סריקה מדויקת של חומרים פונקציונליים בעזרת פוטנציאלים של למידת מכונה ורגרסיות עם למידה בהעברה: מבחן על סגסוגות הויזלר

מדוע גילוי חומרים מהיר יותר חשוב

הטכנולוגיות המודרניות, ממכוניות חשמליות ועד מרכזי נתונים, תלויות בחומרים מותאמים שמבנהם הפנימי מכוון למשימה מאוד ספציפית. קבוצה חשובה אחת, המכונה סגסוגות הויזלר, יכולה לשמש כמגנטים חזקים וקלי משקל לשימוש בחיישנים, זכרונות וספינטורניקה. אך מציאת הרכיבים הנדירים עם השילוב הנכון של יציבות והתנהגות מגנטית הייתה איטית באופן כואב, כי לכל מועמד נדרשות בדרך כלל חישובים קוונטיים כבדים. מאמר זה מראה כיצד מודלים מתקדמים של למידת מכונה יכולים לקחת על עצמם את רוב העבודה, לסנן מאות אלפי אפשרויות ולהאיר את המועמדים המבטיחים הרבה יותר מהר מאשר בעבר.

חיפוש בנוף רחב של סגסוגות

המחברים מתמקדים במשפחה גדולה ועשירה מבנית של חומרים הקרויה תרכובות הויזלר, המורכבות משילוב של מתכות ואלמנטים מקבוצות הראשיות בתבנית גבישית סדירה. חיפושים ממוחשבים מוקדמים שהתבססו על חישובים קוונטיים כבר סרקו את הגרסאות הפשוטות יותר בעלות שלושה מרכיבים ומצאו שרק כ‑0.5% תואמות דרישות קפדניות גם ליציבות וגם לאניזוטרופיה מגנטית חזקה. בעבודה זו הקבוצה מרחיבה משמעותית את החיפוש לתערובות מורכבות בארבעה מרכיבים ולגרסאות הבנויות כולה ממתכות מעבר, ויוצרת יותר מ‑230,000 מתכונים כימיים מובחנים לבחינה. חקר מרחב עיצוב כה עצום בשיטות קונבנציונליות בלבד היה מעמיס מבחינה חישובית.

למידת מכונה כתחליף לחישובים כבדים

כדי לרסן את המורכבות הזו, החוקרים בונים זרימת עבודה «בריבוי־עומס» שבה מודלי למידת מכונה מחקים את הצעדים שברוב המקרים מבוצעים על‑ידי חישובים קוונטיים. סוג אחד של מודל, הנקרא פוטנציאל בין‑אטומי אוניברסלי, לומד את האנרגיה של גביש מתוך דוגמאות רבות ויכול במהירות להרגיע ניחוש ראשוני לצורה היציבה שלו. קבוצה אחרת של מודלים, רגרסורים, מקבלת את המבנים המרגיעים הללו ומנבאת תכונות מפתח: האם האטומים רוטטים בצורה יציבה, האם החומר מגנטי, עד כמה הוא נשאר מגנטי בטמפרטורות גבוהות, וכמה בכיוון ספציפי מתעדפת המגנטיזציה שלו. על‑ידי שרשור המודלים הללו יחד, המחברים יכולים לסקר כל מועמד בשבריר שנייה במקום בשעות.

השאלה ידע באמצעות למידה בהעברה

חידוש מרכזי הוא האופן שבו מאומנים רגרסורי חיזוי התכונות. במקום להתחיל מאפס על מערך נתונים קטן יחסית של הויזלר, המחברים מתחילים מפוטנציאל חזק שאומן בעבר על עשרות מיליוני סביבות אטומיות המכסות חלק גדול מהטבלה המחזורית. הם «מקפיאים» את השכבות הראשונות של המודל, שכבר מקודדות כללים כלליים על אינטראקציות אטומיות, ומאמנים מחדש רק את השכבות האחרונות כדי להניב תכונות מגנטיות ורטטיות. אסטרטגיית למידה בהעברה זו משפרת גם את הדיוק וגם מסייעת למודלים להתמודד עם סגסוגות המכילות אלמנטים או צירופים שלא נראו במהלך האימון. בדיקות שבהן קבוצות שלמות של אלמנטים הושמטו מהאימון מראות כי הידע הנלווּה הזה משפר משמעותית את הביצועים בכימיה בלתי מוכרת.

מצאיה נדירים מגנטיים ובדיקה קפדנית שלהם

בהפעלת צינור העבודה של למידת המכונה על כל המועמדים, הקבוצה מזהה 334 סגסוגות הויזלר בארבעה מרכיבים ו‑924 הויזלרים עשויי־מתכת שכולם נראים יציבים תרמודינמית ובעלי אניזוטרופיה מגנטית חזקה יחד עם סדר מגנטי חזק ויציבות רטטית. כדי לוודא שהקיצור מהימן, הם מבצעים לאחר מכן חישובים קוונטיים מלאים על כל מועמד שנבחר. ברוב הקריטריונים של הסינון, בין כ‑80% ל‑99% מהחומרים שנבחרו על‑ידי המכונה עוברים את המבחנים המדויקים יותר, מה שמראה שהמודלים לא רק מהירים אלא גם מדויקים מאוד. המחקר גם משווה כמה פוטנציאלים של למידת מכונה מתחרים ודגמים ישנים מבוססי־גרפים, ומוצא שהפוטנציאל החדש החלק והביטוי בשילוב עם רגרסורים בלמידה בהעברה מספק את שיווי המשקל הטוב ביותר בין מהירות לאמינות.

האצת גילוי הרבה מעבר למגנטים

מעבר לרשימה המסוימת של מגנטים הויזלריים החדשים שנחשפו כאן, המסר הרחב של העבודה הוא שמודלים של למידת מכונה יכולים כעת להחליף חישובים קוונטיים יקרים ברוב שרשרת הסינון הסטנדרטית. המחברים מעריכים שסקר טהור המבוסס על שיטות קוונטיות של אותו מרחב כימי היה דורש סדרי גודל יותר זמן חישוב מאשר הגישה ההיברידית שלהם, עוד לפני התחלת עבודה ניסויית. על‑ידי שימוש במודלי למידת מכונה כתחליפים לשחרור מבנה והערכת תכונות, ועדכון שלהם ככל שמגיעים נתונים חדשים ואיכותיים, חוקרים יכולים לחקור מרחבי עיצוב גדולים בהרבה למגנטים, תרמו‑חשמליים, סוללות וחומרים פונקציונליים אחרים. במילים מעשיות, זה אומר שהחומרים הנדירים והטובים ביותר הנחוצים לטכנולוגיות עתידיות ניתנים לזיהוי מוקדם יותר ובעלות חישובית נמוכה בהרבה.

ציטוט: Xiao, E., Tadano, T. Accurate screening of functional materials with machine-learning potential and transfer-learned regressions: Heusler alloy benchmark. npj Comput Mater 12, 133 (2026). https://doi.org/10.1038/s41524-026-02013-0

מילות מפתח: פוטנציאלים בין‑אטומיים בלמידת מכונה, סגסוגות הויזלר, סריקה במהירות גבוהה, אניזוטרופיית מגנטית, גילוי חומרים