CLOUD: מודל בסיסי מדרגי ומודע לפיזיקה ללמידת ייצוגים של גבישים

מדוע חשוב ללמוד מגבישים

אנחנו חיים בעולם שנבנה ממבנים גבישיים: השבבים בטלפונים שלנו, הסוללות ברכבים חשמליים והקטליזטורים שמנקים פליטות תלויים באופן שבו האטומים מסתדרים בתבניות חוזרות. הידע כיצד מבנה גבישי משפיע על ההתנהגות שלו הוא מפתח להמצאת חומרים טובים יותר, אך חישוב התכונות הללו בעזרת סימולציות פיזיקליות מסורתיות או ניסויים במעבדה הוא איטי ויקר. מאמר זה מציג גישה חדשה בבינה מלאכותית, בשם CLOUD, שלומדת ממיליוני גבישים ידועים ומעקרונות פיזיקליים בסיסיים כדי לחזות במהירות כיצד חומרים גבישיים חדשים יתנהגו.

הפיכת מבני גביש למחרוזות פשוטות

אתגר מרכזי בלימוד מחשבים על גבישים הוא כיצד לתאר תבנית אטומית תלת‑ממדית בצורה שנוחה ויעילה לעיבוד על ידי מודל. במקום להזין קורדינטות אטומיות מלאות, המחברים מייצרים תיאור קומפקטי שנקרא SCOPE. הוא לוכד שלושה מרכיבים חיוניים: הסימטריה הכללית של הגביש, קבוצות החזריות של אתרי אטומים שווים, ואילו יסודות יושבים היכן, כולל כמויות יחסיות. כל זאת מבוטא כמחרוזת קצרה, חפצית־קורדינטות. מחרוזת זו שומרת את המידע המבני החשוב ביותר תוך כדי שהיא זולה לאחסון וקלה לקריאה על ידי מודל בסגנון שפה.

מודל שפה לחומרים

בהתבסס על SCOPE, המחברים יוצרים את CLOUD, מודל יסוד מבוסס טראנספורמר בהשראת אלה שמשמשים לשפה טבעית. במקום ללמוד ממשפטים באינטרנט, CLOUD מאומן על מחרוזות SCOPE של יותר משישה מיליון גבישים שנאספו ממאגרי נתונים ציבוריים. במהלך האימון המוקדם המודל נחשף שוב ושוב למחרוזות חלקיות עם כמה טוקנים מוסתרים ולומד לנחש את החלקים החסרים, מה שמכריח אותו להפנים דפוסים שמקשרים בין סימטריה, סידור אתרים והרכב. לאחר מכן מוספת שכבת חיזוי פשוטה והמודל מתוייק (fine‑tuned) על מאגרי נתונים מסומנים קטנים יותר כדי לחזות תכונות ספציפיות כמו אנרגיית יצירה, מרווח פס (band gap), קשיחות מכנית ותשובת דיאלקטריות.

מדויק, מדרגי ורחב יישום

כאשר נבדק על קריטריונים סטנדרטיים לחומרים, CLOUD משווה או עולה על ביצועים של מודלים רבים קיימים בלמידת מכונה, כולל אלו שמסתמכים על קורדינטות אטומיות מלאות. הוא חזק במיוחד כאשר הנתונים דלים או כאשר הגבישים במבחן שונים מאלו שנראו במהלך האימון — מצב נפוץ בגילוי חומרים ממשי. המודל גם מתפקד היטב על מבנים מורכבים או "לא שגרתיים" הכוללים חסרונות, תאים יחידה גדולים או שכבות מממד נמוך. ניתוח תשומת הלב הפנימית של המודל מראה שהוא מתמקד באופן טבעי בטוקני הסימטריה ב‑SCOPE, מה שמאשר שהוא למד להשתמש ברמזים בעלי משמעות פיזיקלית. המחברים גם בוחנים כיצד הביצועים משתפרים כשמגדילים הן את גודל המודל והן את נתוני האימון ומוצאים ש‑CLOUD מציית לחוקי מדרג צפויים, מה שמרמז כי ניתן לבנות גרסאות גדולות ומסוגלות יותר בעתיד.

שילוב בינה מלאכותית עם פיזיקה בסיסית

העבודה חורגת מזיהוי דפוסים טהור על ידי הטמעת מודל פיזיקה קלאסי ישירות בתהליך הלמידה. רבות מהתכונות החשובות, כגון קיבול חום ואנרגיה פנימית, תלויות בתנודות ארוכות טווח של אטומים בגביש ומשתנות עם הטמפרטורה. במקום לבקש מהבינה המלאכותית להוציא ערכים אלו ישירות בטמפרטורה אחת, המחברים מפתחים את CLOUD‑DEBYE: CLOUD מאומן לחזות כמות בינונית שנקראת טמפרטורת דבי, שמאפיינת כיצד הגביש רוטט, וחיזוי זה מוזן לנוסחת דבי סטנדרטית שמספקת קיבול חום ואנרגיה כפונקציה של הטמפרטורה. מאחר שנוסחאות דבי מיושמות באופן שמאפשר מעבר גרדיאנטים דרכן, כל הצנרת ניתנת לאימון מקצה לקצה באמצעות נתוני קיבול חום בטמפרטורה אחת בלבד.

מה המשמעות למצוא חומרים חדשים

CLOUD‑DEBYE לא רק עוקף רשתות עצביות מתקדמות מבוססות גרפים בחיזוי תכונות הקשורות לתנודה, אלא גם מייצר תוצאות שעומדות בחוקי התרמודינמיקה על פני טווח טמפרטורות רחב, אפילו עבור חומרים וטמפרטורות שמעולם לא נראו באימון. זה מראה ששילוב למידה מבוססת נתונים בקנה מידה גדול עם פיזיקה מבוססת היטיב יכול להניב מודלים שהם גם מדויקים וגם אמינים. במונחים מעשיים, מסגרת CLOUD מאפשרת סינון מהיר של מספרים עצומים של גבישים היפותטיים, הערכת רבות מתכונותיהם וביצוע זאת באופן שמכבד מגבלות פיזיקליות בסיסיות. זה פותח נתיב לגילוי ועיצוב מהירים ואמינים יותר של חומרים גבישיים שיתמכו באלקטרוניקה העתידית, בטכנולוגיות אנרגיה וביישומים מבניים.

ציטוט: Xu, C., Zhu, S. & Viswanathan, V. CLOUD: A Scalable and Physics-Informed Foundation Model for Crystal Representation Learning. Nat Commun 17, 4074 (2026). https://doi.org/10.1038/s41467-026-70467-3

מילות מפתח: למידת מכונה לגבישים, גילוי חומרים, מודלים בסיסיים, ייצוגים מודעים סימטריה, בינה מלאכותית מודעת פיזיקה