פיתוח זרימת עבודה מואצת בינה מלאכותית לגילוי מוליכי-על

מדוע חשוב למצוא מוליכי-על טובים יותר

מוליכי-על הם חומרים יוצאי דופן היכולים להעביר חשמל ללא התנגדות, כלומר ללא איבוד אנרגיה כחום. הם כבר מהווים את הלב של טכנולוגיות כמו מכשירי MRI ומאיצי חלקיקים, ויכולים יום אחד לאפשר רשתות חשמל יעילות במיוחד ורכבות מרחפות. אך גילוי של מוליכי-על חדשים היה איטי ויקר, מכיוון שלרוב נדרש עריכת ניסויים מעקביים או חישובים מכניים-קוונטיים כבדים לכל חומר מועמד. מאמר זה מתאר זרימת עבודה חדשה מבוססת בינה מלאכותית שמאיצה משמעותית את החיפוש וכבר הובילה לגילוי ואישור ניסיוני של שני חומרים מוליכי-על חדשים.

קיצור חכם בין מיליוני אפשרויות

המחברים ניסו לפתור צוואר בקבוק מרכזי בגילוי מוליכי-על: חישוב האינטראקציה בין אלקטרונים לרעידות במבנה הגביש, כמות שבדרך כלל דורשת כוח מחשוב עצום. במקום לבצע חישובים אלו מאפס עבור כל חומר, הם אימנו מערכת בינה מלאכותית חזקה בשם BEE-NET ללמוד התנהגות זו מתוך כ-7,000 דוגמאות מחושבות בקפידה. BEE-NET מקבלת מידע על סידור האטומים בגביש, ובגרסה אחת גם את ספקטרום הרעידות שלו, ואז חוזה "טביעת אצבע" מפורטת של האופן שבו האלקטרונים משתלבים עם הרעידות. מתוך טביעת אצבע זו המודל יכול להעריך את טמפרטורת המעבר — הנקודה שבה חומר הופך למוליך-על — בטעות ממוצעת של פחות ממעלה קלווין בהשוואה לחישובים קוונטיים מלאים.

להשאים לבינה לומר "לא" בביטחון

מאפיין חשוב בגישה זו הוא שה-AI אינו מאומן רק לנחש ישירות את טמפרטורת המעבר, אלא לשחזר את ספקטרום המלא של האינטראקציות אלקטרון–רעידה. תיאור עשיר יותר זה מאפשר למודל להתייחס לחומרים מוליכי-על ולא-מוליכי-על על בסיס שווה, ומתברר שהוא טוב מאוד בסינון מועמדים גרועים. במבחנים, BEE-NET זיהה נכונה לא-מוליכי-על (אלה עם טמפרטורות מעבר מתחת ל-5 קלווין) ביותר מ-99 אחוז מהמקרים. שיעור גבוה זה של "שליליים אמיתיים" קריטי בסינון מרחבי חומרים עצומים, כי הוא מונע בזבוז חישובים יקרים על חומרים שמסתבר כמעט בוודאות שאינם שימושיים.

ממיליוני מועמדים למספר מאות זוכים

מצוידים ב-AI זה, הצוות בנה צינור גילוי רב-שלבי מואץ באמצעות בינה מלאכותית. הם התחילו משני מקורות עיקריים: תרכובות מתכתיות ידועות המופיעות במאגרי חומרים מקוונים גדולים, ומעל מיליון חומרים היפותטיים חדשים שנוצרו על ידי החלפה שיטתית של יסודות כימיים בתוך מבני גביש ידועים. המועמדים הגולמיים עברו סדרת מסננים. מודלים אחרים של למידת מכונה בדקו במהירות האם חומר צפוי להיות מתכתי ויציב תרמודינמית. BEE-NET סיפק הערכה מהירה ראשונית של טמפרטורת המעבר המוליכת-על והסיר חומרים שחזו שהם מתחת ל-5 קלווין. רק השורדים נבחנו לאחר מכן באמצעות חישובים קוונטיים מפורטים יותר, כולל בדיקות יציבות המבוססות על רעידות הרשת. בסך הכל יותר מ-1.3 מיליון מבנים ראשוניים צומצמו ל-741 תרכובות מתכתיות שיציבותן הדינמית והתרמודינמית אושרו באופן מלא עם טמפרטורות מעבר מאושרות מעל 5 קלווין, כולל 69 עם ערכים חזויים מעל 20 קלווין.

מהפניות לחומרים ממשיים

כדי להדגים שהזרימה מספקת חומרים ממשיים ולא רק מספרים מבטיחים, החוקרים בחרו שני מועמדים אטרקטיביים במיוחד לבדיקות ניסיוניות. שניהם נגזרו ממוליך-על ידוע בטמפרטורות נמוכות, Be₂Nb₃, על ידי החלפה חלקית של היסוד ניוביום (Nb) בהפריום (Hf) במיקומים מסוימים במבנה הגביש. לאחר הסינתזה של התרכובות המוצעות Be₂Hf₂Nb ו-Be₂HfNb₂ במעבדה וניתוח קפדני של מבני הגביש שלהם, הצוות מדד את ההתנגדות החשמלית וקיבול החום בטמפרטורות נמוכות. שני החומרים הראו מאפייני מעבר מוליכי-על ברורים, מה שאישר את תחזיות ה-AI, אף על פי שטמפרטורות המעבר המדידות היו מעט נמוכות יותר מההערכות התיאורטיות האופטימיות ביותר בגלל אי-סדר מבני וזיהומים.

מה משמעות הדבר עבור חומרים עתידיים

המחקר מראה ששילוב של למידת מכונה מתקדמת עם חישובים קוונטיים וניסויים ממוקדים יכול להפוך את גילוי מוליכי-על מתהליך של ניסיון וטעייה לחיפוש שיטתי. BEE-NET והזרימה המקיפה סביבו יכולים לסרוק מיליוני חומרים פוטנציאליים בזמן סביר, להדגיש את המעט מאות המבטיחות ביותר ולהנחות ניסיונאים לעבר תרכובות שמצטיינות ביציבות וסבירות למוליכיות-על. בעוד שהמודלים הנוכחיים מתמקדים בקבוצת מוליכי-על מסוימת ותחומי טמפרטורה מתונים, אותה אסטרטגיה ניתנת להרחבה לתנאי לחץ ומשפחות חומרים אחרות. בטווח הארוך, צינורות מונחי-AI כאלו עשויים לגלות מוליכי-על שפועלים בטמפרטורות גבוהות בהרבה ובצורות מעשיות יותר, ולפתוח דלת לרשתות חשמל יעילות יותר, אלקטרוניקה מהירה יותר וטכנולוגיות מגנטיות חדשות.

ציטוט: Gibson, J.B., Hire, A.C., Prakash, P. et al. Developing a complete AI-accelerated workflow for superconductor discovery. npj Comput Mater 12, 95 (2026). https://doi.org/10.1038/s41524-026-01964-8

מילות מפתח: מוליכי-על, למידת מכונה, גילוי חומרים, רשתות עצביות גרפיות, סינון בקצב גבוה