הרחבת אשכול אטומי גרפית לפוטנציאלים בין־אטומיים מבוססי למידת מכונה

ללמד מחשבים "להרגיש" את האטומים

עיצוב חומרים חדשים לסוללות, מטוסים או כורים להיתוך לעתים קרובות מתמצת לשאלה פשוטה: כיצד האטומים דוחפים ומשתפים זה את זה? חישוב כוחות אלה בדיוק הוא כה יקר שיכול לקחת ימים על מחשב־על עבור חומר בודד. המאמר הזה מציג משפחה חדשה של דגמי למידת מכונה, הנקראים GRACE, שפועלים כמו "מַחשְבֵּר" אוניברסלי לכוחות אטומיים ברוב הטבלה המחזורית. המטרה שלהם היא לגרום לכך שסימולציות מדויקות של חומרים מורכבים יהיו שגרתיות במקום מונומנטליות.

מודל יחיד לרבות חומרים

רוב שדות הכוחות בלמידת מכונה הקיימים הם כליים מתמחים: הם עובדים היטב עבור מספר יסודות או תרכובות מועט, אך יש לבנותם מחדש כאשר מוסיפים יסודות חדשים. GRACE נוקטת בגישה שונה. היא תוכננה מההתחלה כדגם יסודי היכול להתמודד עם 89 יסודות כימיים ומגוון עצום של סידורים אטומיים באמצעות מערכת כללים משותפת אחת. לשם כך המחברים בונים על מסגרת מתמטית שנקראת הרחבת אשכול אטומי ומרחיבים אותה למבנים דמויי גרף, מה שמאפשר למודל לתאר הן שכונות אטומיות מקומיות והן דפוסים מוארכים יותר בצורה מאוחדת. במקום לקדד מכלול אינטראקציות אפשריות בשפה קשיחה, GRACE לומדת "הטמעות" מצומצמות שמלכדות דמיון בין יסודות, כך שידע על חומר אחד יכול לסייע לתאר חומר אחר.

אימון על ים של נתונים אטומיים

כדי ללמד את GRACE כיצד האטומים מתנהגים, המחברים אספו כמה ממאגרי המידע הפומביים הגדולים ביותר של חישובים קוונטיים־מכאניים. הליבה היא אוסף OMat24, שמכיל כ־110 מיליון סימולציות של חומרים אנאורגניים, בתוספת שתי קבוצות אחרות שמתעדות כיצד מבנים מרפאים ומתפתחים. יחד, מערכי נתונים אלה מכסים גבישים קרובים למצב שווי משקל, מבנים מתוחים ומעוותים, נוזלים בטמפרטורות גבוהות ועוד, על פני אותה קבוצת יסודות רחבה. דגמי GRACE קיימים במספר גדלים, מגרסאות חד־שכבתיות פשוטות שמסתכלות רק על סביבות אטומיות מקומיות ועד לגרסאות שניו־שכבתיות עמוקות שמעבירות "הודעות" בין אזורים שכנים. האימון הראשוני שואף לאיזון טוב בין אנרגיות, כוחות ולחצים פנימיים, וכיוונון נוסף מותאם כדי להתאים את המודלים למאגרים רפרנס נפוצים במדעי החומרים.

בחינת המודל במבחן

מודל אוניברסלי שימושי רק אם הוא מתפקד באופן מהימן במשימות רבות. לכן המחברים הניחו את GRACE מול מערך מבחנים תובעני שמשקף כיצד מדענים משתמשים בסימולציות אטומיות בפועל. בבדיקת קהילה למציאת מבני גביש יציבים, GRACE יושב באופן עקבי על "חזית פרטו": עבור דיוק נתון הוא מהיר יותר מדגמים מתחרים, ועבור מהירות נתונה הוא מדויק יותר. יתרונות דומים נצפים בעת חיזוי מוליכות תרמית, תכונה שתלויה ברגישות בשינויים זעירים בתנועת האטומים. GRACE גם מצטיין בתכונות אלסטיות, אנרגיות משטחים, אנרגיות גבולות זרעית ואנרגיות היווצרות פגמי נקודה במתכות טהורות רבות — כל אלה בוחנות כיצד חומרים מגיבים למתיחה, חיתוך או נזק מקומי. ריצת דינמיקה מולקולרית ארוכה של מלח מותך חם מראה שהמודל נשאר יציב מספרי לננושניות תוך שימור דפוסים מבניים מפורטים וקצבי שיחּור אטומי.

התאמה ודחיסת הידע

בעוד שמודל כל־מטרה עוצמתי, יישומים רבים זקוקים או לדיוק גבוה יותר לחומר ספציפי או לחישובים מהירים יותר על חומרה צנועה. המחברים מדגימים שתי אסטרטגיות להשגה זו ללא איבוד מה שלמד GRACE כבר. ראשית, הם מבצעים כיוונון עדין של המודל היסודי על מאגרי נתונים ממוקדים, כגון סגסוגות אלומיניום–ליתיום או דרכי שרשרת שריפה של מימן מפורטות. עבור הסגסוגות, אפילו נתונים נוספים צנועים משפרים משמעותית את התחזיות, כשהם גוברים על דגמים שאומנו מאפס עם אותה כמות מידע. עבור השריפה, כיוונון פשוט עלול לגרום לטשטוש של הידע הקודם של המודל; על ידי הקפאה זהירה של חלקי הרשת ועדכון פרמטרים נבחרים בלבד, המחברים מגבילים את השכחה הקטליטית הזו ובכל זאת משיגים דיוק עבור הכימיה החדשה. שנית, הם מראים כיצד לדחוס את המודל הגדול ל"תלמיד" פשוט בהרבה שמחקה את ה"מורה" על מערכות מפתח. גרסה מדוללת זו רצה כ־70 פעמים מהר יותר על מעבד (CPU) ועדיין שומרת על רוב הדיוק, במיוחד כאשר היא מאומנת על תערובת של סגסוגות מורכבות ומבני רפרנס פשוטים שסומנו על ידי GRACE המקורי.

מה משמעות הדבר עבור עיצוב חומרים בעתיד

העבודה מציבה את GRACE בתור יסוד גמיש לדור הבא של דִגּוּם אטומי. במקום ליצור פוטנציאל חדש עבור כל חומר או תכונה, חוקרים יכולים להתחיל ממודל GRACE אוניברסלי ואז לכוונן או לדחוס אותו לצרכיהם, וחוסכים כמויות עצומות של זמן מחשוב ועבודה מומחית. המדדים מצביעים על כך שגישה זו לא רק מותאמת לכלים קיימים; לעתים קרובות היא עולה עליהם הן במהירות והן באמינות, במיוחד עבור תכונות תובעניות כמו הולכה תרמית. עבור לא־מומחים, המסר המרכזי הוא שמודל למידת מכונה יחיד, מתוכנן היטב, יכול כעת לשמש כ"מנוע" מהימן לניסויים ווירטואליים על רוב הטבלה המחזורית, ולהאיץ את החיפוש אחר סוללות טובות יותר, זרזים, סגסוגות מבניות וחומרי אנרגיה.

ציטוט: Lysogorskiy, Y., Bochkarev, A. & Drautz, R. Graph atomic cluster expansion for foundational machine learning interatomic potentials. npj Comput Mater 12, 114 (2026). https://doi.org/10.1038/s41524-026-01979-1

מילות מפתח: פוטנציאלים בין־אטומיים בלמידת מכונה, דִגּוּם חומרים, סימולציות אטומיות, דגמים יסודיים, הרחבת אשכול אטומי גרפית