בין מעבדה לקוד: כשהבינה המלאכותית מעצבת את החומר

הטכנולוגיות המתקדמות כיום, מסוללות לטלפונים חכמים ומחשבים ניידים ועד תאים סולריים, מבוססות על חומרים שתכונותיהם עונות על דרישות מסוימות: יציבות, הולכה חשמלית, צפיפות, עמידה בחום קיצוני וכן הלאה. לכן גילוי חומרים חדשים יכול להוביל לפיתוח טכנולוגיות חדשות ומועילות.

אך גילוי של חומרים חדשים הוא תהליך איטי, יקר ולא פעם מתסכל. פעמים רבות הגילוי נעשה בניסוי וטעייה: יוצרים חומר, בודקים אותו, משפרים וחוזר חלילה. בהתחשב במיליוני השילובים האפשריים בין אטומים, מי יודע אילו חומרים עוד מסתתרים אי שם, ולא התגלו רק כי לא עלה בדעתנו לחפש אותם?

בשנים האחרונות מדענים מצרפים לארגז הכלים שלהם אמצעי חזק במיוחד: בינה מלאכותית. אך הכוונה אינה לעוד מודל שפה שמצייר תמונות או כותב שירים – אלא לבינה שלומדת את חוקי הטבע, מגלה דפוסים בתוך הרים של נתונים, ועל פיהם מציעה חומרים חדשים. במקום שנה של ניסויים – רק יום אחד של עיבוד נתונים. במקום עשרות ניסויים במעבדה, אלגוריתם שמציע מאות אלפי חומרים יציבים, בלחיצת כפתור.

נצלול כעת אל ליבה של אחת המהפכות המרתקות במדע החומרים: איך אלגוריתמים מתוחכמים עוזרים לנו להבין טוב יותר את מרחב החומרים, לחזות אילו מהם יהיו יציבים ולסלול את הדרך לפיתוח טכנולוגיות ירוקות ויעילות יותר.

למידה וחיזוי: איך אלגוריתמים מוצאים חומרים חדשים

DeepMind היא חברה בריטית-אמריקאית שמתמחה בבינה מלאכותית. בשנים האחרונות היא זכתה לפרסום רב בעיקר בזכות שני הישגים: לפני כעשור תוכנת AlphaGo שלה הוכיחה עליונות על האדם כשניצחה את אלוף העולם במשחק האסטרטגיה הסיני גוֹ; לאחר מכן, בשנת 2020, היא השלימה את פיתוחה של AlphaFold, בינה מלאכותית שמיומנת בניבוי המבנה המרחבי של חלבונים. על הפיתוח הזה זכו עובדי החברה דמיס הסביס (Hassabis) וג’ון ג’מפר (Jumper) בפרס נובל לכימיה לשנת 2024. בשנת 2023 חשפו חוקריה מערכת חדשה בשם GNoME. גם הפעם מטרתם הייתה שאפתנית: לגלות חומרים חדשים, שמעולם לא נוצרו או יוצרו עד כה אך יכולים לכאורה להתקיים – ולנבא את תכונותיהם.

המערכת מתמקדת בחומרים גבישיים, כלומר כאלה שהאטומים שלהם מסודרים בתבנית קבועה שחוזרת על עצמה, כמו כיסאות מסודרים באולם קולנוע אך בקנה מידה אטומי. חומרים כאלה נפוצים מאוד בטבע ובתעשייה, ונמצאים כמעט בכל מקום: במוליכים של מחשבים, בציפוי של סוללות, אפילו מלח בישול הוא חומר גבישי. האתגר בגילוי חומרים חדשים כאלה מזכיר אדם שמנסה להרכיב מבנה לגו עם מיליוני סוגים של לבנים, בלי לדעת איזו לבנה יציבה ואיזו נוטה להתפרק במהירות.

בשלב הראשון המערכת לומדת את מה שכבר ידוע על חומרים קיימים, המבנים שלהם והתכונות שלהם לפי מאגרי מידע. לאחר מכן היא מנסה להרכיב מהם חומרים חדשים: לפעמים היא משתמשת לשם כך בהחלפות, כלומר היא לוקחת חומר קיים ומחליפה בו אטום אחד באחר, כדי לבדוק אם הסדר הפנימי של הגביש נשמר גם אחרי ההחלפה. במקרים אחרים היא פשוט ממציאה מבנים חדשים לגמרי ואז בודקת אם המבנה הזה הגיוני.

כדי להחליט אם החומר החדש יכול להתקיים, האלגוריתם של הבינה המלאכותית שואל שאלה בסיסית: כמה אנרגיה תידרש לחומר כדי לשמור על הצורה שלו? אם התשובה נמוכה מספיק, אזי החומר נוח מבחינה פיזיקלית, והוא נכנס לרשימת החומרים הפוטנציאליים שכדאי לבדוק הלאה. היציבות של החומר נמדדת על פי המידה שבה האטומים בתוך החומר נוטים להישאר במקומם, ולא להתפרק או להסתדר מחדש בצורה אחרת.

התוצאה הייתה מדהימה: נמצאו 2.2  מיליון חומרים חדשים, מהם 380 אלף חומרים שנחשבים יציבים מאוד. לשם השוואה, עד אז המדע הכיר בערך חצי מהמספר זה. כלומר, תוך חודשים ספורים, המחשב הכפיל פי שלושה את הידע האנושי שנצבר לאורך עשרות שנים של ניסויים ידניים.

כדי לבדוק את ניבויי הבינה המלאכותית, החוקרים נעזרו בשירותיה של מעבדת החומרים A-Lab, שפועלת באוניברסיטת קליפורניה בברקלי. רוב העבודה שם מתבצעת בצורה אוטונומית, ללא מגע יד אדם, באמצעות מכשירים שמפעילים את עצמם על סמך הוראות של אלגוריתמים ממוחשבים. במעבדה הזינו עבור האלגוריתם את המבנה הגבישי הדרוש, הנוסחה הכימית הרצויה וכדומה, במטרה לייצר בפועל עשרות חומרים מתוך הרשימה ש-GNoME סיפקה. נמצא ש-41 מתוך 58 חומרים שנבדקו היו יציבים באמת, כלומר קצת יותר משבעים אחוז.

הבדיקה כולה נמשכה פחות משלושה שבועות – לעומת חודשים רבים, אם לא שנים, שהיו נדרשים לאותה מטרה בעבר. המשמעות היא לא רק חיסכון בזמן: זוהי דרך חדשה לחשוב על מדע. לא עוד עיסוק בשאלה “מה יקרה אם ננסה את השילוב הזה?”, אלא תהליך שמתחיל בשאלה “מה כדאי בכלל לבדוק?”

עם כלים כאלה אפשר לחשוב הרבה יותר בגדול. למשל, על פיתוח חומרים שיוליכו חשמל בלי לאבד אנרגיה – מוליכי-על שעובדים בטמפרטורת החדר. או חומרים לסוללות שיכילו כמות כפולה או משולשת של אנרגיה, וייטענו בתוך דקות. או אולי כאלה שיתפרקו בקלות, כדי לתפוס את מקומו של הפלסטיק שמזהם את האוקיינוסים. כשהמחשב מספק לחוקרים רשימת מועמדים יציבים, עם התכונות שהם מחפשים, הם כבר לא מגששים באפלה, אלא יוצאים לדרך עם פנס ביד. ואולי גם עם מפת אוצר.

עם זאת, חשוב לזכור שתחומים שמתפתחים במהירות ויש בהם נתונים רבים, נוטים גם להתמודד עם ביקורת רבה. במחקר שהוצג לאחרונה הראו חוקרים כי חלק מהמבנים שהמודל GNoME הציע הם כפילים של מבנים קיימים או עיוותים קטנים של מבנים מוכרים אחרים. כך שלא כל התועלת שמיוחסת למודלי הבינה המלאכותית היא אכן אמיתית.

ובכל זאת, מודלי שפה

מאז שפרצה הבינה המלאכותית לחיינו, כשאנחנו שומעים את ראשי התיבות GPT רובנו נחשוב בוודאי על כתיבת מכתבים, סיכומים, שירה או תרגום. אבל מודלים דומים לצ’אט-GPT המפורסם משמשים כיום גם לזיהוי חומרים חדשים.

המדע שופע מילים. הן מופיעות בספרים ובמאמרים, בתיאורים של מבנים מולקולריים, בנוסחאות ובמאגרי מידע. חוקרים הבינו שאפשר להשתמש במודלים של עיבוד שפה טבעית, ש-GPT הוא אחד הסוגים שלהם, כדי לקרוא את המילים האלה ולמצוא בהן דפוסים חבויים שייתכן שבני האדם פספסו.

לדוגמה, אם מאות מאמרים מדעיים מציינים ששילוב של יסוד מסוים עם מבנה מסוים יוצר חומר יציב, המחשב יכול ללמוד את זה ולהציע שילובים חדשים על סמך חוקים שהוא הסיק בכוחות עצמו. ממש כמו שילד לומד ש”כלב” ו”חתול” הם שמות של חיות עם זנב ופרווה, גם האלגוריתם הממוחשב לומד שחומרים מסוימים שייכים לאותה משפחה כימית. אבל זה לא הכול. המודלים המתקדמים ביותר לא רק קוראים טקסטים אלא גם מקבלים תיאורים של מבנים כימיים, נוסחאות, תכונות פיזיקליות ולפעמים גם תמונות או גרפים, ומחפשות בכולם תבניות חוזרות. 

באחד המחקרים שפורסמו השנה השתמשו חוקרים במודל שפה גדול כדי ליצור מפה של קשרים בין מילים כימיות. הם גילו שהמודל הצליח לסווג חומרים, לחזות את תכונותיהם ולהציע מבנים חדשים בכלל בלי שהזינו לתוכו ידע מדעי מסודר. הוא פשוט למד בעצמו על בסיס המידע הגולמי.

היתרון ברור: מחשב יכול לקרוא במהירות אלפי מאמרים מכל מאגרי הידע הנגישים לו, לסכם מגמות ולהציע רעיונות שאף אדם לא היה מוצא די זמן, תשומת לב וסבלנות לגלות לבד. זה פותח את הדלת לעבודה מדעית מסוג אחר, שמשלבת מאגרי מידע, קוד מחשב ובניית חומרים בעת ובעונה אחת.

לא רק גבישים

רוב המחקרים עד כה שהשתמשו בבינה מלאכותית לחיזוי חומרים התמקדו בחומרים גבישיים. אבל יש עוד עולם שלם של חומרים, שנקראים “חומרים אמורפיים”, שלא משחקים לפי הכללים האלה. בשונה מגבישים, בזכוכית, בפולימרים ובחומרים ביולוגיים אין תמיד מחזוריות – בכלל, או לפחות לאורך חלק ניכר מהחומר. כדי להבין חומרים כאלה המודלים לא מנסים ללמוד או לחזות איפה בדיוק נמצא כל אטום, אלא לומדים וחוזים את התכונות של החומר. הם נעזרים לשם כך בנתונים סטטיסטיים: אילו סוגי אטומים יש בחומר, מה היחס בינם לבין אטומים אחרים ומהן התכונות של החומר. כשמצטברות מספיק דוגמאות, הם יכולים לזהות דפוסים בתוכם, ולנחש אילו הרכבים יניבו חומרים חזקים, גמישים, מוליכים, או כל תכונה אחרת שאנו מחפשים בחומר. 

מחקר שפורסם לאחרונה מראה שהשילוב בין כלים חישוביים לבינה מלאכותית מקרב אותנו ליכולת לתכנן חומרים אמורפיים על פי דרישה. כבר כעת חוקרים מיישמים את הגישה הזאת בפיתוח זכוכית מתכתית, פולימרים חכמים וחומרים לתאי דלק – תחומים שלא דרוש בהם בהכרח סדר.

ומה הלאה?

האם בעתיד הלא רחוק נוכל לעצב חומרים בלחיצת כפתור? כלים חדשים כמו GNoME, מודלים של בינה מלאכותית יוצרת ומעבדות אוטונומיות משנים לא רק את הדרך שבה אנחנו מגלים חומרים, אלא גם את האופן שבו אנו חושבים על מדע.

עד לאחרונה, גילוי של חומר חדש היה עניין נדיר, כמעט חגיגי. כעת, אלגוריתם יכול להציע מיליון חומרים – ואז לסנן את הטובים ביותר על פי תכונותיהם, יישומיהם והיכולת ליצור אותם בפועל. עם זאת, חשוב לזכור שישנו פער בין עצם היכולת לחשב ולהציע חומר חדש במחשב לבין ההכנה שלו במעבדה, לא כל שכן ייצור תעשייתי שלו. על כן יש עוד דרך ארוכה לעבור לפני שנוכל לברוא חומרים באופן אוטומטי לחלוטין לפי הזמנה.