בינה מלאכותית מציעה חומרי גליום עם פער אנרגיה לפי דרישה

חוקרים פיתחו מערכת המשלבת למידת מכונה, אופטימיזציה בייסיאנית וסינון כימי כדי לבצע "תכנון הפוך" של מוליכים למחצה. המערכת הציעה תרכובות גליום חדשות בטווח פערי אנרגיה של 0.5–3.5 אלקטרון־וולט, אך הדרך מהחיזוי החישובי לחומר המתאים לייצור שבבים עדיין ארוכה

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