AI של Materials Project חזה וסינתז 3 מועמדים למוליכות-על
מערכת AI סרקה מבני גביש, דירגה מועמדים למוליכות-על בטמפ' גבוהה — ושלושה מהם סונתזו במעבדה. האימות הניסויי המלא עדיין בעיצומו.
מאמר חדש שפורסם החודש מטעם קונסורציום Materials Project AI מתאר הישג שמדעני חומרים חיכו לו שנים: מערכת AI שלא רק חזתה מועמדים חדשים למוליכות-על בטמפרטורה גבוהה, אלא הובילה לסינתזה מעשית של שלושה מהם במעבדה. לפי המאמר, לחומרים תכונות שמאפשרות תיאורטית פעולה בטמפרטורת החדר בטווחי לחץ מסוימים. האימות הניסויי המלא עדיין בעיצומו, אבל עצם המעבר מחיזוי חישובי לחומר מוחשי הוא הסיפור האמיתי כאן.
מה בדיוק פורסם
לפי המאמר, המערכת סרקה מרחב עצום של מבני גביש אפשריים, דירגה מועמדים לפי סיכוי למוליכות-על בטמפרטורה גבוהה, והצוותים הניסויים הצליחו לסנתז שלושה מהמועמדים המובילים. הנקודה שמייחדת את העבודה היא הדיוק: החיזוי של מבנה הגביש ושל תכונות המוליכות התאים למה שנמדד בפועל בשלבי הסינתזה הראשונים, וזה בדיוק החלק שבו רוב מערכות גילוי החומרים החישוביות נכשלו עד היום.
חשוב לדייק במה שעוד לא קרה: אף אחד לא הכריז על מוליך-על בטמפרטורת החדר שעובד בלחץ אטמוספרי רגיל. הטענה היא שהתכונות המדודות עד כה מאפשרות תיאורטית פעולה בטמפרטורת החדר בטווחי לחץ מסוימים, והקהילה המדעית ממתינה לשחזור עצמאי במעבדות נוספות. אחרי פרשות עבר בתחום מוליכי-העל, זהירות היא לא פסימיות אלא היגיינה מדעית.
למה גילוי חומרים היה עד עכשיו צוואר בקבוק
הבעיה הקלאסית של מדעי החומרים היא שמרחב האפשרויות אינסופי כמעט: שילובים של יסודות, מבני גביש, טמפרטורות ולחצים. הדרך המסורתית היא ניסוי וטעייה שאורכים שנים, כשכל סינתזה במעבדה עולה זמן, כסף וציוד ייעודי. סימולציות פיזיקליות מדויקות כמו DFT קיימות מזמן, אבל הן יקרות חישובית מכדי לסרוק מיליוני מועמדים.
כאן נכנסים מודלים של למידת מכונה שלמדו לקרב את הפיזיקה במהירות גבוהה בסדרי גודל. במקום לחשב כל מועמד מאפס, המודל מסנן את המרחב ומשאיר לחוקרים רשימה קצרה ששווה לבדוק במעבדה. העבודה הנוכחית מראה שהלולאה הזו, מחיזוי דרך סינון ועד סינתזה, מתחילה לעבוד גם בתחום הקשה ביותר: מוליכות-על בטמפרטורה גבוהה.
הערך הגדול הוא לא שלושת החומרים האלה דווקא, אלא ההוכחה שהצינור כולו עובד. אם אפשר לחזור על התהליך הזה שוב ושוב, קצב הגילוי בתחום ישתנה מהיסוד.
מה זה אומר אם האימות יצליח
מוליכי-על מעבירים זרם חשמלי ללא התנגדות, כלומר בלי איבוד אנרגיה. הבעיה שהם דורשים כיום קירור קיצוני ויקר. מוליך-על שפועל בטמפרטורות גבוהות משמעותית, גם אם תחת לחץ, פותח דלת לשורה של יישומים:
- רשתות חשמל עם איבודי הולכה נמוכים דרמטית, נושא קריטי במדינה עם ביקושי שיא כמו ישראל
- מגנטים חזקים וזולים יותר למכשירי MRI, מה שיכול להוזיל דימות רפואי
- מחשוב קוונטי: קיוביטים מוליכי-על שדורשים פחות תשתית קירור
- האצה של מחקר היתוך גרעיני, שנשען על מגנטים על-מוליכים עוצמתיים
עד שיפורסם שחזור עצמאי של התוצאות במעבדות נוספות, מדובר במועמדים מבטיחים בלבד. בתחום מוליכי-העל היו בעבר הכרזות שקרסו בשלב האימות, ולכן שווה לעקוב אחרי הפרסומים הבאים לפני שמסיקים מסקנות.
הזווית הישראלית: מדע חישובי כהזדמנות
לישראל אין תעשיית ענק של סינתזת חומרים, אבל יש לה בדיוק את מה שהעבודה הזו מוכיחה שהוא הנכס החשוב: יכולות חישוב, מידול ואלגוריתמיקה. קבוצות מחקר בטכניון, במכון ויצמן ובאוניברסיטת תל אביב עוסקות זה שנים בחומרים חישוביים ובלמידת מכונה למדע, והצלחת המודל של Materials Project AI מחזקת את הטיעון שאפשר לתרום לחזית הגילוי בלי מעבדות סינתזה בהיקף אמריקאי או סיני.
יש כאן גם רמז לסטארטאפים: כפי ש-AlphaFold הוליד גל של חברות ביוטק חישוביות, לולאת חיזוי-סינתזה שעובדת בחומרים יכולה להוליד דור של חברות שמוכרות גילוי חומרים כשירות, לתעשיות הסוללות, השבבים והאנרגיה. למי שמחפש תחום AI שעוד לא רווי, מדע חישובי הוא מועמד רציני.
מה הלאה
בחודשים הקרובים כדאי לעקוב אחרי שלושה דברים: תוצאות האימות הניסויי המלא של שלושת החומרים, ניסיונות שחזור במעבדות שאינן חלק מהקונסורציום, והשאלה האם הצוות ישחרר את המודל או את נתוני האימון לקהילה. אם התשובות יהיו חיוביות, ייתכן שאוגוסט 2026 ייזכר כנקודה שבה גילוי חומרים מונע-AI עבר מהבטחה לשיטת עבודה. אם לא, עדיין נשארנו עם צינור חיזוי מדויק יותר מכל מה שהיה קודם, וגם זה שווה הרבה.
שאלות נפוצות
האם AI גילה מוליך-על בטמפרטורת החדר?
עדיין לא באופן מאומת. מערכת ה-AI של קונסורציום Materials Project חזתה וסינתזה שלושה מועמדים שתכונותיהם מאפשרות תיאורטית פעולה בטמפרטורת החדר בטווחי לחץ מסוימים, אך האימות הניסויי המלא והשחזור העצמאי עדיין בעיצומם.
למה מוליכי-על בטמפרטורה גבוהה כל כך חשובים?
מוליכי-על מעבירים חשמל ללא התנגדות וללא איבוד אנרגיה, אבל כיום דורשים קירור קיצוני ויקר. חומרים שפועלים בטמפרטורות גבוהות יותר יוזילו רשתות חשמל, מכשירי MRI, מחשוב קוונטי ומחקר היתוך גרעיני.
איך AI מסייע בגילוי חומרים חדשים?
מודלים של למידת מכונה לומדים לקרב סימולציות פיזיקליות יקרות ולסרוק מיליוני מבני גביש אפשריים במהירות. כך הם מצמצמים את מרחב החיפוש לרשימה קצרה של מועמדים מבטיחים, שאותם מסנתזים ובודקים במעבדה.
דרגו את הכתבה
הדירוג עוזר לנו לדעת מה שווה לכם.
תגובות