liệu?

Không có tiêu chuẩn chung. Điều này thay đổi theo số biến, mức dao động của tính chất, và mục tiêu nằm trong hay ngoài phạm vi dữ liệu quá khứ. Tài liệu của Citrine cho rằng trong lĩnh vực hóa học, chi phí tạo và thử nghiệm 1 mẫu lớn nên bộ dữ liệu thường nhỏ, và nhấn mạnh sự cần thiết của các phương pháp lấy dữ liệu ít làm tiền đề (theo khẳng định của nhà cung cấp). Với đề tài có ít dữ liệu quá khứ, cách tiến hành bắt đầu từ thí nghiệm ban đầu theo kiểu DOE rồi tăng dần dữ liệu một cách tuần tự cũng đã được các nhà cung cấp trình bày. Trước tiên, hãy đo “tỷ lệ dùng được” của dữ liệu quá khứ cho đề tài mục tiêu.

Tối ưu hóa Bayes khác thiết kế thí nghiệm như thế nào?

Thiết kế thí nghiệm (DOE) là phương pháp quyết định trước tổ hợp các thí nghiệm và thực hiện cùng một lúc. Tối ưu hóa Bayes là phương pháp tuần tự, vừa xem kết quả vừa cập nhật mô hình, và đề xuất từng điều kiện một (hoặc vài điều kiện một lần) mà nếu thử tiếp sẽ thu được nhiều nhất. Hai phương pháp không đối lập nhau, và cách kết hợp sắp xếp thí nghiệm ban đầu theo kiểu DOE rồi sau đó tiến hành bằng tối ưu hóa Bayes cũng được trình bày trong tài liệu của Citrine nêu trên (theo khẳng định của nhà cung cấp).

Chi phí của AI tối ưu hóa công thức phối trộn là bao nhiêu?

Trên các trang chính thức của những nền tảng MI thương mại chủ yếu mà khảo sát của bài viết này đã xác nhận, không có giá được hiển thị. Chi phí theo báo giá riêng. Về cấu trúc chi phí, nếu lấy báo giá tách riêng chi phí ban đầu (cấu trúc hóa dữ liệu quá khứ, định nghĩa mục tiêu và ràng buộc, PoC) và chi phí hằng năm (giấy phép hoặc đám mây, bảo trì, hỗ trợ bên ngoài), rồi tính hiệu quả ròng theo từng tỷ lệ giảm như phép tính mô hình trong bài viết này, việc so sánh sẽ dễ hơn.

Có thể bắt đầu khi dữ liệu quá khứ ít không?

Có thể bắt đầu. Tuy nhiên, tiền đề không phải là xây mô hình chỉ bằng dữ liệu quá khứ, mà là vừa tạo dữ liệu bằng thí nghiệm ban đầu vừa tiến hành. Ngoài ra, ngay cả khi có nhiều dữ liệu quá khứ, những bản ghi không rõ điều kiện đánh giá hay lô có khi không dùng được. Ngược lại, cũng đã có báo cáo về trường hợp bổ sung quá nhiều tri thức hay dữ liệu khiến tối ưu hóa tệ đi, nên an toàn hơn là bắt đầu từ đề tài nhỏ đã thu hẹp số biến.

Có thể thử nghiệm nguyên đề xuất của AI thiết kế công thức không?

Hãy tránh thử nghiệm nguyên như vậy. AI không hiểu hết mọi ràng buộc về an toàn, quy định và thiết bị. Công thức được đề xuất cần được kỹ sư kiểm tra trên các góc độ an toàn, quy định, thiết bị, chi phí và tính hợp lý về mặt hóa học, phê duyệt rồi mới thử nghiệm. Ghi lại lý do phê duyệt và bác bỏ sẽ trở thành căn cứ để nâng cao chất lượng đề xuất tiếp theo.

Tổng kết

Nếu bắt đầu AI tối ưu hóa công thức phối trộn từ việc so sánh thuật toán, rất có thể sẽ dẫn đến kết quả là có đề xuất nhưng không đi đến được công thức dùng được. Trước tiên, thu hẹp đề tài theo 4 điều kiện (đo được bằng số, thử nghiệm tốn kém, số biến khoảng 10, đánh giá ổn định), rồi định nghĩa biến mục tiêu và khoảng cho phép, giới hạn trên dưới của nguyên liệu, tổng 100%, chất bị quản lý, mức trần chi phí và ràng buộc thiết bị. Chuẩn hóa dữ liệu thử nghiệm quá khứ theo tỷ lệ phối trộn, lô nguyên liệu, điều kiện công đoạn, điều kiện đánh giá, kết quả và lý do thất bại, rồi đo tỷ lệ dùng được. Sau đó, đặt bước phê duyệt của kỹ sư giữa đề xuất của AI và việc thử nghiệm, quyết định số ngày cho 1 vòng lặp và tiêu chí dừng. Quyết định theo thứ tự này sẽ giúp làm rõ nên mua gì và doanh nghiệp phải tự quyết định điều gì.

Các tỷ lệ giảm được công bố là giá trị với một hệ vật liệu cụ thể, một đề tài cụ thể và một đối tượng so sánh cụ thể. Trong phép tính mô hình (giả định), nếu chỉ xét phần giảm chi phí thử nghiệm, việc hoàn vốn phụ thuộc mạnh vào tỷ lệ giảm và số dự án, và khi tỷ lệ giảm dưới khoảng 23% thì thậm chí không bù được chi phí hằng năm. Chính vì vậy, hãy đưa ra quyết định đầu tư sau khi đã đo tỷ lệ giảm bằng kiểm chứng hồi cứu trên các dự án cũ của doanh nghiệp và bằng PoC, đồng thời đánh giá tách riêng việc rút ngắn thời gian phát triển và giảm giá thành. Khi số dự án còn ít, cũng có con đường bắt đầu từ cấu trúc hóa dữ liệu và DOE.

TOMAS TECH hỗ trợ chuẩn bị dữ liệu, ứng dụng AI và kết nối với các hệ thống hiện có, phù hợp với nghiệp vụ của các nhà máy tại Thái Lan. Chúng tôi có thể tư vấn ngay cả ở giai đoạn chưa quyết định sản phẩm hay phương thức, ví dụ như giai đoạn thu hẹp đề tài mục tiêu hoặc kiểm kê dữ liệu thử nghiệm cũ. Vui lòng liên hệ qua biểu mẫu này.

Thông tin tham khảo

• Uncountable: Materials Informatics & the Future of Advanced Material Development
• Citrine Informatics: How to get started with AI in Paints and Coatings – and why you need to do that now (White Paper)
• Trang chính thức của BoTorch
• arXiv: Information Theoretic Bayesian Optimization over the Probability Simplex (arXiv:2603.09793)
• University of Cambridge Apollo: Optimization of Formulations Using Robotic Experiments Driven by Machine Learning DoE
• NIMS: MI2I (Materials Research by Information Integration Initiative)
• NIMS: Giới thiệu về DICE
• NEDO: Thông cáo báo chí (ngày 13/4/2020)
• Hitachi: Thông cáo báo chí (ngày 28/6/2021)
• Hitachi High-Tech: Hitachi High-Tech và NOF Metal Coatings nâng cao hiệu quả và trình độ công việc nghiên cứu và phát triển nhờ ứng dụng tin học vật liệu (ngày 19/8/2025)
• Sika AG: Investor and Media Conference – Fast Forward (ngày 27/11/2025)
• Albert Invent: Advanced Polymer Coatings (APC) Collaborates with Albert Invent (ngày 23/6/2026)
• Trang chính thức của Citrine Informatics
• GitHub: meta-pytorch/botorch
• Trang chính thức của Ax
• Trang chính thức của Optuna
• GitHub: optuna/optuna
• GitHub: SheffieldML/GPyOpt
• GitHub: scikit-optimize/scikit-optimize
• Trang chính thức của Polymerize
• arXiv: When Less is More: A Story of Failing Bayesian Optimization Due to Additional Expert Knowledge (arXiv:2511.16230)
• Uncountable: SCG Chemicals Accelerates Research & Development by 20% with Uncountable
• Hitachi: Thông cáo báo chí (ngày 30/6/2025)
• Thailand BOI: A Guide to The Board of Investment 2022 Section 5
• Thailand BOI: Press Release No. 63/2564 (O.19) Enhanced Incentives to Promote R&D and HRD (ngày 30/6/2021)