סוכני AI מאיצים גילוי קטליזטורים: מסימולציה לייצור בקנה מידה תעשייתי
כלי בינה מלאכותית משנים את מחקר הקטליזטורים: סוכני AI מבצעים בדקות מה שדרש מכימאים חישוביים ימים שלמים. פרויקטים כמו Open Catalyst של Meta ו-El Agente מאוניברסיטת טורונטו מקצרים את מחזור הפיתוח התעשייתי, שנמשך כיום בין עשור לרבע מאה, תוך הסתמכות על מאגרי נתונים פתוחים ואוטומציה מתקדמת.
כשחישובים של ימים מתכווצים לדקות
וורניה ברנאלס עבדה ככימאית חישובית בפיתוח קטליזטורים בחברת Dow Chemical במישיגן. לדבריה, "היום לא כלל מספיק שעות" - היא בילתה חלק גדול מזמנה ביצירת קבצים, הגשת חישובים ואיתור תקלות. כעת, מאוניברסיטת טורונטו, היא מפתחת סוכן AI בשם El Agente שיכול, לטענתה, להחליף לחלוטין את כל העבודה שביצעה בענף התעשייתי.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
הסוכן אותר כיעיל במיוחד בזיהוי מצבי מעבר מורכבים שנחקרו בעבר ידנית - מבנים שברנאלס לא הצליחה למצוא לפני עשר שנים נמצאו על ידי הסוכן תוך פחות מ-20 דקות. El Agente משתף פעולה עם Nvidia, שה-GPU שלה מניע את מרבית מערכות ה-AI המודרניות (כפי שפורסם ב-Chemistry World על ידי אנדי אקסטנס).
מה עומד על הפרק: עשרות שנים של פיתוח
טד סרג'נט מאוניברסיטת נורת'ווסטרן מסביר שהמסלול מגילוי קטליזטור ועד לשימוש בו ביישומים בקנה מידה גדול נמשך בין עשור לרבע מאה. האצת תהליך זה - מהגילוי הראשוני ועד לאפיון ביצועים בסביבה תעשייתית - היא המטרה המרכזית שחוקרים רבים שואפים אליה.
בדצמבר 2025 שילבה קבוצת מחקר הכוללת את סרג'נט ניסויים אוטומטיים, ידע אנושי ולמידת מכונה כדי לזהות קטליזטור חדש להמרת פחמן דו-חמצני לפרופילן. רובוטים סינתזו ובדקו 300 הרכבים שונים של קטליזטורים במשך מספר ימים, ואותרה יעילות פרדאית גבוהה מכל שפורסמה עד היום עבור יישום זה.
מגבלת הנתונים: האתגר הבלתי נפתר עדיין
התקדמות ה-AI בתחום הקטליזה תלויה באיכות ובנפח מאגרי הנתונים. פרויקט Open Catalyst, שיתוף פעולה בין קבוצת FAIR של Meta לאוניברסיטת קרנגי מלון, פרסם כבר תוצאות של מעל ל-260 מיליון חישובי DFT לאימון מודלים. מאגר OQMD מכיל חישובים עבור 1.4 מיליון חומרים, ומאגר Nomad מגיע ל-2.7 מיליון חומרים.
ג'אהד אאבד, מדען חומרים ב-Google X לשעבר חבר קבוצת FAIR של Meta, מדגיש שהאתגר המרכזי בצד הניסויי הוא עקביות הנתונים: "אין דרך סטנדרטית ורפרודוקטיבית לייצר נתונים, מה שהופך את התרגום לקבוצות אחרות למכשול משמעותי." הוא מוסיף שהתעשייה הכימית "מגינה יתר על המידה על הנתונים שלה", ממש כפי שהענף התוכנה נהג בעבר לפני עידן הקוד הפתוח.
כלי נוסף שמשנה את מאזן הנתונים הוא ChemDataExtractor v2, שפותח באוניברסיטת קיימברידג': הכלי מבצע עיבוד שפה טבעית הכרת-כימיה ומחלץ נתוני מבנה וסגולות מעשרות אלפי מאמרים מדעיים. כך, למשל, נוצר מאגר של למעלה מ-15 אלף פוטוקטליזטורים שנוצר מ-47 אלף מאמרים.
MLIPs: קפיצת מדרגה בסימולציה
מתחת למכסה, פוטנציאלים בין-אטומיים מבוססי למידת מכונה (MLIPs) - שמחליפים את חישובי ה-DFT המסורתיים - מאפשרים כיום לבצע חישוב שבעבר דרש שעות תוך 25 שניות בלבד. פרנאנדה דוארטה מאוניברסיטת אוקספורד מסבירה שה-MLIPs פותחו מ-2010 ומאפשרים סימולציות של תערובות מורכבות - כולל אינטראקציות בין קטליזטור ולממס - שלא היו אפשריות בעבר.
עם זאת, ה-GPU הנדרש להפעלת מערכות אלו יקר ומבוקש. דוארטה מציינת שמחשב GPU שרכשה לפני שלוש שנים עלה יותר היום מאשר בעת הרכישה - אתגר שחוקרים בישראל ובכל העולם מכירים היטב.
מה קורה כשמגיעים לגדול: אתגר ה-Scale-Up
האתגר הגדול ביותר נותר גדילה לקנה מידה תעשייתי. היום מדובר בתהליך של ניסוי וטעייה. סרג'נט מציע גישה שמשלבת מצלמות וידאו, חיישני טמפרטורה ומיקרוסקופיה אלקטרונית כדי לתעד כל שלב בסינתזה בקנה גדול, ולאמן מודלים על הנתונים שיאפשרו תהליכי ייצור עקביים יותר.
ברנאלס, שתרגמה גילויי קטליזטורים לקנה מידה גדול ב-Dow Chemical, מוסיפה שהאוטומציה יכולה לשפר משמעותית תהליך זה: "עם כל כלי ה-AI המתפתחים, אני חושבת שתהיה שינוי גדול, שיאיץ את גילוי הקטליזטורים."
המשמעות עבור חברות טכנולוגיה ופארמה ישראליות, שמשקיעות בתהליכי זיקוק, ייצור חומרים וטיפול בפסולת, היא ברורה: מחזורי הפיתוח הולכים להתקצר, אך ההשקעה בתשתית נתונים ובמחשוב GPU היא תנאי הכרחי להיות שחקן רלוונטי בזירה הזו.