חוקרים פיתחו מערכת מחשב שהצליחה ללמוד עקרונות קוונטיים של מבנה החומר, כדי להבין טוב יותר תכונות של חומרים חשובים
חברת DeepMind, חברה-אחות של גוגל המתמחה בבינה מלאכותית, עשתה זאת שוב. לאחר שבשנה שעברה פיתחה מודל מבוסס בינה מלאכותית שיודע לנבא ברמת דיוק גבוהה מבנה תלת-ממדי של חלבון, עבודה שאף זכתה לאחרונה בהכרה של כתב העת Science כפריצת הדרך של שנת 2021, כעת מחקר חדש של החברה מראה שאפשר להיעזר בבינה מלאכותית כדי לחשב בצורה מדויקת תכונות של חומרים אחרים. למרות שפיזיקאים, כימאים ומהנדסי חומרים נעזרים בכלים חישוביים כדי לנבא תכונות של חומרים כבר כמה עשורים, השיטות הקיימות סובלות מכמה מגבלות וחוסר דיוקים מובנים שהמחקר החדש מצליח לפתור. כדי להבין בעזרת בינה אנושית מה תרמה הבינה המלאכותית במחקר הזה, נצא לטיול קצר בעקבות מבנה האטום, מכניקת הקוונטים וכמה מדענים נבונים.
איפה האלקטרונים?
במרכזו של כל אטום יש גרעין המכיל פרוטונים, בעלי מטען חשמלי חיובי, ונייטרונים חסרי מטען חשמלי. סביב הגרעין סובבים אלקטרונים, בעלי מטען חשמלי שלילי. אופן הסידור של האלקטרונים סביב הגרעין, או הגרעינים במולקולות המורכבות מכמה אטומים, קובע תכונות רבות של חומרים, כמו מוליכות חום או חשמל, ועד כמה הם נוטים להגיב עם חומרים אחרים. כדי להבין איך אלקטרונים מסודרים בחומר מסויים, צריך לפתור את המשוואה המפורסמת שניסח הפיזיקאי האוסטרי ארווין שרדינגר, המקשרת בין המיקום של אלקטרונים, נייטרונים ופרוטונים לבין האנרגיה של האטום או המולקולה. הבעיה היא שבעוד משוואת שרדינגר ניתנת לפתרון עבור מערכות פשוטות יחסית, כמו אטום המימן, שגרעינו מכיל רק פרוטון יחיד וסביבו אלקטרון אחד, ככל שהחומרים גדולים יותר ומכילים יותר אלקטרונים, פרוטונים ונייטרונים, פתרון מלא של המשוואה הופך להיות בלתי אפשרי, אפילו בעזרת מחשב.
בשנות ה-60 של המאה העשרים הפיזיקאים האמריקאים וולטר קון (Kohn) ופייר הוכנברג (Hohenberg) הציעו דרך לעקוף את הבעיה. לטענתם, במקום לנסות לגלות את המיקום האפשרי של כל אחד מהאלקטרונים בחומר מסוים, כפי שנדרש בפתרון מלא של משוואת שרדינגר, מספיק יהיה להבין איך נראית הצפיפות של כל האלקטרונים יחד. הדרך לעשות זאת היא בעזרת פתרון משוואה המורכבת מצירוף של כמה ביטויים מתמטיים התלויים ישירות בצפיפות האלקטרונים. הצירוף של הביטויים המתמטיים נקרא פונקציונל, והשיטה כולה נקראת "תיאוריית פונקציונל הצפיפות" (Density Functional Theory – DFT). השיטה זכתה לתפוצה רחבה, ומשמשת באופן תדיר לחישוב תכונות של חומרים רבים, ואף זיכתה את קון בחצי פרס נובל לכימיה לשנת 1998.
מתאימה רק למקרים פשוטים מאוד. משוואת שרדינגר המשמשת בין השאר לחיזוי מקום האלקטרונים | איור: Maksym Bondarenko, Shutterstock
לשבור את האלקטרון ולהשאיר אותו שלם
למרות שבאופן עקרוני אפשר לתאר בעזרת DFT את צפיפות האלקטרונים של חומרים רבים, בפועל הדבר אפשרי רק אם הביטויים המתמטיים מתארים במדויק את ההתנהגות של האלקטרונים, כלומר רק אם הפונקציונל מדויק. מכיוון שהפונקציונל המדויק אינו ידוע, כיום משתמשים בפונקציונלים מקורבים, המבוססים על אילוצים פיזיקליים או התאמה לתוצאות ניסויים, כדי שיתארו את המערכת בצורה כמה שיותר נכונה. כדי להעריך עד כמה קירוב מסויים נכון, מקובל להשוות את התכונות שהקירוב מנבא עבור קבוצה של חומרים עם תכונות ידועות.
פונקציונלים קיימים מתארים בצורה טובה חומרים רבים. למשל, אפשר לחשב באמצעותם את המבנה הגיאומטרי של מולקולות גז פשוטות כמו פחמן דו חמצני (CO2) וחמצן (O2) וגם מולקולות מורכבות יותר. בנוסף, אפשר להיעזר בהם כדי לחפש חומרים חדשים שיכולים לשמש לאגירת אנרגיה ולשיפור היעילות של המרת אנרגיה מהשמש, מהרוח או ממקורות אחרים, משימה חשובה בנסיון המתמיד לשפר את הטכנולוגיות של אנרגיות מתחדשות. DFT יכול לשמש גם בתכנון מולקולות חדשות, למשל של תרופות. עם זאת, במקרים מסוימים, למשל בחומר פשוט כמו מלח שולחן (נתרן כלורי, NaCl), השימוש ב-DFT אינו יעילו משום שהוא לא מתאר נכונה את צפיפות האלקטרונים.
הבעיה נובעת מכך שקירובים קיימים לא מצליחים לתאר בצורה נכונה תכונה חשובה של אלקטרונים הקשורה למכניקת הקוונטים: שברי אלקטרונים. אמנם אין דבר כזה שבר של אלקטרון, אבל יש מקרים חשובים שבהם נצטרך לתאר חומרים כאילו יש בהם אזורים עם שברי אלקטרונים, כלומר שמטען האלקטרונים מתפצל בין אזורים במולקולה, כך שבאזור אחד יש למשל מטען של אלקטרון וחצי, בעוד באזור אחר יש מטען של חצי אלקטרון. דוגמא לחומר כזה היא מולקולת +H2 – מולקולת גז המכילה שני אטומי מימן אך רק אלקטרון אחד. מפתרון מלא של משוואת שרדינגר עבור +H2 אנחנו יודעים שלאלקטרון הבודד הזה יש סיכוי של בערך 50 אחוז להימצא ליד כל אחד מגרעיני המימן בכל רגע נתון, למרות שהאלקטרון לא יכול להתחלק. למעשה, בכל מולקולה המאופיינת באל-איתור אלקטרונים, כמו חומצות הגרעין המרכיבות את ה-DNA, יש אזורים שבהם יש, לכאורה, שברי אלקטרונים. הבעיה היא, שאת ההתנהגות של שברי האלקטרונים האלו שיטות קיימות לא מצליחות לנבא.
הדמיה בעזרת הפונקציונל. המבנה האטומי של מולקולת סטנין - רשת חד שכבתית של אטומי בדיל מסודרים במשושים - שיוצרה בעזרת תיאוריית DFT | איור: ROBERT BROOK / SCIENCE PHOTO LIBRARY
המחשב לומד קוונטים
כדי להתגבר על בעיית שברי האלקטרונים, המחקר הנוכחי מציע גישה חדשה: במקום לנסות להכניס לפונקציונל אילוצים פיזיקליים שיתארו שברי אלקטרונים, ננסה ללמד מערכת של בינה מלאכותית איך מתנהגים חומרים עם שברי אלקטרונים כאלה. לשם כך, לקחו החוקרים קבוצה של 2,235 חומרים שצפיפות האלקטרונים שלהם ידועה בדיוק גבוה, וגם תכונות כימיות אחרות שאפשר לחשב על סמך צפיפות האלקטרונים. כמחצית מהחומרים האלה הם חומרים פיקטיביים, שאינם קיימים במציאות, אבל לפי ההרכב התיאורטי יש בהם שברי אלקטרונים. החוקרים אימנו מערכת של בינה מלאכותית לחזות נכון את התכונות של כל החומרים בקבוצה, כולל החומרים הפיקטיביים שיש בהם שברי אלקטרונים. כך, החוקרים יצרו פונקציונל חדש, מבוסס בינה מלאכותית, שמגלם בתוכו מידע על גם על הצפיפות של שברי אלקטרונים. כדי לאשש את רמת הדיוק של המודל, החוקרים חישבו בעזרתו תכונות של קבוצה גדולה של חומרים שמשמשים בדרך כלל לבחינת רמת הדיוק של פונקציונלים, והראו שהשגיאה של השיטה החדשה נמוכה מהשגיאה של גישות קיימות.
רמת הדיוק הגבוהה של המודל החדש מודגשת דרך חישוב מדויק של המבנה האלקטרוני בצמד הבסיסים אדנין (Adenine) ותימין (Thymine), שניים מארבעת הבסיסים של חומצות הגרעין המרכיבות את ה DNA. בעוד לפי שיטות מקובלות האלקטרונים מתחלקים באופן יחסית זהה בין שני הבסיסים כשהם קשורים זה לזה, המודל של DeepMind מחשב נכון כי רוב האלקטרונים ממוקמים סביב האדנין.
הבינה המלאכותית גילתה כי רוב האלקטרונים מתרכזים בצד שמאל: מודל של הקשר בין אדנין (מימין) לתימין | מקור: CARLOS CLARIVAN / SCIENCE PHOTO LIBRARY
במאמר הסבר על המחקר החדש כותב ג'ון פרדו (Perdew) מהמחלקה לפיזיקה וכימיה באוניברסיטת טמפל בארצות הברית, כי החשיבות שלו אינה בכך שהוא מציע פונקציונל מאוד מדויק. למעשה, סביר להניח שהוא לא יהיה מאוד מדויק עבור חומרים שהבינה המלאכותית לא למדה את התכונות שלהם, כמו מתכות מעבר (למשל ברזל, זהב, כסף ונחושת). בנוסף, המחקר הנוכחי הוא גם לא הראשון שמשתמש בכלים של בינה מלאכותית כדי לשפר פונקציונלים. החשיבות של המחקר הנוכחי היא שהוא מראה שאפשר לבטא אילוצים מתמטיים בעזרת נתונים מלאכותיים, כך שאפשר יהיה ללמד מערכת של בינה מלאכותית את האילוצים האלו בצורה שתאפשר לה לנבא בצורה יותר מדויקת תכונות של חומרים.
המחקר הזה ממש אינו מצביע על סיום המסע של הכימאים החישוביים בחיפוש אחר הפונקציונל המדויק, אך הם בהחלט התקדמו בו צעד חשוב קדימה, בעזרת בינה מלאכותית. אם יום אחד הפונקציונל המדויק יימצא, הוא יאפשר לחשב בצורה מדויקת את התכונות של כל החומרים בטבע, ואף לתכנן חומרים חדשים עם תכונות משופרות לשימושים כמו פיתוח תרופות, אגירת אנרגיה והולכת חשמל. אולם, רבים בתחום נוהגים לדמות את החיפוש אחר הפונקציונל המדויק למשל המפורסם על העיוורים והפיל.
לפי המשל, חמישה עיוורים ממששים פיל, ומנסים להבין מה זה. אחד ממשש את החדק, ומסיק שהפיל דומה לנחש. שני ממשש את הרגל ומסיק שהפיל דומה לגזע עץ, אחר ממשש את צדי הגוף ומגיע למסקנה שהפיל דומה לקיר. מי שמישש את זנב הפיל חשב שהוא דומה לחבל, והאחרון, שמישש את החטים הסיק שהפיל הוא בעל חיים חלק ומחודד.
לענייננו, הפונקציונל המדויק, אם הוא קיים, הוא הפיל. במשך עשרות שנות מחקר תובנות פיזקליות מעמיקות וניסויים קפדניים סייעו לגלות תכונות שונות של ה"פיל". המחקר הנוכחי מראה כי אפשר גם להיעזר בבינה מלאכותית כדי להבין טוב יותר תכונות שלו. אבל הוא לא עונה על השאלה אם הבינה המלאכותית, בשילוב פיזיקה וכימיה תיאורטית, תצליח יום אחד למצוא את הפונקציונל המדויק, להראות לנו את כל הצדדים של הפיל, ולהראות לנו את טבעו האמיתי של הפיל הזה.
תודה לדינה רולר ולמיכל הרטשטיין מקבוצת המחקר של פרופסור ליאור קרוניק ממכון ויצמן למדע על הסיוע בהכנת הכתבה.
