גילוי מואץ של פרובסקיטים סופרטרטרגונליים עם פולריזציה ענקית באמצעות למידת מכונה

למה החיפוש הזה אחרי גבישים חדשים חשוב

משבבי זיכרון מהירים יותר, תאים סולאריים יעילים יותר וחיישנים שמרגישים את המגע העדין ביותר — טכנולוגיות רבות עולות על חומר מיוחד הנקרא פרו‑אלקטרי, שנושא פולריזציה חשמלית פנימית. ככל שהיישום הפנימי הזה חזק ויציב יותר, כך המכשירים הופכים רבי‑עוצמה וגמישים יותר. המחקר הזה מראה כיצד שילוב של למידת מכונה עם סימולציות קוונטיות יכול לחשוף במהירות גבישים פרו‑אלקטריים חדשים עם פולריזציה יוצאת דופן, שנשמרו עד כה בלא גילוי, ובכך לקצר שנים של ניסוי וטעייה במעבדה לחיפוש דיגיטלי מונחה.

מתיחת הגביש להעצמת הכוח החשמלי

הרבה מהפרו‑אלקטריים הטובים ביותר חולקים מסגרת גבישית נפוצה הידועה כמבנה פרובסקיט, שבו האטומים יושבים בפינות, במרכז ובפאות של קובייה חוזרת. כאשר קובייה זו נמתחת כך שהגובה שלה גדול בהרבה מהרוחב, המבנה הופך ל"סופרטרטרגונלי" והפולריזציה הפנימית שלו עלולה לגדול באופן דרמטי. לצערנו, צורות קיצוניות כאלה קשה בדרך כלל לייצב ולעתים דורשות תנאי גידול של שכבות דקות מיוחדות, לחץ גבוה או פגמים. המחברים שאפו למצוא פרובסקיטים חדשים שמקבלים טבעי את הצורה הממתחת הזו בעודם יציבים בטמפרטורת חלל רגילה, מה שהופך אותם לשימושיים הרבה יותר במכשירים אמיתיים.

לימוד המחשב לזהות מתכונים מבטיחים

במקום לבדוק אלפי מתכוני כימיה אפשריים אחד‑אחד, הצוות אימן מודל למידת מכונה לזהות אילו שילובי יסודות צפויים לייצר גביש שנמתח בחוזקה. הם התחילו מ‑95 פרובסקיטים ידועים ותיארו כל אחד בעזרת סט קומפקטי של עשר תכונות בסיסיות, כגון עד כמה אטומים שונים מושכים אלקטרונים, מה גודל היונים, ומדדים גאומטריים פשוטים שמתארים עד כמה יחידות הבנייה מתאימות זו לזו. המשימה של המודל הייתה לחזות האם יחס הגובה‑לרוחב של חומר נתון חוצה סף מרכזי שמצביע על מצב סופרטרטרגונלי. לאחר השוואת כמה אלגוריתמים, הם מצאו ששיטת Extra Trees classifier הצליחה להבדיל באופן מושלם בין מבנים ממותחים לנורמליים בנתוני הבדיקה שלהם, מה שנתן להם ביטחון להחיל אותה על מאגר גדול בהרבה של מועמדים.

כסצרת אלפי מועמדים למעטים נבחרים

עם המסנן הדיגיטלי הזה, החוקרים חקרו מרחב עיצוב של 2,021 פרובסקיטים אפשריים שבנו מבחירות שונות של יונים חיוביים ושליליים. מודל למידת המכונה סמן תחילה 130 מהם כסבירים להיות בנויים במתיחה חזקה. הצוות יישם אז כללי יציבות מבניים פשוטים נוספים, המבוססים על גבולות ידועים ליציבות גאומטרית, כדי לסנן גבישים שסביר שיקרוסו או יתעוותו לצורות אחרות. שלב זה צמצם את הרשימה ל‑56 פרובסקיטים חמצניים חדשים עם צורות מבטיחות. עבור אלה נערכו סימולציות קוונטיות מפורטות לאישור מבני הגביש, לבחינת סידורי המגנטיות השונים כאשר רלוונטי, ולחישוב הזזת האטומים בזמן שהחומר מקבל פולריזציה — מרכיב מרכזי לאמידת התגובה החשמלית.

שמונה חומרים בולטים ומה מייחד אותם

צינור הסינון המשותף והסימולציות הוביל בסופו של דבר לשמונה אוקסידים פרובסקיטיים במיוחד מבטיחים, שרובם לא תוארו בעבר בצורה זו. כולם מציגים ערכי פולריזציה ספונטנית מאוד גבוהים, המשווים או עולים על אלה של פרו‑אלקטריים ידועים, ובכל זאת הם צפויים להיות יציבים בטמפרטורת החדר ללא תהליכי עיבוד אקזוטיים. שני תרכובות, המבוססות על שילובי סטרונציום–עופרת ואירופיום–בד, בולטות מאחר שהמרווחים בנד‑בנד שלהן נמצאים בקרבת הטווח האידיאלי להמרת אור לחשמל, מה שמעיד שהן עשויות לשמש כתשתית לתאים סולאריים פרו‑אלקטריים יעילים. שתי תרכובות אחרות, הכוללות בד‑ברזל וסידן‑טנטלום, צפויות להיות גם פולריות חשמלית וגם מתכתיות בו‑זמנית — שילוב נדיר שיכול לפתוח דלתות באלקטרוניקה מבוססת ספין ובטכנולוגיות מוליכות על. באמצעות ניתוח כיצד תיאורים פשוטים כמו גודל היונים ואלקטרושליליות מתואמים עם מתיחת הגביש והפולריזציה, המחברים גם מזקים כללי עיצוב מעשיים לבחירת שילובי יסודות הנוטים לייצר פרו‑אלקטריים רבי עוצמה.

מה זה אומר לעיצוב חומרים עתידי

בעיקרו של דבר, עבודה זו מראה שמודל למידת מכונה מאומן בקפידה, מונחה על‑ידי אינטואיציה כימית בסיסית ונבדק באמצעות חישובים קוונטיים מדוקדקים, יכול לנווט ביעילות בנוף העצום של הרכבי פרובסקיט אפשריים. שמונת הגבישים המודגשים אינם סתם סקרנות תיאורטית: הם צפויים להיות יציבים מבנית וכימית, פולריים בעוצמה, ובמקרים מסוימים מתואמים היטב לשימושים פוטו־וולטאיים או אלקטרוניים. לא פחות חשוב, המחקר מבהיר אילו תכונות יסודיות של יסודות נוטות להפיק מבנים ממתחים וחזקים פולריזציה, והופך את החיפוש אחרי פרו‑אלקטריים מתקדמים למאמץ יותר צפוי ומבוסס‑כללים. גישה זו עשויה להאיץ את גילוים של חומרים פונקציונליים רבים אחרים, ולעזור להפוך נתונים ואלגוריתמים להתקדמות ממשית בתחום האלקטרוניקה והאנרגיה.

ציטוט: Hu, W., Wu, Z., Li, M. et al. Accelerated discovery of supertetragonal perovskites with giant polarization via machine learning. npj Comput Mater 12, 103 (2026). https://doi.org/10.1038/s41524-026-01970-w

מילות מפתח: פרובסקיטים פרו‑אלקטריים, גילוי חומרים עם למידת מכונה, אוקסידים סופרטרטרגונליים, מתכות פולריות, פוטווולטאיקה פרו‑אלקטרית