תעשיית השבבים משקיעה משאבים עצומים בהגדלת כוח החישוב הזמין לבינה מלאכותית: מאיצים חזקים יותר, זיכרונות מהירים, רשתות תקשורת למרכזי נתונים, מערכות קירור וארכיטקטורות המאפשרות לחבר עשרות אלפי מעבדים למודל אחד.

אולם מדען המחשבים פיטר ג'יי דנינג טוען כי הגדלת התשתית החומרתית והיקף המודלים לא תוביל בהכרח לבינה מלאכותית כללית ברמה אנושית.

בספר חדש הוא מציג טענה שלפיה המחקר בתחום פועל במשך יותר מ־75 שנה על בסיס פרשנות מוטעית של הצעת אלן טיורינג. טיורינג הציע בשנת 1950 לבחון אם מכונה יכולה להציג בשיחה התנהגות שאינה ניתנת להבחנה מזו של אדם. מבחן זה, שנודע לימים כמבחן טיורינג, הפך לאחת מנקודות הייחוס המרכזיות בדיון על מכונות חושבות.

לדברי דנינג, יכולתה של מערכת לחקות שיחה אנושית אינה מוכיחה שהיא מבינה את המילים שבהן היא משתמשת. הוא טוען כי אינטליגנציה אנושית אינה תוכנה בלבד, אלא תוצר של גוף ביולוגי, ניסיון מצטבר, קשרים חברתיים, רגשות, הקשר ותרבות.

מדובר בתזה המוצגת בספר ולא בממצא ניסויי שעבר ביקורת עמיתים. חוקרים וחברות בתעשיית הבינה המלאכותית עשויים לחלוק עליה, במיוחד לנוכח השיפור המהיר ביכולותיהם של מודלים גדולים. עם זאת, הטיעון מציב שאלה מהותית בפני תעשיית החומרה: האם הבעיה בדרך ל־AGI היא בעיקר מחסור בכוח חישוב, או שמדובר במחסום מסוג אחר לחלוטין?

הגדלת המודל אינה בהכרח הגדלת ההבנה

בלב טיעונו של דנינג נמצא "ידע סמוי" – ידע שבני אדם משתמשים בו, אך אינם מסוגלים להפוך לסדרה מלאה של מילים, סמלים או הוראות.

הידע הזה כולל שכל ישר, מיומנויות גופניות, אינטואיציה, הבנת התנהגות של אחרים, נורמות חברתיות, תרבות והיסטוריה משותפת. אנשים יודעים לזהות מתי אמירה היא סרקסטית, מתי נדרש טקט ומתי אפשר להתבדח, אף שבדרך כלל אינם מחשבים במודע את כל הכללים שהובילו אותם למסקנה.

מערכת מחשב, לעומת זאת, יכולה לעבד רק מידע שיוצג לה בצורה הניתנת לקידוד. דנינג מכנה זאת "בעיית הייצוג": כל נתון והוראה חייבים להיות מיוצגים בצורה פיזית שהמעבד מסוגל לזהות, לאחסן ולשנות.

ידע סמוי אינו בהכרח קיים בצורה כזו. אפשר לתעד את התוצאה של מיומנות, אך לא תמיד את הידע הגופני והתחושתי המאפשר לבצע אותה. כנר, למשל, יכול להדגים נגינה מעולה, אך אינו מסוגל להעביר לתלמיד את מלוא המיומנות באמצעות רשימת הוראות.

מנקודת המבט של תעשיית השבבים, משמעות הטענה היא כי יותר טרנזיסטורים, יותר זיכרון ורוחב פס גדול יותר יכולים לשפר את מהירות המודל, את גודלו ואת מספר המשימות שהוא מבצע – אך אינם מבטיחים מעבר מחיקוי מוצלח להבנה אנושית.

גם רובוט אינו בהכרח פותר את בעיית הגוף

חלק מחוקרי הבינה המלאכותית מנסים להתמודד עם מגבלת הטקסט באמצעות בינה מלאכותית מגולמת: רובוטים ומערכות אוטונומיות הלומדים באמצעות מצלמות, חיישני מגע, מיקרופונים ותנועה בעולם הפיזי.

מגמה זו צפויה להגדיל את הביקוש לשבבי קצה, מעבדי ראייה, חיישנים, מערכות זמן אמת ומאיצים חסכוניים באנרגיה. היא עשויה לאפשר למכונות ללמוד קשרים בין פעולה לתוצאה ולא רק לנתח מאגרי טקסט.

אולם דנינג טוען כי גם גוף רובוטי אינו זהה לגוף ביולוגי. רובוט יכול לצפות בביצוע, לאסוף נתוני חיישנים ולחקות תנועה, אך אין פירוש הדבר שהוא חווה את התחושות, הרגשות והמשמעויות שבני אדם מייחסים לפעולה.

הפער הזה חשוב במיוחד במערכות הפועלות לצד בני אדם. מכונית אוטונומית, רובוט תעשייתי, מערכת רפואית או סוכן תוכנה עשויים להצליח ברוב המצבים שנכללו באימון – ועדיין להיכשל במצב חריג שבו נדרש ידע הקשרי שלא הוגדר מראש.

הסכנה המעשית אינה מחייבת מחשב־על תבוני

דנינג אינו טוען כי כישלון אפשרי בהשגת AGI מבטל את הסיכונים של הבינה המלאכותית. לדבריו, מערכות שאינן מבינות את העולם כמו בני אדם עדיין יכולות להיות מהירות, אוטונומיות ובעלות השפעה רחבה.

רשתות של סוכני בינה מלאכותית עשויות לבצע משימות, לקבל החלטות ולתקשר זו עם זו ללא פיקוח רציף. הן אינן חייבות להיות בעלות תודעה או תבונה כללית כדי לגרום לשיבושים פיננסיים, להפיץ מידע שגוי, להפעיל מערכות באופן בלתי צפוי או לקבל החלטות שאינן מתיישבות עם מטרות המשתמשים.

לדברי דנינג, יישור מערכות בינה מלאכותית עם ערכים אנושיים נותר קשה משום שחלק מן הכוונות, הנורמות וההקשרים האנושיים כלל אינם מנוסחים. מערכת יכולה לציית להוראה המילולית ועדיין להחמיץ את מטרתה האמיתית.

לתעשיית השבבים אין מכאן מסקנה שלפיה הביקוש לחומרת AI עומד להיעלם. גם ללא AGI, מודלים ייעודיים, מערכות סוכניות, רובוטיקה, עיבוד שפה, תכנון שבבים, רפואה ומערכות אוטונומיות צפויים לדרוש כוח חישוב משמעותי.

אולם הטענה של דנינג מערערת על ההנחה שכמות החישוב היא המדד המרכזי להתקדמות לעבר אינטליגנציה אנושית. ייתכן שתעשיית החומרה תמשיך לשפר במהירות את ביצועי המכונות – בלי שהמכונות יתקרבו באותה מידה להבנה, משמעות או שיקול דעת אנושי.

הפוסט האם עוד שבבים וכוח חישוב יספיקו לבינה מלאכותית כללית? מדען מחשבים טוען שלא הופיע לראשונה ב-Chiportal.

המעבר מצ'אטבוטים המשיבים על שאלה יחידה לסוכני בינה מלאכותית שמפרקים משימות לשלבים, מפעילים כלי תוכנה ובודקים את תוצאותיהם עלול להגדיל מאוד את צריכת האנרגיה ואת עלויות התשתית. מחקר של המכון המתקדם למדע וטכנולוגיה של קוריאה, KAIST, מצא כי משימה המבוצעת באמצעות סוכן AI עשויה לצרוך עד פי 136.5 יותר אנרגיה משאילתת בינה מלאכותית גנרטיבית רגילה.

המחקר, שהוצג בסימפוזיון IEEE הבינלאומי לארכיטקטורת מחשבים בעלי ביצועים גבוהים, HPCA 2026, ניתח את התנהגותם של סוכני AI מנקודת המבט של מרכז הנתונים. החוקרים מדדו את מספר הפניות למודל השפה, זמני ההמתנה, ניצולת המעבדים הגרפיים וצריכת החשמל של כמה שיטות לביצוע משימות מורכבות. המאמר פורסם גם כהדפסה מקדימה תחת הכותרת The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective. (arXiv)

לא שאילתה אחת אלא שרשרת של הפעלות

בשירות בינה מלאכותית רגיל, המשתמש שולח בקשה ומודל השפה מייצר תשובה. סוכן AI פועל בצורה מורכבת יותר: הוא מתכנן את המשימה, מנסח בקשות משנה, מפעיל חיפוש, מחשבון או סביבת קוד, בוחן את התוצאה ולעיתים חוזר על התהליך.

כל שלב כזה עשוי לדרוש קריאה נוספת למודל השפה. מספר הפעלות המודל אינו בהכרח ידוע מראש, משום שהוא תלוי בתוצאות הביניים ובהחלטות שמקבל הסוכן במהלך המשימה.

החוקרים מכנים התנהגות זו "היגיון דינמי". בניגוד להסקה בעלת מסלול קבוע יחסית, הסוכן יוצר בזמן הביצוע גרף משתנה של פעולות חישוב, תקשורת והמתנה לכלים חיצוניים.

התוצאה היא עומס עבודה שונה מזה שעבורו תוכננו רבים ממרכזי הנתונים הנוכחיים. הביצוע אינו רצף רציף של פעולות על ה־GPU, אלא מעבר תכוף בין חישוב במודל השפה, פעילות של מעבד מרכזי, גישה לרשת, חיפוש במאגרי מידע והפעלת תוכנות.

עד פי 153.7 בזמן התגובה

לפי המחקר, ריבוי הפניות למודל וההמתנה לכלים חיצוניים עשויים להאריך את זמן התגובה עד פי 153.7 בהשוואה להסקה רגילה המבוססת על שרשרת חשיבה.

במהלך ההמתנה, המעבד הגרפי שהוקצה לבקשה אינו תמיד מסוגל לעבור ביעילות לעבודה אחרת. החוקרים מצאו שבתרחישים מסוימים נותרו יחידות ה־GPU ללא פעילות עד 54.5% מזמן הביצוע הכולל.

מדובר בבעיה כלכלית ולא רק אנרגטית. GPU המשמש להסקת מודל גדול הוא אחד הרכיבים היקרים ביותר במרכז נתונים. אם המאיץ שמור למשימה אך אינו מבצע חישוב במשך מחצית מזמן העבודה, עלות ההון אינה מתורגמת לניצולת בפועל.

עומסי סוכנים מציבים אפוא אתגר למתזמני משימות. עליהם לדעת לפנות משאבים בזמן שהסוכן ממתין לכלי חיצוני, להעביר אליהם בקשות אחרות ולהחזיר במהירות את המשימה המקורית כאשר התוצאה מגיעה — בלי לפגוע בזיכרון המטמון, בהקשר של המודל ובזמן התגובה.

348 ואט־שעה לבקשה

החוקרים בחנו תרחיש המבוסס על מודל שפה בעל 70 מיליארד פרמטרים, סדר גודל המקובל במודלים פתוחים ומסחריים גדולים. לפי החישוב שלהם, ביצוע בקשת סוכן צרך בממוצע 348.41 ואט־שעה.

הצריכה גבוהה פי 136.5 מזו של מערכת בינה מלאכותית גנרטיבית המבצעת מענה רגיל לשאלה, לפי תצורת הבדיקה שנבחרה במחקר.

המספר אינו משקף בהכרח כל סוכן AI וכל מרכז נתונים. צריכת האנרגיה תלויה בגודל המודל, בחומרה, במספר שלבי ההסקה, באורך ההקשר, בשיטת הכימות, במערכת הקירור וביעילות תוכנת ההגשה.

עם זאת, היחס הגבוה מדגים את הסיכון שבהתייחסות לסוכן כאל שאילתת צ'אט רגילה. בקשה אחת של משתמש עשויה להפעיל מאחורי הקלעים עשרות פעולות הסקה וכלים נוספים.

תרחיש של כמעט 200 גיגה־ואט

כדי להמחיש את משמעות ההתרחבות, החוקרים חישבו תרחיש שבו סוכני AI מטפלים ב־13.7 מיליארד בקשות ביום — נפח שאותו השוו להיקף החיפושים היומי בגוגל.

לפי הנחות המחקר, הפעלת עומס כזה תדרוש הספק כולל של כ־198.9 גיגה־ואט. זהו הספק רציף עצום, הגדול בסדרי גודל ממרכזי הנתונים הבודדים המתוכננים כיום, שהספקם נע בדרך כלל ממאות מגה־ואט ועד כמה גיגה־ואט.

אין לראות בתרחיש תחזית לכך שכל החיפושים בעולם אכן יוחלפו בסוכנים המשתמשים במודל של 70 מיליארד פרמטרים ובאותה שיטת ביצוע. זהו תרגיל קנה מידה שנועד להראות כי שימוש המוני בסוכנים ללא שיפור משמעותי ביעילות אינו מעשי מבחינת חשמל, קירור ותשתית.

התרחיש גם מדגיש שהמגבלה על התרחבות ה־AI עשויה לעבור מזמינות שבבים לזמינות הספק חשמלי, חיבורי רשת והקמת מרכזי נתונים.

תשואה חישובית פוחתת

החוקרים בחנו גם שיטות של הרחבת החישוב בזמן ההסקה — test-time scaling — שבהן המערכת משקיעה יותר חישוב כדי לשפר את איכות התשובה.

דוגמאות לכך הן יצירת כמה מסלולי פתרון במקביל, הוספת דוגמאות להנחיה, ביצוע ביקורת עצמית או חזרה על התהליך בכמה סבבים.

תוספת חישוב אכן יכולה לשפר את הדיוק, אך המחקר מצא כי התשואה פוחתת במהירות. כל סבב נוסף מגדיל את מספר האסימונים, זמן הביצוע וצריכת האנרגיה, בעוד שהתוספת לאיכות התוצאה נעשית קטנה יותר. (arXiv)

מבחינת מפעילי תשתיות, משמעות הדבר היא שלא מספיק להגדיר יעד ביצועים למודל. יש להחליט כמה אנרגיה, זמן ועלות מוצדקים עבור כל שיפור נוסף באיכות.

עומס עבודה חדש למרכזי הנתונים

סוכני AI משלבים כמה סוגים של פעילות:

• הסקת מודל שפה על GPU או מאיץ AI;
• פעולות תזמור ותכנון על מעבדים מרכזיים;
• גישה לזיכרון ולמאגרי וקטורים;
• תקשורת עם שירותים חיצוניים;
• הרצת קוד וכלים;
• המתנה לתוצאות וחזרה למודל.

המערכת אינה מוגבלת עוד למאיץ אחד או אפילו לשרת אחד. היא דומה יותר ליישום מבוזר שבו פעולות שונות דורשות חומרה שונה.

משום כך, החוקרים קוראים לתכנון משולב של מודלי הסוכנים, השבבים, תוכנת התזמון, מרכזי הנתונים ותשתיות החשמל. שיפור של אחד הרכיבים בלבד לא יפתור את הבעיה אם שאר המערכת תמשיך להשאיר מאיצים יקרים בהמתנה.

מחקרים נוספים בתחום מציעים לפצל את גרף הביצוע של סוכנים בין מערכות הטרוגניות — מעבדים מרכזיים, מאיצים מדורות שונים ורכיבים ייעודיים — ולשבץ כל פעולה בחומרה המתאימה לה. גישה כזו עשויה להפחית את עלות הבעלות הכוללת ולהאריך את השימוש בחומרה קיימת. (arXiv)

השלכות על תכנון שבבים

מבחינת תעשיית השבבים, עומסי סוכנים עשויים לשנות את סדרי העדיפויות בתכנון מאיצי AI.

במערכות אימון גדולות, המדד המרכזי הוא לרוב תפוקת פעולות חישוב מקביליות. בהפעלת סוכנים, לעומת זאת, נדרשים גם מעבר מהיר בין משימות, טיפול יעיל בבקשות קצרות ומשתנות, שיתוף זיכרון בין תהליכים והפחתת צריכת החשמל במצב המתנה.

מאיצים עתידיים עשויים להידרש לתמיכה טובה יותר בהשהיה ובהמשך של משימות, בניהול זיכרון מטמון של מודלי שפה ובשיתוף המשאב בין מספר גדול של סוכנים.

גם הקישוריות נעשית חשובה יותר. סוכן עובר בין המודל, מסדי נתונים, כלי תוכנה ושירותי רשת. זמן התקשורת בין הרכיבים עלול להיות משמעותי לא פחות מזמן החישוב עצמו.

הדבר עשוי לחזק את הביקוש לארכיטקטורות הטרוגניות, חיבורי רשת מהירים, מעבדי תשתית, זיכרון רחב פס ופתרונות תזמון המודעים למצב הסוכן.

לא כל משימה דורשת מודל ענק

דרך נוספת להפחתת הצריכה היא להימנע מהפעלת מודל גדול בכל שלב. משימות כמו בחירת כלי, בדיקת פורמט, סינון תוצאה או ביצוע החלטה פשוטה עשויות לעבור למודל קטן יותר או לרכיב תוכנה דטרמיניסטי.

מערכת סוכן יעילה יכולה לנתב כל שלב אל רמת החישוב הנדרשת: מודל גדול לשאלות מורכבות, מודל קטן לסיווג, ומעבד רגיל לפעולות שאינן דורשות למידת מכונה.

ניתן גם לבצע כמה פעולות במקביל, אך מקביליות אינה חינמית. היא עשויה לקצר את זמן התגובה במחיר של הפעלת מספר גדול יותר של מאיצים בו־זמנית. הבחירה בין זמן, עלות ואנרגיה תצטרך להיקבע בהתאם לשירות ולדרישות המשתמש.

לדברי פרופ' מינסו רו, שהוביל את המחקר, תחרותיות בעידן הסוכנים לא תימדד רק לפי מידת ה"חוכמה" של המודל, אלא גם לפי היכולת להפעיל אותו ביעילות. לדבריו, נדרש תכנון משותף של מודלי הסוכנים, תשתיות מרכזי הנתונים ומערכת החשמל.

המחקר מצביע על כך שהמעבר לבינה מלאכותית סוכנית אינו רק שינוי בתוכנה. הוא יוצר עומס עבודה חדש בעל דפוסי השהיה, ניצולת וצריכת חשמל שונים מהסקת LLM רגילה. אם הסוכנים יהפכו לשכבה מרכזית בשירותי תוכנה, השאלה כיצד להפעיל אותם ביעילות עשויה להיות חשובה לא פחות מהשאלה כיצד לשפר את יכולותיהם.

שם המאמר:
The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective

DOI:
10.1109/HPCA68181.2026.11408569

הפוסט מחקר: סוכני AI עלולים לצרוך פי 136 יותר אנרגיה משאילתת בינה מלאכותית רגילה הופיע לראשונה ב-Chiportal.

מערכת למידת מכונה שפיתח צוות חוקרים בין־לאומי עשויה לקצר את השלב הראשוני בחיפוש אחר חומרים חדשים לתעשיית המוליכים למחצה. במקום לסרוק מספר עצום של תרכובות אפשריות באמצעות ניסויי מעבדה או חישובים קוונטיים עתירי משאבים, המערכת מקבלת פער אנרגיה רצוי ומציעה הרכבים כימיים מבוססי גליום שעשויים להציג אותו.

המחקר נערך בהובלת חוקרים מאוניברסיטת פלינדרס באוסטרליה ומאוניברסיטת ח'ליפה באיחוד האמירויות, ופורסם בכתב העת ACS Materials Letters. השיטה משלבת מודל חיזוי המבוסס על אלגוריתם השכנים הקרובים ביותר – K-Nearest Neighbors או KNN – עם אופטימיזציה בייסיאנית וסינון של נוסחאות שאינן סבירות מבחינה כימית.

המטרה אינה רק לחזות את פער האנרגיה של חומר מוכר, אלא לבצע תכנון הפוך: להתחיל בתכונה האלקטרונית המבוקשת ולחפש תרכובות שעשויות לספק אותה.

חיפוש ממוקד במקום סריקה ממצה

אחד האתגרים המרכזיים בפיתוח חומרי שבבים הוא גודלו של המרחב הכימי. גם כאשר החיפוש מוגבל לתרכובות המכילות גליום, ניתן ליצור מספר עצום של שילובים בין יסודות, יחסים סטויכיומטריים ומצבי חמצון.

שיטות המבוססות על תורת פונקציונל הצפיפות, DFT, מאפשרות לחשב את המבנה האלקטרוני של חומרים בדיוק גבוה יחסית, אך ביצוע חישובים כאלה עבור כל תרכובת אפשרית דורש זמן ומשאבי מחשוב רבים. ניסוי וסינתזה במעבדה יקרים ואיטיים עוד יותר.

הגישה שהציגו החוקרים אינה מנסה לבצע חישוב מלא לכל מועמד. היא משתמשת בנתונים שנאספו על אלפי מוליכים למחצה מוכרים כדי ללמוד את הקשר בין ההרכב הכימי לבין פער האנרגיה. החוקרים בחנו כמה מודלים של רגרסיה, ומצאו כי מודל KNN סיפק את הביצועים הטובים ביותר, עם מקדם התאמה R² של 0.812.

המודל משמש כמודל מחליף, או surrogate model, שמספק הערכה מהירה וזולה יחסית של תכונות החומר. מעליו פועלת האופטימיזציה הבייסיאנית, שבוחרת בכל שלב את המועמדים שכדאי לבחון בהמשך. האלגוריתם מאזן בין התמקדות באזורים שבהם כבר נמצאו תוצאות מבטיחות לבין בדיקת אזורים חדשים במרחב החיפוש.

באמצעות התהליך ביקשו החוקרים לייצר תרכובות מבוססות גליום עם פערי אנרגיה מוגדרים מראש בטווח שבין 0.5 ל־3.5 אלקטרון־וולט.

סינון כימי לפני המלצה על חומר

מודל למידת מכונה עלול להציע נוסחאות שנראות מתאימות מבחינה מתמטית, אך אינן יכולות להתקיים כחומרים אמיתיים. כדי לצמצם את הבעיה שילבו החוקרים את מערכת SMACT, המבצעת בדיקות ראשוניות של סבירות כימית.

הסינון בוחן בין היתר איזון מטענים, מצבי חמצון אפשריים, התאמה בין היסודות וסבירות פיזיקלית בסיסית. רק מועמדים שעברו את הבדיקות הוחזרו לתהליך האופטימיזציה.

לאחר השלמת החיפוש דיווחו החוקרים כי ההרכבים שהציעה המערכת היו ייחודיים ולא הופיעו בנתוני האימון. שיעור גבוה יותר של תרכובות שעברו את סינון SMACT התקבל בחיפוש אחר פערי אנרגיה שבין 1.5 ל־2.5 אלקטרון־וולט.

עם זאת, מעבר של סינון SMACT אינו מוכיח שהחומר יציב תרמודינמית, שאפשר לסנתז אותו או שניתן לגדלו כשכבה גבישית באיכות המתאימה לייצור רכיבים. לשם כך נדרשים חישובי DFT מפורטים יותר, בחינת מבנים גבישיים, סינתזה במעבדה ומדידה של התכונות החשמליות והאופטיות.

המשמעות האפשרית לתעשיית השבבים

פער האנרגיה הוא אחד המשתנים המרכזיים הקובעים את התאמתו של מוליך למחצה ליישום מסוים. חומרים בעלי פער קטן עשויים להתאים לגלאי אינפרה־אדום וליישומים פוטו־וולטאיים מסוימים. פערים בינוניים רלוונטיים לרכיבים אופטיים, לדיודות פולטות אור ולפוטוניקה, ואילו חומרים רחבי פער משמשים בפיתוח רכיבי הספק, אלקטרוניקה לטמפרטורות גבוהות ומערכות העמידות למתחים ולקרינה.

תרכובות גליום כבר תופסות מקום חשוב בתעשייה. גליום ארסניד משמש ברכיבי תדר רדיו, במערכות תקשורת ובאופטואלקטרוניקה; גליום ניטריד נמצא ברכיבי הספק, בתחנות בסיס ובמערכות תאורה; ותחמוצת גליום נחקרת כחומר רחב־פער לדורות עתידיים של רכיבי מתח גבוה.

השיטה החדשה אינה מציעה תחליף מיידי לחומרים אלה ואינה מוכיחה כי נמצא חומר מתאים לייצור מסחרי. תרומתה האפשרית נמצאת בשלבים מוקדמים יותר של שרשרת המחקר: צמצום של מיליוני אפשרויות לרשימה קצרה של מועמדים שניתן לבחון בחישובים מדויקים ובמעבדה.

עבור יצרני חומרים, חברות רכיבים ומכוני מחקר, תהליך כזה עשוי להפחית את מספר החישובים והניסויים שאינם מובילים לתוצאה. הוא גם עשוי לאפשר חיפוש ממוקד של חומר המותאם לדרישה הנדסית מסוימת, במקום הסתפקות בחומרים שתכונותיהם כבר מוכרות.

המחקר מדגים את התרחבות השימוש בבינה מלאכותית בתעשיית השבבים מעבר לתכנון מעגלים, אימות ותהליכי ייצור. במקרה זה, האלגוריתם משתלב בשלב שקודם לתכנון הרכיב עצמו – בחירת החומר שממנו ייוצר.

המאמר המדעי:
Tarek Khater ואחרים, “Bayesian Optimization-Guided Discovery of Gallium-Containing Semiconductors with Targeted Band Gaps”, ‏ACS Materials Letters, כרך 8, גיליון 5, עמודים 1375–1381, 2026.
DOI: 10.1021/acsmaterialslett.5c01482

הפוסט בינה מלאכותית מציעה חומרי גליום עם פער אנרגיה לפי דרישה הופיע לראשונה ב-Chiportal.

לייזרים אולטרה־מהירים הם כלי עבודה חשובים במדע ובטכנולוגיה. הם מפיקים פולסים קצרים במיוחד, בסדר גודל של פמטו־שניות, ומשמשים בין היתר במדידת תהליכים מהירים, בספקטרוסקופיה, בשעונים אטומיים, בעיבוד חומרים וביישומים רפואיים. הבעיה היא שמערכות כאלה הן לרוב גדולות, יקרות ומורכבות לתפעול. מחקר חדש של חוקרי EPFL, שפורסם ב־Nature, מציג דרך להקטין חלק מהיכולות האלה לשבב פוטוני. (Nature)

החוקרים הדגימו לייזר נעול־מצבים משולב, המבוסס על שבב סיליקון ניטריד שבו הושתלו יוני ארביום. לפי המאמר, הלייזר מפיק רכבת פולסים בתדירות 176 מגה־הרץ, עם אנרגיית פולס בתחום הננו־ג’ול, וניתן לדחוס את הפולסים ל־147 פמטו־שניות. הנתונים האלה חשובים משום שמקורות פוטוניים משולבים קודמים התקשו לספק אנרגיית פולס מספקת לתהליכים לא־ליניאריים, כמו יצירת סופר־קונטינואום.

לא רק מזעור

הכותרת המתבקשת היא “לייזר על שבב”, אך הסיפור אינו רק גודל. בלייזרים אולטרה־מהירים, השאלה המרכזית היא לא רק אם אפשר לייצר פולסים קצרים, אלא אם הם חזקים, יציבים וקוהרנטיים מספיק כדי להניע יישומים ממשיים. Nature מדווח כי המערכת החדשה מפיקה אנרגיית פולס שגדולה ביותר משני סדרי גודל ממקורות פוטוניים משולבים קודמים, ומתקרבת מבחינה זו לביצועי לייזרי סיב גדולים יותר.

המערכת מבוססת על ארכיטקטורה המכונה Mamyshev oscillator. במקום להסביר אותה כ”קסם אופטי”, נכון יותר לתאר אותה כמנגנון סינון ובקרה: האור עובר הרחבה ספקטרלית בתווך לא־ליניארי, ולאחר מכן מסננים אופטיים מאפשרים רק לחלק מהאור להמשיך להסתובב בחלל הלייזר. בדרך זו פולסים חזקים נשמרים ומתעצבים, ואילו רכיבים חלשים יותר מסוננים החוצה.

שבב במקום שולחן אופטי

על פי הודעת EPFL, השבב מציג ארכיטקטורת לייזר שבעבר הייתה מוגבלת למערכות גדולות יותר, ומכווץ אותה לקנה מידה של מילימטרים. בתמונה שפרסמה האוניברסיטה נראה השבב מונח על מטבע של פרנק שווייצרי אחד, כדי להמחיש את קנה המידה.

המשמעות האפשרית היא מעבר הדרגתי ממערכות אופטיות גדולות ומורכבות אל רכיבים שמיוצרים בטכנולוגיות של שבבים. ייצור כזה עשוי לאפשר בעתיד התקנים קומפקטיים יותר, יציבים יותר וזולים יותר, אם הפיתוח יבשיל לייצור רחב. כאן חשוב להיזהר: המחקר מציג הדגמה מדעית מתקדמת, לא מוצר מסחרי מיידי.

מה אפשר לעשות עם פולסים כאלה

במאמר ב־Nature מדווחים החוקרים כי הלייזר הצליח להניע ישירות יצירת סופר־קונטינואום במוליך גל מסיליקון ניטריד, ללא הגברה נוספת. סופר־קונטינואום הוא אור רחב־ספקטרום שנוצר מתהליכים לא־ליניאריים, והוא שימושי למדידות, ספקטרוסקופיה, מטרולוגיה ויישומים נוספים.

החוקרים גם הדגימו ספקטרומטר קומפקטי בתחום הטרה־הרץ שהופעל באמצעות המקור החדש, עם רוחב פס של 5 טרה־הרץ וטווח דינמי של 90 דציבל. לפי Nature, המערכת שימשה להדגמת ניתוח כימי ללא מגע ובדיקה של חומרים. אלה עדיין הדגמות מחקר, אך הן מראות שהפולסים אינם רק נתון מספרי יפה, אלא יכולים להניע מערכת מדידה שלמה.

חשיבות לשבבים ולפוטוניקה משולבת

הפיתוח משתלב במגמה רחבה יותר: העברת רכיבים אופטיים שהיו בעבר חיצוניים, גדולים ומדויקים מאוד אל שבבים פוטוניים. בדומה לשבבים אלקטרוניים, גם שבבים פוטוניים יכולים להיבנות בפרוסות שבבים, לשלב כמה פונקציות על אותו רכיב ולהתחבר למערכות אחרות. אם לייזרים אולטרה־מהירים יוכלו להשתלב בדרך זו, הם עשויים להרחיב את השימוש בכלי מדידה מתקדמים מחוץ למעבדות ייעודיות.

עבור CHIPORTAL, הזווית המרכזית היא פוטוניקה משולבת וייצור רכיבים אופטיים בקנה מידה של שבבים. עבור הידען, הזווית הרחבה יותר היא מדע מדידה: כלי קטן יותר למדוד תהליכים מהירים, לזהות חומרים, לשפר ספקטרוסקופיה ולפתח מערכות חישה ניידות. בשני המקרים, הניסוח הנכון הוא לא “מהפכה מיידית”, אלא שלב חשוב בהקטנת טכנולוגיה אופטית מתקדמת.

למאמר המדעי

FAQ קצר:

מהו לייזר פמטו־שניות? לייזר שמפיק פולסים קצרים במיוחד, בסדר גודל של קוודריליונית השנייה.
מה חדש במחקר שלEPFL? החוקרים הצליחו לשלב על שבב פוטוני מקור שמפיק פולסים קצרים ובעלי אנרגיה גבוהה יחסית למערכות משולבות קודמות.
האם מדובר במוצר מסחרי? לא. זו הדגמה מחקרית, אך היא מצביעה על כיוון ליישומים קומפקטיים יותר בעתיד.


הפוסט לייזר פמטו־שניות הוקטן לשבב פוטוני הופיע לראשונה ב-Chiportal.

צוות מחקר גרמני־ישראלי הדגים שיטה לא הרסנית לבדיקת סרטים דקים מבוססי MXene במהלך ייצור רכיבים זעירים. השיטה, אליפסומטריית הדמיה, מאפשרת למפות את עובי הסרט, את אחידותו ואת תכונותיו החשמליות בלי לגעת ברכיב ובלי לפגוע בו. המחקר פורסם בכתב העת Applied Physics Letters ונבחר כ־Editor’s Pick.

MXenes הם חומרים דו־ממדיים שיכולים לשמש אבני בניין לרכיבים אלקטרוניים ופוטוניים בקנה מידה מיקרוסקופי. באוניברסיטת תל אביב נחקרים סרטים דקים ומובנים של MXene כאלקטרודות אחוריות בגלאי אור מהדור הבא. ברכיבים כאלה, אפילו שינוי קטן בעובי או באחידות הסרט עלול להשפיע על ביצועי המכשיר, ולכן נדרשת שיטת מדידה רגישה שאינה פוגעת ברכיב.

לראות גם את המבנה וגם את התפקוד

אליפסומטריה מבוססת על מדידת שינויי הקיטוב של אור המוחזר מפני הדגימה. מהשינויים האלה אפשר להסיק נתונים כמותיים על הסרט הדק, ובהם עובי, הרכב ותכונות הקשורות להעברת מטען. במקרה של סרטים דקים מאוד, השיטה רגישה גם להבדלים מקומיים קטנים בין אזורים שונים של הרכיב.

ייחודה של הגישה שהודגמה במחקר הוא בכך שהיא אינה רק “מצלמת” את המבנה. היא מאפשרת לקבל מידע על תפקוד החומר והרכיב בזמן תהליך הייצור. בכך היא יכולה לשמש כלי לבקרת איכות, לאיתור בעיות מקומיות ולשיפור תהליכים ליתוגרפיים המשמשים ליצירת מבנים זעירים.

שילוב בין מדידה נקודתית למיפוי מלא

החוקרים השתמשו בשתי גישות משלימות. הראשונה היא מיקרו־אליפסומטריה ספקטרוסקופית, הזמינה באוניברסיטה העברית בירושלים. גישה זו מאפשרת מדידות נקודתיות ברזולוציה גבוהה, ולכן מתאימה לבדיקות מהירות של אזורים מוגדרים ברכיב ולמעקב אחר איכות הדגימות במהלך הייצור.

הגישה השנייה היא אליפסומטריית הדמיה ספקטרוסקופית, שבוצעה במרכז הלמהולץ ברלין. מערכת זו מאפשרת מיפוי מרחבי של רכיבים שלמים, ובשילוב אופטיקה ייחודית מגיעה לרזולוציה צדית של עד מיקרון אחד. כך אפשר לחבר בין תמונה בקנה מידה של מילימטרים לבין פרטים מקומיים בקנה מידה מיקרוני.

במחקר הודגמו מפות של מבני “מסרק” קיבוליים המבוססים על MXene, ובהן נמדדו עובי הסרט ותכונות הקשורות להולכה. באחת הדוגמאות דווח על סרט בעובי ממוצע של 5.4 ננומטר בלבד, ובכל זאת ניתן היה לזהות שונות מקומית בתוך המבנה.

מעקב אחרי תהליך הייצור בזמן אמת

אחד היתרונות המרכזיים של השיטה הוא היכולת לעקוב אחר שינויים שמתרחשים במהלך שלבי עיבוד, למשל בפיתוח שכבת פוטורזיסט בתהליך ליתוגרפי. שינויים כאלה משפיעים על התגובה האופטית של החומר, ולכן אפשר לזהותם בלי לחבר אלקטרודות, בלי לגרד את הדגימה ובלי להרוס את הרכיב.

יכולת זו חשובה במיוחד ברכיבים מבוססי חומרים דו־ממדיים. בחומרים כאלה, שכבות דקות מאוד נושאות חלק גדול מהפונקציונליות של המכשיר. לכן בקרת איכות לא הרסנית יכולה לקצר תהליכי פיתוח, להפחית כשלים ולסייע בהעברת חומרים חדשים ממעבדה ליישומים.

החוקרים מציינים כי השיטה אינה מוגבלת ל־MXene בלבד. היא יכולה לשמש גם למדידת מגוון רחב של חומרים איזוטרופיים ואנאיזוטרופיים, ובכללם חומרים דו־ממדיים נוספים. לכן היא עשויה להיות רלוונטית לפיתוח רכיבים ננו־אלקטרוניים, פוטוניים וחיישנים עתידיים.

למאמר המדעי DOI: 10.1063/5.0314586

הפוסט שיטה אופטית חדשה מאפשרת לבדוק סרטי MXene דקים בלי לפגוע ברכיב הופיע לראשונה ב-Chiportal.

מכון קמפנר לחקר הבינה הטבעית והמלאכותית באוניברסיטת הרווארד והמרכז למדעי המוח על שם אדמונד ולילי ספרא, ELSC, באוניברסיטה העברית בירושלים, הודיעו על שיתוף פעולה חדש בתחום NeuroAI. זהו תחום מחקר מתפתח המחבר בין  מדעי המוח, בינה מלאכותית, מדעי הקוגניציה ולמידת מכונה.

שיתוף הפעולה נועד לחזק את הקשרים בין קהילות המחקר בשני המוסדות. הוא יכלול חילופי ידע בין חברי סגל וחוקרים צעירים, סדנאות, מפגשים אקדמיים ופעילויות משותפות נוספות. מטרת המהלך היא להניח תשתית ליוזמות מחקר עתידיות, שיבחנו כיצד מערכות ביולוגיות ומערכות מלאכותיות לומדות, מייצגות מידע, חוזות אירועים ומתאימות את התנהגותן לסביבות מורכבות.

תחום NeuroAI מבקש להבין אינטליגנציה על פני רצף רחב של מערכות, מהמוח האנושי ומוחות בעלי חיים ועד מודלים חישוביים ומערכות בינה מלאכותית. מצד אחד, חוקרים משתמשים בכלי AI מתקדמים כדי לפענח כיצד המוח לומד, מחשב ומסתגל. מצד אחר, הם שואבים השראה ממערכות ביולוגיות כדי לפתח מערכות AI יעילות, יציבות ואמינות יותר.

מכון קמפנר בהרווארד הוא מכון בין־תחומי העוסק בחקר אינטליגנציה במערכות טבעיות ומלאכותיות, ומאגד חוקרים בתחומים כמו למידת מכונה, מדעי המוח ומדעי הקוגניציה. לפי אתר המכון, משימתו המרכזית היא לקדם את חקר האינטליגנציה ולפתח פתרונות לבעיות מורכבות לטובת האנושות. (Kempner Institute)

המרכז למדעי המוח על שם אדמונד ולילי ספרא באוניברסיטה העברית הוא אחד המרכזים הבולטים בישראל למדעי המוח החישוביים. לפי אתר המרכז, ELSC פועל לחיבור בין מחקר קוגניטיבי, ביולוגי וחישובי, במטרה לקדם תגליות חדשות בחקר המוח. (elsc.huji.ac.il)

שיתוף הפעולה החדש נשען גם על קשרים קיימים בין החוקרים בשני המוסדות. בין הדמויות המחברות בין הקהילות נמצא פרופ' חיים סומפולינסקי, חבר סגל עמית במכון קמפנר ופרופסור אמריטוס ב־ELSC; פרופ' דפנה ויינשל מהאוניברסיטה העברית, המשמשת חוקרת אורחת במכון קמפנר; וד"ר יונתן קדמון מ־ELSC, שהיה בעבר חוקר אורח בהרווארד.

המהלך משקף מגמה רחבה יותר במדעי המוח ובבינה מלאכותית: מעבר ממחקר נפרד של מוח ומחשב אל חקר משותף של עקרונות אינטליגנציה. בתחום זה, הבנת המוח עשויה לסייע בבניית מערכות AI טובות יותר, ואילו כלי בינה מלאכותית עשויים לספק למדענים דרכים חדשות לנתח פעילות מוחית ולפענח מנגנוני למידה, זיכרון וקבלת החלטות.

בהודעה על שיתוף הפעולה נמסר כי שני המוסדות רואים בו צעד לקידום  מדע האינטליגנציה ולתרגום תובנות בסיסיות מביולוגיה ומחישוב לטכנולוגיות עתידיות. עבור האוניברסיטה העברית, החיבור להרווארד בתחום NeuroAI מחזק את מעמדה בזירה הבין־לאומית של מדעי המוח החישוביים והבינה המלאכותית.

הפוסט הרווארד והאוניברסיטה העברית ישתפו פעולה במחקר NeuroAI הופיע לראשונה ב-Chiportal.

מהנדסים מאוניברסיטת קליפורניה בסן דייגו פיתחו אבטיפוס לשבב חדש שנועד לשפר את הדרך שבה מועבר חשמל למעבדים גרפיים, GPUs, במרכזי נתונים. המחקר, שפורסם ב־Nature Communications, עוסק באחד האתגרים הבסיסיים של מערכות מחשוב מודרניות: כיצד להמיר ביעילות מתח חשמלי גבוה למתח נמוך בהרבה, הדרוש להפעלת רכיבי מחשוב רגישים.

מרכזי נתונים מודרניים צורכים כמויות הולכות וגדלות של חשמל, בעיקר בשל הביקוש למחשוב עתיר ביצועים ולבינה מלאכותית. ברוב המערכות האלה החשמל מופץ במתח של 48 וולט, אך המעבדים הגרפיים עצמם זקוקים בדרך כלל למתח נמוך בהרבה, בטווח של 1 עד 5 וולט. תהליך ההמרה הזה, המכונה DC-DC step-down conversion, חיוני כמעט בכל מערכת אלקטרונית, אך הוא נעשה מאתגר יותר ככל שהמערכות חזקות וצפופות יותר.

ממירי מתח מקובלים מבוססים בדרך כלל על רכיבים מגנטיים, בעיקר סלילים. במשך השנים שופרו רכיבים אלה מאוד, אך החוקרים מציינים כי הם מתקרבים למגבלות המעשיות שלהם. לפי פרופ' פטריק מרסייה, מהמחלקה להנדסת חשמל ומחשבים בבית הספר להנדסה ג'ייקובס באוניברסיטת קליפורניה בסן דייגו, התכנון של ממירים אינדוקטיביים הגיע לרמה גבוהה כל כך עד שנותר מעט מקום לשיפור משמעותי לקראת צורכי הדורות הבאים.

הגישה החדשה מבוססת על מהודים פיאזואלקטריים. בניגוד לסלילים, המאחסנים ומעבירים אנרגיה באמצעות שדות מגנטיים, מהודים פיאזואלקטריים עושים זאת באמצעות תנודות מכניות. עקרונית, רכיבים כאלה עשויים להיות קטנים יותר, בעלי צפיפות אנרגיה גבוהה יותר, יעילים יותר ומתאימים יותר לייצור בקנה מידה גדול. עם זאת, גרסאות קודמות של ממירים פיאזואלקטריים התקשו לשמור על יעילות גבוהה כאשר נדרש פער גדול בין מתח הכניסה למתח היציאה.

כדי להתמודד עם הקושי הזה, צוות המחקר פיתח תכנון היברידי. הוא משלב מהוד פיאזואלקטרי עם קבלים קטנים וזמינים מסחרית, המסודרים בתצורה ייחודית. הסידור הזה מאפשר למעגל להתמודד טוב יותר עם ירידת מתח גדולה, מפחית איבודי אנרגיה ומקטין את העומס על המהוד עצמו.

בניסוי המעבדה הצליח אבטיפוס השבב להמיר מתח של 48 וולט ל־4.8 וולט, רמה המקובלת במרכזי נתונים. יעילות השיא שנמדדה הייתה 96.2%. בנוסף, השבב סיפק זרם יציאה גבוה פי ארבעה בערך לעומת תכנונים פיאזואלקטריים קודמים. המשמעות היא שהטכנולוגיה אינה רק חסכונית יותר, אלא גם מתקרבת יותר ליכולת אספקת הספק הדרושה למערכות מחשוב מעשיות.

למרות התוצאות המבטיחות, החוקרים מדגישים כי מדובר עדיין בטכנולוגיה בשלבי פיתוח. ממירים פיאזואלקטריים אינם צפויים להחליף מיד את ממירי המתח הקיימים. יש צורך בשיפור נוסף של החומרים, המעגלים ושיטות האריזה. אחד האתגרים המעשיים הוא שהמהודים הפיאזואלקטריים רוטטים בזמן הפעולה, ולכן אי אפשר בהכרח לחבר אותם ללוחות מעגלים בשיטות הלחמה רגילות. שילובם במערכות אלקטרוניות יחייב שיטות אינטגרציה חדשות.

עם זאת, המחקר מצביע על כיוון אפשרי לשיפור יעילות האנרגיה של מרכזי נתונים. גם שיפור קטן בהמרת מתח יכול להיות משמעותי כאשר הוא מוכפל במיליוני רכיבים שפועלים ברציפות. בעידן שבו מעבדים גרפיים הפכו לתשתית מרכזית של בינה מלאכותית, כל חיסכון באנרגיה, חום ושטח עשוי להשפיע על עלויות התפעול ועל היכולת להרחיב מערכות מחשוב.

המחקר בוצע בידי ג'יי־יאנג קו, ון־צ'ין ב' ליו ופטריק פ' מרסייה, ופורסם ב־17 במרץ 2026 ב־Nature Communications. DOI: 10.1038/s41467-026-70494-0.

FAQ מהיר

מה עושה השבב החדש?
השבב ממיר מתח גבוה למתח נמוך יותר, הדרוש להפעלת רכיבים אלקטרוניים כמו מעבדים גרפיים במרכזי נתונים.

מה החידוש בטכנולוגיה?
במקום להסתמך בעיקר על סלילים מגנטיים, השבב משתמש במהוד פיאזואלקטרי ובקבלים קטנים כדי לבצע את המרת המתח ביעילות גבוהה.

האם השבב כבר מוכן לשימוש מסחרי?
לא. החוקרים מדגישים כי מדובר באבטיפוס מעבדתי. נדרשים עוד שיפורים בחומרים, במעגלים ובשיטות האריזה לפני שימוש במרכזי נתונים.

הפוסט שבב חדש עשוי לשפר את יעילות האנרגיה של מעבדים גרפיים במרכזי נתונים הופיע לראשונה ב-Chiportal.

תעשיית השבבים מחפשת כבר שנים את הדור הבא של החומרים שיאפשרו להמשיך במזעור הטרנזיסטורים. אחת התקוות הגדולות הייתה חומרי דו־ממד, שכבות דקות במיוחד בעובי של אטום אחד או כמה אטומים, כגון גרפן ומוליבדן דיסולפיד. אך מחקר חדש של פרופ’ מהדי פורפת ופרופ’ טיבור גראסר מ־TU Wien מצביע על בעיה בסיסית: לא די לבחון את החומר הפעיל עצמו. צריך לבדוק גם כיצד הוא נוגע, או ליתר דיוק אינו נוגע, בשכבת הבידוד שמעליו. (TU Wien)

בטרנזיסטור רגיל, שער חשמלי שולט במעבר של המוליך למחצה בין מצב מוליך למצב שאינו מוליך. כדי שהשליטה תהיה יעילה, השער מופרד מן החומר הפעיל בשכבת בידוד דקה מאוד. כאשר החומר הפעיל הוא חומר דו־ממד, ושכבת הבידוד היא בדרך כלל תחמוצת, נוצר ביניהם פער זעיר הנובע מקשרי ואן דר ואלס חלשים. לפי החוקרים, הפער הזה הוא בסך הכול כ־0.14 ננו־מטר, אך הוא מספיק כדי להחליש את הצימוד הקיבולי בין השכבות ולהגביל את היכולת להקטין את הרכיב.

המשמעות לתעשייה רחבה. במשך שנים נבחנו חומרי דו־ממד על פי תכונותיהם הפנימיות: ניידות אלקטרונים, מבנה פסי אנרגיה, יציבות ואפשרות שילוב בתהליכי ייצור. המחקר החדש מזכיר כי שבב אינו עשוי מחומר יחיד, אלא ממבנה שלם. גם חומר שנראה מצוין על הנייר עלול להיכשל כאשר מחברים אותו לשכבת בידוד אמיתית. לפי גרסת הקדם של המאמר, הפער יכול להוסיף כ־2.7 אנגסטרם לעובי התחמוצת השקול, כלומר לפגוע בדיוק בפרמטר שאותו התעשייה מנסה להקטין בדורות ייצור עתידיים. (arXiv)

המאמר, שפורסם ב־Science ב־16 באפריל 2026 תחת הכותרת “Device-scaling constraints imposed by the van der Waals gap formed in two-dimensional materials”, טוען כי הפער אינו רק מטרד הנדסי אלא מגבלה פיזיקלית שצריך להכניס למפת הדרכים של תכנון רכיבים. במילים אחרות, בחירה בחומר דו־ממד על סמך ביצועיו לבדו עלולה להוביל להשקעות גדולות בטכנולוגיה שלא תוכל לעמוד בדרישות המזעור. (PubMed)

החוקרים אינם מציגים את הממצא כסוף הדרך לחומרי דו־ממד, אלא כקריאה לתכנון מדויק יותר. אחד הכיוונים שהם מציעים הוא שימוש ב"חומרי רוכסן" – מבנים שבהם המוליך למחצה והמבודד משתלבים זה בזה בקשר חזק יותר, במקום להישען רק על כוחות ואן דר ואלס חלשים. במבנים כאלה ניתן לצמצם או לבטל את הפער, ובכך לשפר את השליטה החשמלית בטרנזיסטור.

עבור תעשיית השבבים, המסקנה המרכזית היא שחומרי הדור הבא צריכים להיבחן כמערכת שלמה: מוליך למחצה, שכבת בידוד, ממשק, חום, זרמים וזליגות. זהו מסר חשוב במיוחד בעידן שבו צמתים מתקדמים, אריזות תלת־ממד וצ’יפלטים הופכים את תכנון השבב למורכב יותר. חומרי דו־ממד עדיין עשויים למלא תפקיד חשוב באלקטרוניקה עתידית, אך המחקר החדש מציב תנאי ברור: מי שרוצה להשתמש בהם בטרנזיסטורים זעירים באמת יצטרך לתכנן את הממשק האטומי לא פחות מאשר את החומר עצמו.

הפוסט פער אטומי זעיר עלול לשנות את מפת חומרי הדו־ממד לשבבים עתידיים הופיע לראשונה ב-Chiportal.

ערים טרופיות רבות תולות תקוות גדולות באנרגיה סולארית, אך דווקא תנאי מזג האוויר האופייניים להן עלולים להקשות על המעבר הזה. סופות רעמים אחר הצהריים, הנפוצות באזורים טרופיים, עלולות להפחית בבת אחת את ייצור החשמל הסולארי בשכונות שלמות. כאשר דבר כזה קורה, הרשת נאלצת להזרים חשמל מאזורים סמוכים שבהם עדיין יש ייצור, ולעיתים גם מרחק קצר יחסית מספיק כדי להעמיס מאוד על קווי החשמל המקומיים. מחקר חדש של חוקרים מבית הספר להנדסה של אוניברסיטת קולומביה מציע פתרון שונה: להשתמש בסוללות של מכוניות חשמליות חונות כמאגרי אנרגיה זמניים, שיזינו את הרשת המקומית בדיוק ברגעים שבהם העננים מכסים את השמש.

המחקר, שפורסם ב־7 באפריל 2026 בכתב העת Nature Communications , מתמקד במיוחד בערים טרופיות, שאמורות בעתיד הקרוב לאכלס כמחצית מאוכלוסיית העולם. לדברי החוקר הראשי, מרקוס שלפפר, האתגר ההנדסי ברור: ערים רוצות להגדיל את חלקה של האנרגיה הפוטו־וולטאית, אך אינן יכולות להרשות לעצמן תמיד השקעות ענק ברשת החשמל. בסינגפור, למשל, הנחת קווי תמסורת תת־קרקעיים עולה כ־60 מיליון דולר סינגפורי (47 מיליון דולר אמריקני) לקילומטר — מחיר שממחיש עד כמה הרחבת התשתית העירונית היא משימה יקרה ומורכבת.

כאן נכנס לתמונה הרכב החשמלי. הרעיון פשוט יחסית: מכיוון שלמכוניות חשמליות יש סוללות גדולות והן כבר מחוברות לרשת באמצעות עמדות טעינה, אפשר להשתמש באנרגיה האצורה בהן כגיבוי מקומי קצר־טווח. כאשר סופת רעמים מפחיתה את ייצור החשמל הסולארי בשכונה מסוימת, המכוניות החונות בקרבת מקום יכולות לפרוק לרשת את החשמל האגור בהן, ובכך לצמצם את המחסור המיידי. לאחר שהסופה חולפת, הפאנלים הסולאריים יכולים לשוב ולטעון את המכוניות. מבחינת החוקרים, זהו שימוש חכם יותר ברשת הקיימת, בלי להזדקק מיד לכבלים חדשים ולפרויקטים תשתיתיים יקרים.

קנה מידה גדול

אבל החידוש המרכזי במחקר אינו רק עצם השימוש במכוניות חשמליות, אלא גם קנה המידה שבו צריך לנהל אותן. לפי החוקרים, אסטרטגיה כוללת ברמת העיר כולה עלולה דווקא להחמיר את הבעיה. כאשר מנהלים את הביקוש וההיצע רק במבט כולל, נוטים להחליק את עקומת הביקוש המצרפית, אך במקביל עלולים להצטבר חוסרים מקומיים בשכונות מסוימות. כתוצאה מכך, כמויות גדולות של חשמל נדחפות למרחקים גדולים יותר דרך הרשת, והעומס על חלק מקווי התמסורת עשוי אף להכפיל את עצמו בזמן סופות רעמים.

הפתרון היעיל יותר, לפי המאמר, הוא ניהול שכונתי. החוקרים בחנו את סינגפור לפי 55 אזורי התכנון העירוניים שלה, והראו שניהול טעינה ופריקה של רכבים חשמליים ברמה זו מפחית את העומס המקסימלי על קווי החשמל בכ־18% בימי סערה, ובו בזמן גם מסייע להחליק את עקומת הביקוש הכללית לאורך היום. במילים אחרות, במקום לחשוב רק על הרשת כולה, כדאי לחשוב על כל שכונה כעל יחידת איזון מקומית משלה.

המחקר מצביע גם על גורם חשוב נוסף: מיקום החניה של המכוניות. שכונות מגורים נוטות להתרוקן מכלי רכב בשעות היום, בדיוק כאשר הייצור הסולארי מגיע לשיאו, ואילו אזורי עסקים מציגים את המצב ההפוך. כדי למפות את הדפוסים האלה השתמשו החוקרים בנתוני טלפונים ניידים מצטברים ואנונימיים, שאפשרו להם לבנות מודל מדויק יותר של פיזור הרכבים בעיר.

סיגנפור כדוגמה

אחת המסקנות המעניינות ביותר היא שהשיטה יכולה לעבוד גם בערים שבהן שיעור הבעלות על רכב נמוך יחסית. בסינגפור, למשל, יש בערך רכב אחד לכל שמונה תושבים, ובכל זאת המודל הראה שגם כמות מוגבלת יחסית של סוללות על גלגלים יכולה לספק תרומה ממשית לייצוב הרשת. לכן החוקרים טוענים כי הפתרון אינו רלוונטי רק לערים עתירות רכב, אלא גם לסביבות עירוניות צפופות שבהן מספר המכוניות מצומצם יחסית.

המשמעות הרחבה של המחקר היא שמעבר לאנרגיה סולארית בערים טרופיות אינו חייב להיות כרוך בהכרח בגל עצום של השקעות בתשתיות חדשות. אם ניתן יהיה לשלב טוב יותר בין עמדות טעינה, ניהול רשת חכם וכלי רכב חשמליים, ייתכן שחלק מבעיות האמינות של החשמל הסולארי ייפתרו ברמה המקומית, באמצעות משאבים שכבר קיימים בשטח. בכך מציע המחקר לראות במכונית החשמלית לא רק  אמצעי תחבורה נקי יותר, אלא גם רכיב פעיל במערכת האנרגיה העירונית של העתיד.

למאמר המדעי

הפוסט מחקר: מכוניות חשמליות יכולות לסייע לערים טרופיות כסינגפור להרחיב ייצור חשמל סולארי בלי לשדרג את התשתית הופיע לראשונה ב-Chiportal.

מחקר חדש של האוניברסיטה העברית בירושלים מציג התקדמות טכנולוגית מרשימה בתחום הפוטוניקה: התקן אופטי מיקרוסקופי, מודפס בתלת־ממד, שמאפשר לרכז אור מעשרות לייזרים זעירים אל תוך סיב אופטי יחיד בלי לשלם מחיר כבד באובדן אור ובאיכות האלומה. המאמר, שהתפרסם ב־Nature Communications, נכתב בהובלת תלמיד המחקר יואב דנה ממכון הפיזיקה היישומית, בהנחיית פרופ' דן מרום, ובשיתוף חוקרים מ־Civan Lasers בירושלים.

ההתקן נקרא Photonic Lantern, או "פנס פוטוני", והוא אינו חדש כרעיון. בדרך כלל מדובר במרכיב אופטי שממיר כמה כניסות חד־אופניות לגל־מנחה רב־אופני יחיד. הבעיה היא שמקורות לייזר חזקים ונפוצים בתעשייה, במיוחד מערכי VCSEL, אינם פולטים אור חד־אופני אלא רב־אופני. לכן פנסים פוטוניים קלאסיים לא התאימו להם היטב. כאן נכנס החידוש של הקבוצה הירושלמית: במקום להתאים את העולם למרכיב הקיים, היא תכננה ארכיטקטורה חדשה של פנס פוטוני רב־אופני, שמסוגלת לקבל הרבה מקורות רב־אופניים ולרכז אותם ישירות לסיב רב־אופני בעל קיבול אופני מתאים.

בפועל, החוקרים הדגימו שלושה דורות של ההתקן: גרסאות שמרכזות 7, 19 ו־37 לייזרי VCSEL רב־אופניים, כאשר כל לייזר תורם שישה אופנים מרחביים. המשמעות היא שהמערכת הגדולה ביותר כבר מגיעה ל־222 אופנים מרחביים בתוך סיב יחיד. זהו מספר חריג מאוד עבור מבנה כה קטן, והוא ממחיש עד כמה הגישה הזאת עשויה להיות שימושית בכל מקום שבו צריך להעביר עוצמה אופטית גבוהה דרך סיב בלי להסתבך במערכים מגושמים של עדשות, מראות ויישור עדין.

קטן מאוד, יעיל מאוד

אחד ההישגים הבולטים במחקר הוא הממדים. לפי החוקרים, כל ההתקן קצר מפחות מחצי מילימטר, כלומר קטן בסדרי גודל לעומת מערכות מיתוג או צימוד אופטיות מתחרות. למרות זאת, ההפסדים נשארו נמוכים מאוד: בגרסת 19 הכניסות נמדד אובדן צימוד של כ־0.6 דציבל, ובגרסת 37 הכניסות כ־0.8 דציבל בלבד. במונחים של מערכות לייזר, זהו נתון חשוב מאוד, משום שאובדן קטן יותר פירושו יותר הספק מועבר, פחות חימום, ופחות צורך בהשלמה באמצעות מערכות נוספות.

יתרון נוסף הוא שמירת ה־brightness, כלומר הבהיקות או איכות האלומה ביחס להספק. במערכות מסורתיות, במיוחד כאלה המבוססות על מערכי עדשות או על ריכוז גס של אלומות, ריבוי המקורות עלול לפגוע באיכות הקרן. כאן החוקרים ניסו להתאים מראש בין מספר דרגות החופש של מקורות הלייזר לבין הקיבול האופני של הסיב, וכך לשמר את איכות האור במקום רק "לדחוף" כמה שיותר פוטונים פנימה. זהו הבדל קריטי אם המטרה אינה רק להעביר אור, אלא להעביר אור שימושי עבור מערכות לייזר, עיבוד חומרים, תקשורת או חישה. (PubMed)

המבנה עצמו הודפס ישירות בקנה מידה מיקרוני על גבי שבב ה־VCSEL, ולאחר מכן חובר לסיב הרב־אופני. זהו עוד מרכיב חשוב בפריצת הדרך: לא רק תכנון אופטי חדש, אלא גם שיטת ייצור שמאפשרת אינטגרציה ישירה וצפופה מאוד בין רכיב אלקטרו־אופטי לבין הגל־מנחה. בגישה כזאת אפשר לדמיין בעתיד רכיבים מוכנים מראש, קומפקטיים וזולים יותר להרכבה, שיצאו מן המפעל כבר עם ממשק אופטי משולב במקום להסתמך על יישור מכני רגיש ומסובך. (en-science.huji.ac.il)

למה זה חשוב לתעשייה

למערכי VCSEL יש יתרונות גדולים: הם קטנים, יעילים, מתאימים לייצור המוני, ונפוצים כבר היום בתקשורת, בחישה ובמערכות תאורה ולייזר. הבעיה היא שכאשר רוצים לעלות בהספק, עוברים מהר מאוד ממקור יחיד למערכים גדולים, ואז הצימוד לסיב נעשה מסורבל. לכן הפתרון שהוצג כאן עשוי להיות חשוב במיוחד עבור מערכות לייזר עתירות־הספק, שבהן צריך לאגד הרבה מקורות לא קוהרנטיים אל תוך סיב אחד, מבלי לבנות מערכת אופטית גדולה ויקרה סביבם. האוניברסיטה העברית ציינה במפורש שהטכנולוגיה עשויה לשפר מערכות לייזר חזקות, תקשורת אופטית ויישומים נוספים שבהם מסירה יעילה של הספק אופטי גבוה דרך סיב היא תנאי קריטי.

המחקר גם מתחבר היטב לעולם התעשייתי הישראלי. הוא בוצע בשיתוף Civan Lasers, חברה ירושלמית המפתחת לייזרים תעשייתיים, ונתמך בידי רשות החדשנות. החיבור הזה בין פיזיקה יישומית, ייצור מתקדם ושותף תעשייתי אינו מקרי: אם הטכנולוגיה אכן תעבור מן המעבדה למוצר, היישום הטבעי הראשון שלה צפוי להיות בדיוק במערכות שבהן משלבים הרבה לייזרים קומפקטיים כדי לקבל הספק גבוה, יציב ויעיל יותר.

בשורה התחתונה, לא מדובר רק בעוד רכיב אופטי קטן ומרשים, אלא בשינוי תפיסתי: אפשר לקחת עשרות מקורות לייזר רב־אופניים, שהיו עד היום קשים לריכוז יעיל, ולחבר אותם במבנה מודפס, זעיר ואינטגרטיבי, ישירות אל סיב יחיד. אם הכיוון הזה יבשיל לטכנולוגיה תעשייתית, הוא עשוי להפחית מורכבות, להקטין מערכות ולהגדיל הספק במגוון רחב של יישומים פוטוניים.

פרטי המאמר:
Yoav Dana et al., Massive-scale spatial multiplexing of multimode VCSELs with a 3D-printed photonic lantern, Nature Communications (2026). DOI: 10.1038/s41467-026-70458-4. (Nature)

הפוסט פנס פוטוני מודפס בתלת־ממד מאגד עשרות לייזרים לשיער אחד של אור הופיע לראשונה ב-Chiportal.