למידה קונטרסטיבית משודרגת ב‑KAN: המאיץ בזיהוי מבני גביש מתוך דפוסי XRD

מדוע חשובה מיפוי גבישים מהיר יותר

חומרים חדשים לסוללות, אלקטרוניקה ואנרגיה נקייה מתגלים לעתים קרובות גביש אחר גביש. הסידור האטומי הפנימי של כל גביש קובע את תכונותיו, ומדענים קוראים סדר זה מדפוסי דיפרקציית קרני X של אבקות (XRD) — גרפים מחודדים שמתקבלים כאשר קרני X מתפזרות מהמדגם. כיום המרת דפוסים אלה למבנה קונקרטי היא עבודה איטית התובעת מומחיות. המאמר הזה מציג מערכת למידת מכונה היכולה להתאים במהירות דפוס XRD למבני גביש סבירים, מה שמאיץ את העבודה הבלשית הזו, עושה אותה אמינה יותר וקל לשלב אותה במעבדות אוטונומיות.

מגרפים מחודדים לתכניות אטומיות

בפרקטיקה הרגילה, מומחה XRD בוחן את הפסגות בדפוס, משתמש בנוסחאות פיזיקליות כדי להסיק מרחקים אטומיים אפשריים ואז משווה באופן איטרטיבי מבנים מועמדים לנתונים. תהליך זה נתקל בקשיים כאשר פסגות חופפות או קיימות אפשרויות דומות רבות, והוא לא סקלבילי לניסויים בקצבי יצור גבוהים שמייצרים אלפי דפוסים יום‑יום. כלים קודמים של למידת מכונה התייחסו לרוב ל‑XRD כאל בעיית תיוג — חיזוי מחלקת סימטריה או קבוצה מרחבית מתוך דפוס — במקום לזהות ישירות את המבנה עצמו. הגישה החדשה, שנקראת XRD‑Crystal Contrastive Pretraining (XCCP), משנה את המשימה לבעיית שליפה: נתון דפוס, מצא את הגביש המתאים ביותר בתוך מאגר גדול.

מבט דו‑ענפי על דפוסי קרני X

XCCP לומד "לראות" את נתוני ה‑XRD בדרך מבוססת פיזיקה. במקום להזין את כל הדפוס לרשת עצבית אחת, השיטה מחלקת אותו לשני תחומים. ענף אחד מתמקד בזוויות קטנות, המייצגות מאפיינים לטווחים ארוכים כמו מרווחים בין שכבות וסופרלטיסים. השני מתמקד בזוויות רחבות, שם הפסגות צפופות והן נשלטות במידה רבה על ידי סימטריית הגביש. כל ענף מעובד על‑ידי רשת עמוקה ובהמשך מאוחד באמצעות מודול היטל מיוחד המבוסס על רשתות קולמוגורוב–ארנולד (KAN). מודול זה מצטיין בהתמקדות באזורים צרים של הדפוס — בדיוק שם שהפסגות החדות נושאות את מירב המידע המבני.

להשוות דפוסים ומבנים באמצע הדרך

בצד הגביש, XCCP משתמש ברשת מבוססת גרף שמייצגת אטומים כקודקודים וקשרים כחיבורים. במהלך האימון המערכת רואה זוגות תואמים רבים: דפוס XRD ומבנה הגביש הידוע שלו. היא לומדת מרחב מספרי משותף שבו כל דפוס יושב קרוב למבנה שלו ורחוק מאחרים שאינם תואמים. כאשר מגיע דפוס חדש, המודל מטמיע אותו במרחב זה, משווה אותו לטמיעות של כל מבני המאגר ומחזיר רשימה מדורגת. ללא ידע על היסודות הכימיים הנוכחים, המבנה הנכון מדורג ראשון כמעט בחצי מהמקרים ומופיע בחמישייה העליונה ברוב המכריע של המקרים. כאשר המשתמש מספק גם הרכב כימי — מידע נפוץ בניסויים אמיתיים — ההתאמה המדורגת ראשונה נכונה כמעט ב‑90% מהמקרים.

לראות את מה שהמכונה רואה

המחברים בודקים האם המערכת מסתמכת על פיזיקה אמיתית או על תכונות מקריות של הנתונים. על‑ידי מסיכה של חלקים מהדפוס ושימוש בכלי ייחוס, הם מראים כי ראש ה‑KAN מקבל את החלטותיו בעיקר על בסיס פסגות דיפרקציה חזקות ומוגדרות היטב ולא על וריאציות רקע רחבות או רעש. הענף הנוסף של זוויות נמוכות משפר באופן עקבי את הביצועים, במיוחד עבור גבישים בעלי סימטריה נמוכה ודפוסים שבהם מאפייני זוויות גבוהות עמומים. המודל גם מראה עמידות לפגמים ניסיוניים נפוצים כגון רחיבת פסגות והיסטים קטנים בציר הזווית, והוא מעביר באופן סביר גם למאגרי נתונים ניסיוניים אמיתיים. חשובה היא העובדה שדירוגי הדמיון שהוא מפיק משמשים גם כהערכות ביטחון — הם יורדים בצורה בולטת כאשר המבנה האמיתי אינו נמצא במאגר — תכונה חיונית לשימוש בטוח במציאות.

לקראת גילוי חומרים חכם ומונחה עצמונית

להבנת הקורא שאינו מומחה, המסר המרכזי הוא ש‑XCCP הופך את ניתוח ה‑XRD ממלאכה לחיפוש מהיר מונע נתונים. על‑ידי יישור דפוסי דיפרקציה ומבני גביש מועמדים במרחב משותף, ובהתבסס על עיצוב רשתות המודע לפיזיקה, המערכת יכולה להציע במהירות רשימה קצרה של תכניות אטומיות סבירות עם מדדי ביטחון פרשניים. היא לא מחליפה שיקול דעת מומחה או עיבוד דק, אבל היא מאיצה משמעותית את הצעד הראשון והקשה ביותר — להבין אילו מבנים בכלל סבירים. זה מתאים במיוחד לניסויים בקצב גבוה ולמעבדות אוטונומיות, שבהן רובוטים יכולים לסנתז תרכובות חדשות, למדוד את דפוסי ה‑XRD שלהן ולהניח ל‑XCCP להציע מבנים סבירים בזמן אמת, ובכך לקצר את הדרך מנתונים גולמיים לחומרים חדשים.

ציטוט: Xu, C., Su, T., Xiong, J. et al. KAN-enhanced contrastive learning: the accelerator of crystal structure identification from XRD patterns. npj Comput Mater 12, 144 (2026). https://doi.org/10.1038/s41524-026-02015-y

מילות מפתח: דיפרקציית קרינה רנטגנית של אבקות, זיהוי מבנה גבישי, למידה קונטרסטיבית, מידענות חומרים, רשתות קולמוגורוב–ארנולד