אופטימיזציית באייזיאן אצוותית המודעת לעלות על בסיס תהליכים גאוסיים עמוקים עבור קמפיינים לעיצוב חומרים מורכבים

חיפושים חכמים יותר עבור חומרים טובים יותר

עיצוב מתכות וסגסוגות חדשות דומה במובנים רבים לחיפוש אחר מחטים יקרות מחוץ בערמת קש הררית. כל מתכון מועמד יכול להיות יקר לבחינה במעבדה או על-גבי מחשב-על, ולכן מדענים זקוקים לדרכים להחליט אילו מועמדים שווים בדיקה הבאה. המאמר מציג אסטרטגיה שמתייחסת לגילוי חומרים כמשחק זהיר של שאלות: היא מחליטה לא רק איזו סגסוגת לשאול עליה הבא, אלא גם איזה סוג בדיקה לבצע וכמה הבדיקה הזו תעלה. המטרה היא להגיע לחומרים בעלי ביצועים גבוהים מהר יותר, עם פחות מדידות ובעלות נמוכה יותר.

מדוע החיפוש כל כך קשה

סגסוגות מודרניות, במיוחד סגסוגות בעלות אנטרופיה גבוהה שמערבבות רבים מהיסודות בכמויות כמעט שוות, תופסות מרחבי עיצוב עצומים. לכל קומפוזיציה יכולות להיות תכונות חשובות רבות, כגון חוזק, נקודת התכה והולכת חום, שלעתים מתפשרות זו נגד זו. למדוד או לדמות את כולן עבור כל מתכון אפשרי הוא בלתי אפשרי. שיטות אופטימיזציית באייזיאן מסורתיות כבר מסייעות על ידי אימון "תחליף" סטטיסטי שמנבא תכונות ממספר מוגבל של דוגמאות ומציע את הניסויים הבאים. אך תחליפים סטנדרטיים מתקשים כאשר הקשרים מסובכים מאוד, כאשר תכונות שונות מקושרות בצורה חזקה, או כאשר רק חלק מהתכונות נמדדות עבור כל דגימה.

מודלים בשכבות שלומדים מבנה חבוי

כדי לטפל בכך, המחברים מבססים את הגישה על תהליכים גאוסיים עמוקים, סוג של מודל הסתברותי בשכבות. במקום פונקציה חלקה אחת, הם מציבים מספר שכבות שמטרתן להפוך את הקלט בהדרגה. שכבות מוקדמות לומדות ייצוגים חבויים של קומפוזיציות הסגסוגה; שכבות מאוחרות ממפות את התכונות המרובות במקביל. היררכיה זו תופסת באופן טבעי השפעות כמו רגישות משתנה לקומפוזיציה ברחבי מרחב העיצוב וקישורים מורכבים בין תכונות. מהותי לכך הוא שהמודל גם עוקב אחרי אי-הוודאות שלו עצמו, דבר קריטי כאשר מחליטים אם כדאי לשלם עבור מדידה נוספת. מאחר שניתן לצפות בתכונות שונות עבור סגסוגות שונות, המודל יכול עדיין להפיק תועלת מנתונים חלקיים ו"פתוחי פץ" ולשתף מידע בין משימות.

לעשות שכל מדידה נחשבת

המרכיב השני הוא המודעות לעלות. לא כל המדידות שוות: חלקן, כמו בדיקות מפורטות של הולכת חום או נקודת התכה, יקרות; אחרות, כמו צפיפות או קשיות, זולות יותר. המחברים מרחיבים כלל החלטה פופולרי שמתמקד בדרך כלל רק ברווח המדעי—כמה קבוצת ניסויים חדשה עשויה לשפר את הטרייד‑אופים הידועים בין תכונות. הגרסה שלהם מחלקת את אותו רווח בסך עלות האצווה המוצעת. זה דוחף את המיטב לבחור שאילתות רבות וזולות אך אינפורמטיביות בזמן ששומרים מדידות יקרות למועמדים המבטיחים ביותר. הם גם מערבים אצוות "איזוטופיות", שבהן נמדדות כל התכונות יחד, עם צעדים "הטרוטופיים" שבוחרים למדוד רק תכונות זולות יותר, ומשתמשים בתוצאות אלה לשיפור המודל לפני שמתחייבים לבדיקות יקרות.

בדיקה על בעיות צעצוע וסגסוגות אמיתיות

הצוות בראשונה בדק מספר ווריאנטים של הגישה על בעיות מבחן רב-מטריות סטנדרטיות בעלות צורות ורמות קושי שונות. הם השוו מודלים פשוטים חד-משימתיים, מודלים רב-משימתיים שמשתפים מידע בין תכונות, מודלים עמוקים טהורים והיברידים שמשלבים תחזיות ממוצע עמוקות עם אומדני אי-ודאות רב-משימתיים. התוצאות הראו שאין שיטה אחת שמנצחת בכל מקום. מודלים פשוטים, רדודים מצטיינים בנופים בעלי ממד נמוך ועקמומיות מתונה. מודלים רב-משימתיים זוהרים במרחבים בעלי ממד גבוה שבהם מטרות שונות קשורות בקשר הדוק. מודלים עמוקים והיברידיים מראים את חוזקם בנופים מפותלים מאוד ולא קמורים, שבהם לכידת מבנה מסובך והתפלגויות מעוותות חשובה במיוחד.

דרך מהירה יותר לסגסוגות בעלות ביצועים גבוהים

כדי להדגים השפעה מעשית, המחברים הריצו אחר כך קמפיין גילוי מדומה לחלוטין עבור סגסוגות בעלות אנטרופיה גבוהה חסינות לחום המיועדות לשימוש בטמפרטורות גבוהות. הם חקרו מרחב קומפוזיציה בן שבעה יסודות וניסו למקסם חמש תכונות מרכזיות במקביל, תוך התייחסות לשתי תכונות נוספות כמקורות מידע משלימים. עלויות הוקצו באופן ריאלי—הולכת חום וטמפרטורת מוצקיות נקבעו כיקרות בהרבה מאשר צפיפות, קשיות או אינדיקטור לעוביות. המסגרת החדשה הצליחה לכוון את הדגימה לאזורים במרחב הקומפוזיציה שאיזנו מטרות ביצוע מרובות, תוך ניצול משמעותי של מדידות זולות וקיצור השימוש במדידות יקרות. אסטרטגיות עמוקות המודעות לעלות השוו או עלו במידה מתונה על ביצועי שיטות מסורתיות, במיוחד ככל שנצברו נתונים נוספים, ולעשו זאת בשימוש חכם בתקציב הערכה קבוע.

מה המשמעות של זה לגילוי חומרים

עבור מי שאינו מומחה, המסר המרכזי הוא שהעבודה מציעה דרך עקרונית "להוציא" מאמץ ניסויי ומחושבי בחוכמה רבה יותר כשמחפשים חומרים חדשים. על ידי שילוב מודלים הסתברותיים בשכבות שלומדים דפוסים חבויים עם אסטרטגיית תקצוב ששוקלת רווח מדעי צפוי מול עלות הבדיקה, הגישה יכולה להגיע לעיצובים של סגסוגות בעלי ביצועים גבוהים בפחות צעדים טובים יותר. בעוד שהיתרונות הבולטים ביותר ניכרים בבעיות מורכבות ורועשות, המסגרת מטילה יסוד חשוב לקמפיינים עתידיים שבהם מדענים נדרשים לאזן בין משתנים רבים, מטרות רבות ומשאבים מוגבלים.

ציטוט: Alvi, S.M.A.A., Vela, B., Attari, V. et al. Deep Gaussian process-based cost-aware batch Bayesian optimization for complex materials design campaigns. npj Comput Mater 12, 105 (2026). https://doi.org/10.1038/s41524-026-01981-7

מילות מפתח: גילוי חומרים, אופטימיזציית באייזיאן, תהליכים גאוסיים עמוקים, סגסוגות בעלות אנטרופיה גבוהה, עיצוב מודע עלות