הערכת פונקציות פרטיציה ביעילות-מידעית מונעת על ידי בינה מלאכותית בחומרים בלתי-מסודרים

למה פגמים מינוריים בחומרים מבולגנים חשובים

רבים מהחומרים המבטיחים של היום — מדלקים גרעיניים ועד סגסוגות ביצועים‑גבוהים — אינם גבישים מסודרים לחלוטין אלא מעין "זליגות" כימיות שבהן אטומים שונים מעורבבים באופן אינטנסיבי. בתוך מבנים מבולגנים אלה, אטומים חסרים ופגמים אחרים קובעים כיצד חום, חשמל ואפילו נזקי קרינה נעים דרך החומר. המאמר מציג את PULSE, כלי בינה מלאכותית חדש היכול לחזות את התנהגות הפגמים בחומרים בלתי‑מסודרים מורכבים ביעילות רבה יותר מהסימולציות הממוחשבות המסורתיות.

הבעיה בספירת הבלתי־נספרת כמעט

בחומרים מרובי רכיבים כמו תחמוצות תוריום‑פלוטוניום מעורבות או סגסוגות אנטרופיה גבוהה, אטומים יכולים לתפוס אתרי גביש במספר עצום של דרכים. כל סידור שונה, או קונפיגורציה, עשוי לשנות במעט את הקלות שבה פגמים נוצרים ונעים. כדי לנבא תכונות במציאות, מדענים צריכים בעקרון לשקול את כל האפשרויות הללו, דבר שנלקח בחשבון מתמטית על ידי כמות הנקראת פונקציית פרטיציה. שיטות קלאסיות או שמקרבות את האב־סדר באמצעות מספר מצומצם של מבנים מתוכננים בקפידה, או מדגמות רב־קונפיגורציות עם סימולציות מונטה‑קרלו. האסטרטגיה הראשונה עלולה לפספס סידורים חשובים; השנייה לעיתים כה תובענית חישובית עד שאינה מעשית למערכות ברות‑מציאות.

מדגם בינה מלאכותית המתאמן בעצמו

PULSE (Partition function Unsupervised Learning Sampling and Evaluation) מתמודד עם האתגר על ידי למידה כיצד לחקור את מרחב הקונפיגורציות באופן עצמאי. הוא מבוסס על אוטו‑אנקודר ואריאציונלי הפוך, סוג של רשת נוירונים שמתחילה מקלטים רנדומליים פשוטים וממירה אותם לקונפיגורציות אטומיות מציאותיות. מהותי הוא שהמודל אינו זקוק למסד נתונים מוכן של דוגמאות. במקום זאת, הוא מייצר סידורים מועמדים, שולח אותם למחשבון אטومي כדי לקבל את האנרגיות שלהם, ואז מתאים את הפרמטרים הפנימיים כך שהדגימות המועילות יהיו סבירות יותר. לולאת סגירה זו מאפשרת לבינה להתמקד בקונפיגורציות שהן החשובות ביותר לפונקציית הפרטיציה, ובמיוחד באלה ששולטות בהתנהגות בטמפרטורה נתונה.

בדיקת PULSE בדלק גרעיני

כדי להדגים את יכולותיה, המחברים מיישמים את PULSE על תחמוצת אורניום‑פלוטוניום, חומר דלק גרעיני מפתח. הם מתמקדים בפגמים מסוג שוטקי — קבוצות אטומים חסרים המשפיעות באופן חזק על תגובת הדלק לטמפרטורה גבוהה ולקרינה. תחילה הם בודקים את השיטה על סביבות מקומיות יחסית קטנות שבהן ניתן עדיין לחשב את פונקציית הפרטיציה במפורש בכוח גס. האומדנים של PULSE לכמות זו, ולריכוזי הפגמים הנגזרים, תואמים באופן צמוד לתוצאות המדוייקות תוך דרישת סדרי גודל פחותים בהרבה של חישובי אנרגיה מאשר סריקת מאגר הנתונים המלא. בהשוואה ל"מבנים קוואזי‑אקראיים מיוחדים" הנפוצים, PULSE משיג דיוק דומה או טוב יותר, אך עם מדד מובנה וברור להתכנסות ועלות חישובית נמוכה בהרבה בטמפרטורות גבוהות.

מה שהבינה מגלה על הסביבה המקומית

מאחר ש‑PULSE מייצר ומדרג במפורש שכנות אטומית סביב פגם, ניתן להשתמש בו לבחון עד כמה השפעתו של הפגם נמשכת. על‑ידי אקראיות שיטתית של שכבות אטומים רחוקות ויותר מהפגם, המחברים מגלים שבדלק תחמוצתי זה רק מספר מועט של שכבות שכנות משפיעות באופן משמעותי על אנרגטיקת הפגמים, ושהמרחק הרלוונטי מתקצר עם עליית הטמפרטורה. השיטה גם מראה כיצד ריכוזי הפגמים משתנים עם תכולת הפלוטוניום: ככל שהחומר עשיר יותר בפלוטוניום, היווצרות פגמים נוטה להיות קלה יותר, מה שמוביל לצפיפויות פגמים גבוהות יותר — במיוחד בטמפרטורות נמוכות שבהן ההבדלים האנרגטיים חשובים יותר.

מדוע זה חשוב לעיצוב חומרים עתידי

ללא‑מומחה, המסר המרכזי הוא ש‑PULSE מציע דרך מהירה וגמישה ל‑AI "לספור" ולהעדיף את הסידורים האטומיים החשובים ביותר בתוך חומרים בלתי‑מסודרים מאוד. במקום לדמות באופן ממצה כל קונפיגורציה אפשרית, השיטה לומדת בזמן אמת אילו דפוסים מקומיים שולטים ביצירת פגמים ואז משתמשת בידע זה כדי לאמוד ריכוזי פגמים ותכונות קשורות. למרות שהודגמה על דלק גרעיני, אותו מסגרת ניתנת ליישום על מגוון רחב של חומרים מורכבים, כמו סגסוגות אנטרופיה גבוהה או תחמוצות מעורבות לאחסון אנרגיה ולקטליזה. באופן זה, PULSE יכול לסייע לחוקרים לחקור במהירות כיצד אי‑הסדר המיקרוסקופי מעצב ביצועים מקרוסקופיים, ולכוון את העיצוב של חומרים בטוחים ויעילים יותר.

ציטוט: Karcz, M.J., Messina, L., Kawasaki, E. et al. AI-driven data-efficient estimation of partition functions in disordered materials. Sci Rep 16, 14568 (2026). https://doi.org/10.1038/s41598-026-37953-6

מילות מפתח: חומרים בלתי-מסודרים, למידת מכונה, דלק גרעיני, פקקים נקודתיים, מודלים גנרטיביים