זרימת עבודה אוטומטית בסיוע פוטנציאל למידת מכונה המתאמן בעצמו לעיצוב חומרים מורכבים בעלת יעילות גבוהה

חיפושים חכמים יותר אחרי חומרים חדשים

עיצוב חומרים חדשים דומה במידה מסוימת לחיפוש מחט בערימה אינסופית של שחת. מטכנולוגיות סוללות טובות יותר ומחשבים מהירים יותר ועד לייזרים יעילים יותר ואפשרות למוליכי־על בטמפרטורת החדר — רבות מהטכנולוגיות העתידיות תלויות בגילוי הסידור האטומי המתאים בדיוק. מאמר זה מציע שיטה שמאפשרת לבינה מלאכותית לבצע את רוב החיפושים האלה באופן אוטומטי, ובכך מקצרת באופן דרמטי את הזמן והעלות הנדרשים לאיתור תרכובות מבטיחות.

מדוע פאזל החומרים כל כך קשה

תכונותיו של מוצק — עד כמה הוא מוליך חשמל, כמה הוא חזק, כיצד הוא מגיב לאור — נקבעות על ידי האופן שבו האטומים שלו מסודרים בתבניות תלת־ממדיות הנקראות מבנים גבישיים. באפן תיאורטי אפשר להשתמש במכניקה הקוונטית כדי לחשב אילו סידורים יציבים ומה יהיו תכונותיהם. במציאות, החישובים הקוונטיים הללו תובעניים כל כך עד שרק חלק זעום מכל החומרים האפשריים ניתן לבדיקה. האתגר גדל במהירות כאשר מעורבים יותר משני יסודות כימיים, שכן מספר השילובים וסידורי האטומים מתנפח, מה שהופך חיפוש עיוור לבלתי אפשרי.

להחליף את פיזיקת הקוונטים במודל לומד

כדי להתמודד עם הבעיה בנו המחברים מודל למידת מכונה היכול לחקות תוצאות של חישובים קוונטיים יקרים בעלות מזערית של עלות. המודל שלהם, שנקרא רשת עצבית מקושרת תשומת לב (ACNN), לומד כיצד האנרגיה של חומר תלויה במיקומי וסוגי האטומים שבו. לאחר אימון הוא מסוגל להעריך במהירות רבה האם מבנה גבישי מוצע צפוי להיות יציב או לא, ואילו כוחות פועלים על כל אטום. מהותי לכך הוא שהמודל מתוכנן לכבד דרישות פיזיקליות בסיסיות, כמו העובדה שהזזה או סיבוב של כל הגביש כולה לא צריכים לשנות את האנרגיה הכוללת.

לולאת גילוי חומרים שמשתפרת בעצמה

במקום לאמן את המודל פעם אחת ולקוות שיעבוד בכל מקום, המחברים עוטפים אותו בלולאה מתאמת־עצמה. התהליך מתחיל עם סט קטן של מבנים גבישיים אקראיים, מוערכים בעזרת חישובים קוונטיים מלאים ומשמשים לאימון ACNN ראשוני. לאחר מכן משתמשים במודל זה כדי להרגיע מיליוני מבנים ניסיוניים, ובמהירות למצוא מינימוםים מקומיים של אנרגיה — פאזות מועמדות יציבות או כמעט יציבות. רצף העבודה מסמן אוטומטית שני סוגי מבנים בעלי ערך מיוחד: אלה שנראים יציבים מאוד ואלו שנראים בלתי־פיזיקליים או חשודים. רק המקרים הנבחרים האלו נשלחים חזרה לפותר הקוונטי היקר, והתוצאות החדשות מוזנות חזרה למודל לאימון מחודש. לאורך סיבובים רבים המודל נעשה מדויק יותר ויותר באזורים של מרחב המבנים שחשובים ביותר.

בחינת השיטה במבחן

הקבוצה מדגימה את הגישה שלהם על שני מערכות תובעניות. הראשונה היא תערובת בלחץ גבוה של מגנזיום, סידן ומימן, משפחה של תרכובות בעלי עניין רב למוליכי־על בטמפרטורות גבוהות. בחקירת כמעט שישה מיליון מבנים ניסיוניים, זרימת העבודה שלהם חושפת פאזה יציבה חדשה, MgCa₃H₂₃, וכמה מבנים “כלוביים” עשירים במימן הקרובים לה. חישובים מציעים שחלקים מהם עשויים להיות מוליכי־על בטמפרטורות מעל נקודת רתיחה של חנקן נוזלי תחת לחץ קיצוני. המבחן השני מתמקד במערכת בעלת ארבעה יסודות המכילה בריליום, זרחן, חנקן וחמצן, שנבחרה בשל הפוטנציאל שלה לארח גבישים הממירים אור לייזר ביעילות לאורך גל תת־סגול עמוק. כאן השיטה מרגיעה יותר מתשע מיליוני מבנים ומזהה שלוש פאזות תרמודינמיות יציבות עם פערי באנדר מאוד רחבים ותכונות אופטיות מבטיחות.

מכוח גס לגילוי מכוון

בשתיהן, זרימת העבודה האוטומטית משיגה האצות של בערך עשרת אלפים פעמים בהשוואה לשימוש בחישובים קוונטיים בלבד, ועדיין מפנה באופן אמין מבנים ששווים חקירה מקרוב. עבור קורא לא־מומחה, המסר המרכזי הוא שחלק גדול מתהליך גילוי החומרים יכול כעת להתבצע על ידי מערכת לומדת שמלמדת את עצמה היכן אינה בטוחה ובקשת חישובים ממוקדים ודיוק גבוה רק כשהם נחוצים. סוג חיפוש מתקן־עצמו זה, בסיוע בינה מלאכותית, פותח דלת לחקירת תערובות יסודות מורכבות בהרבה מבעבר — מה שמגביר את הסיכויים לחשוף מוליכי־על חדשים, גבישים אופטיים וחומרים פונקציונליים אחרים התומכים בטכנולוגיות הדור הבא.

ציטוט: Li, J., Feng, J., Luo, J. et al. Self-optimizing machine learning potential assisted automated workflow for highly efficient complex systems material design. npj Comput Mater 12, 101 (2026). https://doi.org/10.1038/s41524-026-01971-9

מילות מפתח: גילוי חומרים, פוטנציאלים בלמידת מכונה, חיזוי מבנה גבישי, הידרידים מוליכי־על, גבישים אופטיים לא־ליניאריים