חוקרים מאוניברסיטת סיאול חילצו בעזרת מודלי שפה נתונים מ־448 מאמרים מדעיים, שילבו אותם עם חוקי פיזיקה ומודלי למידת מכונה וצמצמו מרחב של כ־150 מיליון הרכבים אפשריים ל־37 מועמדים. שני חומרים שנבחרו לייצור שמרו על קבוע דיאלקטרי גבוה גם בטמפרטורות גבוהות ועשויים להתאים בעתיד לקבלים קרמיים במכוניות חשמליות ובאלקטרוניקה להספק. ([서울대학교 공과대학][2])
חיפוש אחר חומר חדש הוא לעיתים בעיה של מספרים עצומים. אפילו כאשר החוקרים מגבילים את עצמם לקבוצה מסוימת של יסודות ומבנים גבישיים, מספר היחסים והצירופים האפשריים יכול להגיע למיליונים ואף למאות מיליונים. אי אפשר לייצר כל אחד מהם במעבדה ולבדוק אותו.
צוות חוקרים מאוניברסיטת סיאול הלאומית בקוריאה ניסה להפוך את סדר העבודה. במקום להתחיל בסינתזה של חומר אחר חומר, החוקרים השתמשו בבינה מלאכותית כדי לאסוף ידע ממאות מאמרים מדעיים, לבנות ממנו מאגר נתונים ולסרוק וירטואלית יותר מ־150 מיליון הרכבים אפשריים. בסוף התהליך נשארו 37 מועמדים, ומתוכם נבחרו שניים לייצור ולבדיקה במעבדה. שניהם עמדו ביעדי הביצועים שהוגדרו מראש. ([דו אי][3])
המחקר, בהובלת פרופ׳ הו וון ג׳אנג (Ho Won Jang) מהמחלקה למדע והנדסת חומרים באוניברסיטת סיאול, פורסם ב־Nature Communications. קוואנוו סונג (Kwanwoo Song), תלמיד במסלול משולב לתואר שני ודוקטורט, היה המחבר הראשון והוביל את בניית מאגר הנתונים, פיתוח מודלי למידת המכונה, סינון החומרים והאימות הניסויי. ([PubMed][4])
למה בכלל דרושים חומרים דיאלקטריים חדשים?
החוקרים התמקדו בחומרים דיאלקטריים — חומרים שאינם מוליכים זרם חשמלי באופן רגיל, אך יכולים לאגור מטען חשמלי. הם מרכיב מרכזי בקבלים, ובפרט בקבלים קרמיים רב־שכבתיים, MLCC, שנמצאים בכמויות עצומות בטלפונים, מחשבים, מכוניות ומערכות אלקטרוניות אחרות.
אחת התכונות החשובות של חומר כזה היא המקדם הדיאלקטרי, או permittivity. ככל שהוא גבוה יותר, אפשר עקרונית לאגור יותר מטען באותו נפח. אלא שקבוע דיאלקטרי גבוה לבדו אינו מספיק: ברכיבים שפועלים במכוניות חשמליות, במערכות הספק או בתעופה, החומר צריך להמשיך להתנהג באופן יציב גם כאשר הטמפרטורה משתנה. ([דו אי][3])
חומר נפוץ כיום הוא בריום טיטנאט, BaTiO₃, אולם תכונותיו משתנות בחדות בקרבת טמפרטורות מסוימות. החוקרים חיפשו חומרים נטולי עופרת ממשפחת הפרובסקיטים ה״מרפים״ — relaxor ferroelectrics — שבהם התגובה החשמלית משתנה באופן מתון יותר עם הטמפרטורה. ([서울대학교 공과대학][2])
קודם צריך ללמד את המכונה מה כבר ידוע
הבעיה הראשונה לא הייתה האלגוריתם אלא הנתונים.
תוצאות על חומרים דיאלקטריים מפוזרות באלפי מאמרים. חלקן מופיעות בטקסט, חלקן בטבלאות וחלק גדול מהמידע החשוב קבור בגרפים. יתרה מכך, חוקרים שונים מבצעים מדידות בתנאים שונים — טמפרטורות, תדרים, עובי דגימה וגודל גרגרים שונים — ולכן אי אפשר פשוט לאסוף את המספרים לעמודה אחת.
הצוות בחר 448 מאמרים בתחום ובנה מהם מאגר של 1,202 רשומות. מודל שפה שימש לחילוץ מידע על הרכב החומר ותנאי הייצור מן הטקסט והטבלאות, ואילו גרפים של התכונות הדיאלקטריות כפונקציה של הטמפרטורה הומרו בחזרה לנתונים מספריים. החוקרים הוסיפו 22 מאפיינים פיזיקליים המתארים בין היתר את היסודות, המבנה והמיקרו־מבנה. ([דו אי][3])
במאמר מציינים החוקרים כי בתהליך חילוץ הנתונים נעשה שימוש ב־NotebookLM המבוסס על Gemini 2.0, יחד עם כללים קבועים לניתוח נוסחאות כימיות והמרתן לפורמט אחיד. ([דו אי][1])
זהו פרט חשוב: במקרה הזה מודל השפה לא ״המציא״ חומר. תפקידו היה לסייע להפוך ספרות מדעית מפוזרת למאגר נתונים שאפשר לבצע עליו חישובים.
מ־150 מיליון לפחות ממיליון — ואז ל־37
לאחר בניית בסיס הנתונים אימנו החוקרים אוסף של 30 מודלי למידת מכונה עצמאיים. המודלים נדרשו לחזות בו־זמנית כמה תכונות, ובהן מקדם דיאלקטרי גבוה ויציבות בטווח טמפרטורות רחב.
המחשב יצר מרחב של יותר מ־150 מיליון הרכבים היפותטיים. עוד לפני הפעלת תחזיות הביצועים הופעלו עליהם אילוצים פיזיקליים בסיסיים: למשל, ניטרליות חשמלית והתאמה מבנית לפרובסקיט יציב. הסינון הזה הוריד את המספר לכ־940 אלף הרכבים. ([Nature][5])
לאחר מכן הפעילה המערכת את מודלי החיזוי. היא לא הסתפקה בערך החזוי עצמו, אלא בדקה גם עד כמה 30 המודלים מסכימים ביניהם. חומר שקיבל תחזית טובה אבל אי־ודאות גבוהה לא קיבל עדיפות.
בסיום הסינון נותרו רק 37 מועמדים מתוך כ־150 מיליון האפשרויות המקוריות. ([Nature][5])
ומה קרה כשבאמת ייצרו אותם?
השלב המכריע היה המעבר מן המחשב למעבדה.
המשפחה שנבחרה הייתה בעלת הנוסחה הכללית:
(Sr₀.₄₈Na₀.₂₆Bi₀.₂₆)(Ti₁₋ₓSnₓ)O₃
החוקרים התמקדו בשתי גרסאות שבהן הוחלף חלק קטן מן הטיטניום בבדיל: אחוז מולרי אחד ושני אחוזים. הן מכונות SNBTS1 ו־SNBTS2.
לאחר סינתזה ומדידה התקבלו בטמפרטורת החדר מקדמים דיאלקטריים של 3,422 ו־3,307 בהתאמה — כלומר, קרובים מאוד לטווח שאליו כיוונה המערכת. ([서울대학교 공과대학][2])
חשוב מכך, החומרים שמרו על תכונותיהם על פני טווח טמפרטורות רחב יותר. שתי הדגימות עמדו בדרישות היציבות של תקני X5R, X6R ו־X7R לקבלים קרמיים רב־שכבתיים. ב־X7R, למשל, נדרש שהקבוע הדיאלקטרי יישאר בתחום של ±15% מערכו ב־25 מעלות צלזיוס בין מינוס 55 ל־125 מעלות צלזיוס. ([서울대학교 공과대학][2])
למה מעט בדיל עוזר?
כדי לברר מדוע שינוי כימי קטן כל כך משפיע על היציבות, החוקרים השתמשו במיקרוסקופיית כוח פייזואלקטרי, ספקטרוסקופיית ראמאן ומיקרוסקופיית אלקטרונים ברזולוציה אטומית.
התוצאות מצביעות על כך שתוספת הבדיל מרחיבה מעט את מסגרת הגביש ומגדילה אי־אחידות חשמלית בקנה מידה אטומי. האי־אחידות יוצרת אזורים קוטביים מקומיים שאינם עוברים שינוי חד כולם באותה טמפרטורה, ולכן התגובה הדיאלקטרית נעשית הדרגתית ויציבה יותר. ([דו אי][3])
לא 150 מיליון ניסויים במחשב
המספר המרשים של 150 מיליון עלול ליצור רושם מטעה. החוקרים לא ביצעו סימולציה קוונטית מלאה לכל אחד מן החומרים האלה, וגם לא הוכיחו ש־37 המועמדים האחרים יהיו בהכרח מוצלחים.
במקום זאת, הם יצרו במהירות מספר עצום של נוסחאות אפשריות, סיננו אותן באמצעות חוקי פיזיקה ואז השתמשו במודלים סטטיסטיים שלמדו מנתונים ניסויים קיימים כדי לדרג את המועמדים.
גם מחברי המאמר מדגישים כי החידוש אינו בהכרח הכימיה האקזוטית של שני החומרים שנבחרו, אלא תהליך ה־down-selection: היכולת לצמצם באופן שיטתי מרחב של מאות מיליוני אפשרויות למספר קטן של ניסויים שיש סיכוי טוב שיצליחו. ([Nature][5])
המדע הישן הופך לחומר גלם למחקר חדש
מבחינה רחבה יותר, אולי זהו החלק המעניין ביותר במחקר.
כמות עצומה של נתונים מדעיים כבר קיימת, אך היא מפוזרת במאמרים שנכתבו במשך עשרות שנים ובפורמטים שלא תוכננו למחשבים. מודלי שפה, זיהוי גרפים וכלי למידת מכונה מאפשרים כעת להפוך חלק מן הספרות הזאת למאגר נתונים שניתן לשאול עליו שאלות חדשות.
במקום להשתמש ב־AI רק לחיזוי על בסיס מאגר מוכן, החוקרים השתמשו בה גם בשלב שקודם לכך — בניית המאגר עצמו.
אם השיטה תתברר כאמינה גם בתחומים אחרים, היא עשויה להאיץ חיפוש אחר תחמוצות פונקציונליות, שכבות דקות וחומרים נוספים שבהם התוצאות הניסיוניות כבר קיימות בספרות אך אינן מאורגנות במאגר אחיד. ([서울대학교 공과대학][2])
אין בכך ביטול של המעבדה. להפך: המחקר מדגים שהשלב הניסויי נשאר מבחן המציאות. היתרון הוא שאפשר להגיע אליו לאחר סינון הרבה יותר יעיל.
שאלות ותשובות
מה מצאה הבינה המלאכותית?
המערכת צמצמה יותר מ־150 מיליון הרכבים כימיים אפשריים ל־37 מועמדים. שני הרכבים שנבחרו לייצור ניסויי הראו קבוע דיאלקטרי גבוה ויציבות טובה בטמפרטורות משתנות.
האם AI יצרה חומר חדש בעצמה?
לא. החוקרים בנו מערכת שמשלבת נתונים מהספרות, אילוצים פיזיקליים ולמידת מכונה. בני אדם הגדירו את הבעיה, בחרו את המועמדים, ייצרו אותם ובדקו אותם במעבדה.
למה החומרים חשובים?
חומרים דיאלקטריים משמשים בקבלים קרמיים המצויים כמעט בכל מכשיר אלקטרוני. יציבות בחום חשובה במיוחד במכוניות חשמליות, מערכות הספק ויישומי תעופה.
מה היתרון של השיטה על פני ניסוי וטעייה?
במקום לייצר מספר גדול של חומרים ולבדוק אותם בזה אחר זה, אפשר להשתמש בכל הידע שכבר קיים כדי לבחור מראש מספר קטן יחסית של מועמדים מבטיחים.
המאמר המדעי
Machine-learning-guided inverse design of lead-free relaxors enabled by multimodal literature mining, Kwanwoo Song ואחרים, Nature Communications 17, 7548, פורסם ב־15 ביוני 2026. המאמר ב-Nature Communications ([דו אי][1])
עוד בנושא באתר הידען
- בינה מלאכותית מאיצה את החיפוש אחר חומרי שבבים חדשים
- בינה מלאכותית סרקה אלפי מאמרים ויצרה מאגר ענק של חומרים מגנטיים
- לימוד מכונה לטובת הגילוי של חומרים חדשים
- כשהמכונה לובשת חלוק