קרדיט תמונה: Zirat AI / AI
מחקר MIT: DiffSyn משתמשת ב-AI גנרטיבי כדי להציע “מתכונים” לסינתזה של חומרים מורכבים
לפי דיווח ב-MIT News, חוקרי MIT פיתחו את DiffSyn, מודל דיפוזיה שמציע מסלולי סינתזה לחומרים חדשים. המערכת אומנה על יותר מ-23 אלף “מתכונים” ומקצרת ניסוי וטעייה, כולל הדגמה על זאוליטים.
According to an MIT News report, חוקרים מ-MIT מציגים מודל בינה מלאכותית גנרטיבית שמנסה לפתור את אחד החסמים העקשניים ביותר במדעי החומרים: לא רק לדמיין חומרים חדשים במחשב, אלא גם לדעת איך להכין אותם בפועל במעבדה.
מהפכת “החומרים התיאורטיים” והבעיה שמגיעה אחריה
בשנים האחרונות מודלים גנרטיביים ומאגרי נתונים עצומים של תכונות חומרים יצרו שיטפון של מועמדים תיאורטיים, עם הבטחות ליציבות תרמית גבוהה, ספיחת גזים סלקטיבית או ביצועים קטליטיים משופרים. אלא שבין רעיון לבין חומר אמיתי יש מרחק גדול: סינתזה של חומרים אינה דומה לבישול לפי מתכון פשוט. שינוי קטן בטמפרטורה, בזמן תגובה, ביחסי קודמנים או בתנאי העיבוד יכול להכריע אם החומר יתגבש נכון או ייכשל. זו בדיוק הנקודה שבה תהליך הגילוי נתקע, לעיתים לשבועות או חודשים של ניסויים.
DiffSyn: מודל דיפוזיה שמייצר מסלולי סינתזה
במאמר שפורסם ב-Nature Computational Science, הוביל אלטון פאן (Elton Pan), דוקטורנט במחלקה להנדסת חומרים (DMSE) ב-MIT, פיתוח מודל בשם DiffSyn. בין השותפים למחקר: Soonhyoung Kwon, Sulin Liu, Mingrou Xie, Alexander J. Hoffman, Yifei Duan, Thorben Prein, Killian Sheriff, Yuriy Roman-Leshkov, Manuel Moliner, Rafael Gómez-Bombarelli ו-Elsa Olivetti.
DiffSyn אומן על יותר מ-23,000 “מתכוני” סינתזה שנאספו מתוך כ-50 שנות מאמרים מדעיים. במהלך האימון החוקרים הוסיפו לנתונים “רעש” אקראי בצורה איטרטיבית, והמודל למד לבצע תהליך הפוך של ניקוי רעש, כלומר לשחזר מתכון סביר מתוך אי-סדר. זהו עיקרון שמזוהה עם מודלי דיפוזיה, המוכרים בעיקר מכלי יצירת תמונות, אך כאן ה”תוצר” אינו תמונה אלא מסלול סינתזה: שילובים של טמפרטורות תגובה, זמני תגובה, יחסי חומרים מקדימים ופרמטרים נוספים.
מעבר ממיפוי של “אחד לאחד” ל“אחד לרבים”
החידוש המרכזי אינו רק דיוק, אלא התאמה למציאות מעבדתית. במודלים קודמים נהוג היה למפות מבנה חומר למתכון יחיד, כאילו יש דרך אחת “נכונה”. בפועל, אותו חומר יכול להיווצר בכמה מסלולים, עם תנאים שונים. DiffSyn תוכנן להפיק מגוון מסלולים אפשריים עבור אותו יעד. לפי פאן, המעבר הזה ממיפוי אחד לאחד למיפוי אחד לרבים הוא רכיב מרכזי בשיפור הביצועים בבנצ’מרקים.
מבחן מעבדה על זאוליטים: חומר חדש עם יציבות תרמית טובה יותר
כדי להדגים את היכולת, החוקרים התמקדו בזאוליטים, משפחת חומרים בעלת “מרחב סינתזה” מורכב במיוחד. זאוליטים גם נוטים להתגבש לאט, ימים ואף שבועות, ולכן כל האצה בבחירת תנאים מבטיחה חיסכון ניכר בזמן ועלויות. באמצעות ההצעות של DiffSyn, הצוות הצליח לסנתז זאוליט חדש, ולאחר בדיקות נמצא כי הוא מציג יציבות תרמית משופרת ומורפולוגיה שעשויה להיות מבטיחה ליישומים קטליטיים.
למה זה חשוב לתעשייה ולמגמות גלובליות
במבט רחב, המודל עשוי לקצר את הדרך בין חיזוי חומרים באמצעות AI לבין אימוץ תעשייתי. תעשיות כמו פטרוכימיה, אנרגיה, סוללות, הפרדת גזים וסינון תהליכים נשענות על חומרים מתקדמים, אך חוות צוואר בקבוק בביצוע ניסויים בקנה מידה. אם ניתן להציע במהירות “נקודת פתיחה טובה” לסינתזה של חומר חדש, המעבדה יכולה לעבור מניסוי וטעייה איטי לחיפוש יעיל במרחב פרמטרים רב-ממדי.
החוקרים מעריכים שניתן יהיה להרחיב את הגישה גם למשפחות חומרים נוספות, כמו MOFs ומוצקים אנאורגניים, אך מציינים אתגר מרכזי: זמינות נתונים איכותיים לכל מחלקת חומרים. היעד העתידי, לפי הצוות, הוא חיבור מערכות כאלה לניסויים אוטונומיים בעולם האמיתי, שיקבלו משוב מהמעבדה וישפרו את ההצעות באופן “סוכני”, כדי להאיץ עוד יותר את תכנון החומרים.