Allegro-FM: محاكاة الذكاء الاصطناعي تدفع علم المواد المستدام

الذكاء الاصطناعي (AI) يحقق العديد من الاكتشافات في مجال علم المواد. هذه الاكتشافات المختلفة ليست نظرية فقط، بل حقيقية وتؤثر على مجموعة واسعة من الصناعات. 

على سبيل المثال، Microsoft (MSFT ) استخدمت الذكاء الاصطناعي (أداة Azure Quantum Elements) والحوسبة عالية الأداء لـ فحص 32 مليون مادة لتقليص¹ عدد المرشحين إلى 18 فقط خلال 80 ساعة، وهي عملية تستغرق عادةً عدة سنوات. كما قام العلماء بتصنيع مادة يمكنها تقليل استخدام الليثيوم في البطاريات بنسبة 70٪.

في مثال آخر، استخدم باحثو MIT الذكاء الاصطناعي لتصميم بروتينات جديدة²، والتي يمكن استخدامها لصنع مواد ذات خصائص ميكانيكية معينة. هذه المواد، التي لا توجد في الطبيعة ولكنها مستوحاة منها، يمكن أن تحل محل تلك المصنوعة من البترول وتتمتع ببصمة كربونية أصغر بكثير.

إلى جانب تحقيق اختراقات في تخزين الطاقة، ابتكار البطاريات، والمواد الطبية الحيوية، يتم استكشاف الذكاء الاصطناعي بنشاط من قبل الشركات والعلماء لتطوير تكنولوجيا أشباه الموصلات، والفضاء، وتصنيع المواد الكيميائية، وغيرها.

استخدام آخر حاسم لقدرات الأنظمة الحاسوبية على أداء مهام عادةً ما ترتبط بالذكاء البشري يُرى في إنشاء مواد مستدامة وخضراء.

مثال على ذلك هو مشروع IBM’s (IBM ) RoboRXN، الذي يجمع بين الذكاء الاصطناعي، الأتمتة، والسحابة لتسريع اكتشاف المواد. من خلال هذا المختبر الكيميائي الذي يمكن الوصول إليه عن بُعد، تمكّن IBM من التوليف والاختبار المستقل للجزيئات الجديدة. يُستخدم المختبر لاكتشاف بوليمرات قابلة للتحلل.

يستخدم الباحثون أيضًا التعلم الآلي لفحص الأطر المعدنية العضوية (MOFs) لالتقاط الكربون.

التقاط الكربون هو تقنية أساسية في خفض انبعاثات الغازات الدفيئة (GHG) من المنشآت الصناعية. تقدم MOFs هنا مرشحًا واعدًا بفضل قدرتها على امتصاص ثاني أكسيد الكربون بشكل انتقائي.

جزيئات هذه المواد المسامية تحتوي على عقد عضوية، عقد غير عضوية، وروابط عضوية، يمكن ترتيبها بتركيبات مختلفة، مما يتيح تصميم واختبار العديد من تركيبات MOF المحتملة.

لتسريع عملية الاكتشاف، استخدم الباحثون من مختبر أرجون الوطني التابع لوزارة الطاقة الأمريكية (DOE) الذكاء الاصطناعي التوليدي³ لتجميع أكثر من 120,000 مرشح MOF جديد خلال 30 دقيقة. تم تشغيل الحسابات على حاسوب فائق مع محاكاة ديناميكيات جزيئية مستهلكة للوقت أجريت على أكثر المرشحين وعدًا.

الآن، يعمل باحثون من كلية الهندسة بجامعة USC Viterbi على معالجة انبعاثات ثاني أكسيد الكربون في صناعة الخرسانة، التي تمثل حوالي 8٪ من الانبعاثات الكربونية العالمية، وذلك أساسًا من خلال إنتاج الأسمنت.

The idea is to have concrete that not only self-heals and lasts even longer but can also trap carbon dioxide from the atmosphere; for this, the researchers have developed a revolutionary AI model.

هذا النموذج المتطور للغاية يمكنه محاكاة سلوك مليارات الذرات في آن واحد، مما يفتح آفاقًا جديدة لتصميم واكتشاف المواد على نطاق غير مسبوق.

المشكلة والحل: الكربون في الخرسانة

كل عام، نلاحظ زيادة في تواتر وشدة الجفاف، حرائق الغابات، العواصف المطرية، والأعاصير. أحد المساهمين الرئيسيين في ذلك هو الاحتباس الحراري، الناتج عن زيادة انبعاثات الغازات الدفيئة.

تشير انبعاثات الغازات الدفيئة إلى إطلاق غازات مثل ثاني أكسيد الكربون (CO2)، الميثان (CH4)، وأكسيد النيتروز (N2O) في الغلاف الجوي. هذه الغازات تحتجز الحرارة وتساهم في الاحتباس الحراري وتغير المناخ. 

الآن، تشمل المصادر الرئيسية لانبعاثات الغازات الدفيئة قطاع الطاقة، النقل، إنتاج الكهرباء والحرارة، والزراعة. كما أن التصنيع والبناء يمثلان مساهمًا رئيسيًا آخر، حيث أن مواد البناء مثل الخرسانة والفولاذ لها بصمة كربونية كبيرة. 

عنصر أساسي في البنية التحتية الحديثة، الخرسانة موجودة في كل مكان حولنا، لكن المشكلة تكمن في أنها تشكل مشكلة كبيرة بسبب انبعاثات الغازات الدفيئة الضخمة.

الأسمنت، وهو المكوّن الأساسي للخرسانة، يتحمل في الواقع جزءًا كبيرًا من البصمة الكربونية لصناعة البناء. عملية تصنيع الأسمنت تشمل تحميص الحجر الجيري، مما يطلق كميات كبيرة من CO2، وتسخين المواد بدرجات حرارة عالية في الأفران، مما يتطلب طاقة كبيرة. 

كونه المنتج الأكثر استهلاكًا على الأرض بعد الماء، من الضروري جعل الخرسانة صديقة للبيئة، وإلا سيستمر تلوث البيئة بـ مُلوَّثة بأكثر من مليار طن متري من CO2 سنويًا بسبب هذه الصناعة. حل محتمل لهذه المشكلة هو حجز الغاز الضار داخل الخرسانة نفسها.

“يمكنك فقط وضع CO2 داخل الخرسانة، وبالتالي تصبح خرسانة محايدة للكربون”، قال أييتشيرو ناكانو، أستاذ جامعة USC Viterbi في علوم الحاسوب، الفيزياء والفلك، والبيولوجيا الكمية والحاسوبية.

لذلك، بدأ ناكانو وزملاؤه في USC Viterbi البحث في “احتجاز CO2”، وهي عملية تلتقط وتخزن ثاني أكسيد الكربون الجوي.

بينما يُعد احتجاز CO2 حلاً واعدًا لتحقيق الحياد الكربوني عبر تقليل انبعاثات الغازات الدفيئة، إلا أنه عملية صعبة. للعثور على الحل، لجأ الباحثون إلى الذكاء الاصطناعي.

في عملهم، قدم فريق الباحثين نموذجًا أساسيًا (FM) لمحاكاة الديناميكيات الجزيئية على مستوى الإكساسكيل. لهذا، استفادوا من بنية شبكة E(3) المتكافئة (Allegro)، وهو نوع من الشبكات العصبية، ومجموعة من مجموعات البيانات الكبيرة للمواد العضوية وغير العضوية.

النموذج الناتج هو Allegro-FM، الذي يمكنه التعامل مع محاكاة مواد مختلفة لمهام متعددة لاحقة.

كيف تُحوِّل النماذج الأساسية علم المواد

لإنشاء نموذج الذكاء الاصطناعي الخاص بهم، استخدم الفريق النموذج الأساسي (FM)، الذي يُعد تحولًا في paradigma في مجال الذكاء الاصطناعي وقد غيّر طريقة تدريب نماذجهم. 

النموذج الأساسي هو نموذج ذكاء اصطناعي كبير تم تدريبه على مجموعة بيانات ضخمة ومتنوعة يمكن تكييفه لمهام لاحقة مختلفة. هذه النماذج مُدربة مسبقًا، مما يعني أنها لا تحتاج إلى تدريب إضافي لمهمة محددة. 

على الرغم من أن إنشاء نموذج أساسي يتطلب موارد هائلة، لا يلزم البدء من الصفر؛ بل يمكن تكييف النموذج لمهمة معينة عبر التوجيه أو الضبط الدقيق، مما يقلل كلًا من التكلفة والوقت المطلوب لتطوير النموذج وتوليد البيانات.

يمكن ضبط نموذج أساسي مدرب جيدًا باستخدام موارد أقل، مما يتيح لمن يمتلك موارد حوسبة محدودة دمج النموذج في سير عملهم.

كنماذج شبكات عميقة كبيرة، تُعد النماذج الأساسية نماذج عامة يمكن استخدامها لبناء تطبيقات ذكاء اصطناعي أكثر تخصصًا، بما في ذلك دعم العملاء، إنشاء المحتوى، إنشاء وتحرير الصور، الترجمة اللغوية، الرعاية الصحية، والروبوتات.

وبالتالي، يمكن لعلماء البيانات ببساطة استخدام هذه النماذج كأساس لبناء نماذج التعلم الآلي الخاصة بهم بسرعة وبتكلفة منخفضة.

GPT من OpenAI المدعوم من Microsoft هو أحد أكثر الأمثلة شيوعًا على النماذج الأساسية. تم تطوير نموذجه الأول في عام 2018 باستخدام 117 مليون معلمة، ثم ارتفعت إلى 1.5 مليار معلمة مع GPT-2 الذي صدر العام التالي. ثم جاء GPT-3 في عام 2020، الذي يحتوي على شبكة عصبية مكوّنة من 96 طبقة وتم تدريبه باستخدام 175 مليار معلمة، وهي قيم رقمية قابلة للتعديل تشمل الأوزان والتحيزات التي تحدد كيفية معالجة النماذج للمدخلات والمخرجات.

الآن، يُشاع أن نموذجها الأخير، GPT-4، يحتوي على 1.76 تريليون معلمة، مما يتيح لتطبيقات الذكاء الاصطناعي التوليدي إنتاج محتوى شبيه بالبشر.

أمثلة أخرى على النماذج الأساسية تشمل Nova من Amazon (AMZN )، Claude من Anthropic، Gemini من Google (GOOG )، LLaMA من Meta (META )، وStable Diffusion.

نظرًا للعديد من فوائد النماذج الأساسية، بنى باحثو USC Viterbi نموذج Allegro-FM، وهو نموذج أساسي لمحاكاة الديناميكيات الجزيئية على نطاق إكساسكيل. تم تدريب نموذجهم على مجموعات بيانات عامة واسعة النطاق من مشروع المواد (MPtrj) وSPICE المتوافقة مع إطار محاذاة الطاقة الكلية (TEA) لتطبيقات المواد على إكساسكيل.

عادةً ما تتطلب محاكاة المواد عددًا كبيرًا من الذرات لوصف ميزات رئيسية مثل المراحل المتميزة، حدود المراحل، وحدود الحبوب، بالإضافة إلى وصف دقيق للتفاعلات الكيميائية. 

Allegro, according to the study, has great potential and is particularly suitable for materials simulations that require millions to billions of atoms.

إنجاز Allegro-FM: محاكاة مليارات الذرات

نُشرت في مجلة The Journal of Physical Chemistry Letters، تفاصيل الدراسة⁴ نموذج الذكاء الاصطناعي Allegro-FM وقدراته المتفوقة. نموذج المحاكاة المدفوع بالذكاء الاصطناعي يمتلك قدرة هائلة على محاكاة مليارات الذرات في آن واحد.

من خلال اختبار تركيبات خرسانة مختلفة افتراضيًا قبل اختبارها في التجارب الواقعية المكلفة، يمكن لـ Allegro-FM تعزيز تطوير الخرسانة، ليس كمصدر للكربون، بل كخزان للكربون.

قابلية توسع النماذج ذات أهمية أساسية هنا. الحقيقة هي أن العديد من طرق محاكاة الجزيئات موجودة بالفعل، لكنها تقتصر على ملايين، إن لم تكن آلاف، الذرات فقط.

على النقيض من ذلك، يمكن لـ Allegro-FM التعامل مع أكثر من أربعة مليارات ذرة مع إظهار كفاءة بنسبة 97.5٪ عند محاكاته على Aurora، وهو حاسوب فائق إكساسكيل قادر على إجراء أكثر من كوينتليون عملية حسابية في الثانية.

هذا إنجاز هائل، يمثل قدرة حوسبة أكبر بحوالي 1,000 مرة من ما يمكن للنماذج القديمة التعامل معه.

علاوة على ذلك، النموذج الجديد مرن، يغطي 89 عنصرًا كيميائيًا. لذا يمكن استخدامه لتوقع سلوك الجزيئات لمجموعة واسعة من التطبيقات، مثل كيمياء الأسمنت وتخزين الكربون.

“الخرسانة مادة معقدة جدًا. تتكون من العديد من العناصر ومراحل وواجهات مختلفة. لذا، تقليديًا، لم يكن لدينا طريقة لمحاكاة الظواهر المتعلقة بمواد الخرسانة. لكن الآن يمكننا استخدام Allegro-FM لمحاكاة الخصائص الميكانيكية (و) الهيكلية.”

– كين-إيتشي نومورا، أستاذ الهندسة الكيميائية وممارسة علوم المواد في USC Viterbi، الذي يتعاون مع ناكانو منذ أكثر من عقدين.

تظهر المحاكاة التي أجراها الباحثون أن Allegro-FM محايد كربونيًا، مما يجعله خيارًا أكثر ملاءمة من الخرسانة الأخرى. ومن المثير للاهتمام، أن نموذج الذكاء الاصطناعي يحل مشكلات أخرى تتعلق بالخرسانة. 

المادة المقاومة للحريق، التي تُعد مصدرًا رئيسيًا لانبعاث CO2، تدوم في المتوسط حوالي قرن واحد فقط. على عكس الخرسانة الحديثة، استمرت الخرسانة الرومانية القديمة لفترة أطول بكثير، لأكثر من 2000 سنة. 

إعادة حجز CO2 يمكن أن تساعد أيضًا في جعل الخرسانة أكثر متانة.

“إذا وضعت CO2، ما يُسمى بـ ‘طبقة الكربونات’، تصبح أكثر صلابة.”

– ناكانو

إذن، يمكن لـ Allegro-FM محاكاة خرسانة محايدة كربونيًا يمكن أن تدوم لفترة أطول بكثير من عمرها الحالي.

تصميم الأسمنت المدعوم بالذكاء الاصطناعي باستخدام Allegro-FM

في التجربة، طبق الفريق Allegro-FM على بلورة توبرموريت 11Å (T11A)، وهو معدن هيدرات سيليكات الكالسيوم (CSH) شائع في الطبيعة. هذا المعدن المحدد موجود في الخرسانة الرومانية القديمة.

يحظى الأسمنت باهتمام كبير كمواد لتخزين الكربون بفضل قدرته على حجز الكربون عبر عملية التمعدن. يحدث تمعدن CO2 طبيعيًا كجزء من الدورة الجيوكيميائية. لا يزال الفهم الميكانيكي لهذا الأمر ضروريًا لضمان تخزين الكربون على المدى الطويل وبشكل آمن. 

هنا، يمكن للمحاكاة المتقدمة تقديم رؤى، لكنها إما مكلفة حسابيًا أو محدودة في الدقة الكيميائية. ومع ذلك، تُظهر النماذج الأساسية القابلة للتوسع واعدة في نمذجة سلوك تخزين الكربون في الأسمنت بدقة.

So, Allegro-FM, equipped with the generalizability, scalability, predictability, and computational efficiency, shows significant promise in enabling dynamical simulations without sacrificing the details at the atomic scale.

وفقًا للدراسة، يمكن استخدام الإطار في التحقيق في البنية النانوية لهلام CSH، الأسمنت القابل للشفاء الذاتي، وتصميم الأسمنت المتين، مما يوفر نهجًا جديدًا لعلوم الجيوفيزياء وتطبيقات الهندسة المدنية. وقد صرحوا بـ:

“يظهر Allegro-FM توافقًا ممتازًا مع نظريات الكيمياء الكمومية عالية المستوى في وصف الخصائص الهيكلية والميكانيكية والحرارية، بينما يظهر قدرات ناشئة للارتباطات الهيكلية، حركيات التفاعل، القوى الميكانيكية، الانكسار، والذوبان الصلب/السائل، والتي لم يتم تدريب النموذج عليها.” 

مستقبل أبحاث المواد: الذكاء الاصطناعي يحل محل الميكانيكا الكمومية

استخدام الذكاء الاصطناعي غيّر تمامًا قواعد اللعبة للعلماء والمهندسين. عادةً، كان محاكاة سلوك الذرات تتطلب سلسلة دقيقة من الصيغ الرياضية أو “ظواهر الميكانيكا الكمومية العميقة”. وكان ذلك ليس فقط تقنيًا جدًا بل أيضًا بطيئًا.

لكن ليس بعد الآن. ظهور الذكاء الاصطناعي، وبشكل أكثر تحديدًا التقدم في التكنولوجيا خلال السنوات القليلة الماضية، قد حول طريقة إجراء الباحثين لأبحاثهم.

“الآن، بفضل هذا الاختراق في التعلم الآلي، بدلاً من اشتقاق كل هذه الميكانيكا الكمومية من الصفر، يتبع الباحثون نهج إنشاء مجموعة تدريبية ثم ترك نموذج التعلم الآلي يعمل.”

– نومورا 

يمكن للنماذج الآن التعامل مع أحجام هائلة من البيانات وتعقيدات أكبر باستخدام موارد أقل. هذا جعل العملية بأكملها أسرع وأكثر كفاءة. 

في الواقع، يمكن لـ Allegro-FM التنبؤ بـ “دوال التفاعل” بين الذرات بدقة. عادةً ما يتطلب فهم كيفية تفاعل الذرات مع بعضها البعض العديد من المحاكاة الفردية وساعات لا حصر لها من الحسابات.

ولكن بدلاً من معالجة عنصر واحد في كل مرة، مع كل عنصر يملك معادلات مختلفة وعدة وظائف فريدة، يسمح الذكاء الاصطناعي الجديد بمحاكاة دوال التفاعل مع كامل الجدول الدوري في آن واحد، مما يعني محاكاة أسرع ومزيدًا من خيارات المواد. أوضح نومورا:

“النهج التقليدي هو محاكاة مجموعة معينة من المواد. لذا، يمكنك محاكاة، لنقل، زجاج السيليكا، لكن لا يمكنك محاكاة (ذلك) مع، لنقل، جزيء دوائي.” 

تقنيًا أيضًا، النظام الجديد أكثر كفاءة حيث يمكن لنماذج الذكاء الاصطناعي إجراء حسابات دقيقة كانت تتطلب حاسوبًا فائقًا كبيرًا. هذا يبسط المهام ويسمح باستخدام الحواسيب الفائقة لأبحاث أكثر تقدمًا.

كما أشار ناكانو، يمكن للذكاء الاصطناعي “تحقيق دقة ميكانيكا كمومية باستخدام موارد حوسبة أصغر بكثير”.


تظهر هذه الدراسة نتائج رائعة، لكن لا يزال هناك الكثير من العمل المتبقي. كما قال نومورا، سيستمر الفريق في أبحاثهم حول الخرسانة، متجهين إلى “هياكل وأساطح أكثر تعقيدًا”.

الاستثمار في الكيمياء الخضراء

إحدى أكبر شركات الكيمياء في الولايات المتحدة، Dow (DOW )، تستثمر بنشاط في المواد المستدامة وتكنولوجيا التقاط الكربون. تمثل محاكاة الذكاء الاصطناعي مثل Allegro-FM أداة مثالية لشركات مثل Dow لتطوير مواد كيميائية أكثر خضرة. 

Dow Inc. (DOW )

تعمل الشركة عبر عدة قطاعات مختلفة، بما في ذلك التغليف والمواد البلاستيكية المتخصصة، والمواد والأغطية الأداء، والوسائط الصناعية والبنية التحتية.

بقيمة سوقية تبلغ 17.72 مليار دولار، يتم تداول أسهم Dow Inc. بسعر 25 دولارًا، بانخفاض 37.53٪ منذ بداية العام. لديها ربحية السهم (TTM) قدرها 0.40 ونسبة السعر إلى الأرباح (P/E) (TTM) 62.66. عائد الأرباح المتاح هو 5.58٪.

هذا الأسبوع، أعلنت الشركة عن نتائج الربع الثاني من عام 2025، والتي أظهرت انخفاضًا بنسبة 7٪ على أساس سنوي في صافي المبيعات إلى 10.1 مليار دولار وانخفاضًا بنسبة 1٪ على أساس سنوي في الحجم. 

بلغ صافي الخسارة وفقًا لمبادئ المحاسبة المقبولة عمومًا (GAAP) 801 مليون دولار وخسارة السهم وفقًا لمبادئ GAAP 1.18 دولار. كان النقد من الأنشطة التشغيلية سالبًا 470 مليون دولار. خلال هذه الفترة، أعادت Dow 496 مليون دولار إلى مساهميها عبر توزيعات الأرباح.

هذا العام، تعاونت الشركة مع Google لتطوير نظام فرز بالذكاء الاصطناعي لتحديد الأفلام البلاستيكية والمواد المختلطة. سيستخدم النظام نماذج التعلم الآلي من Google، ومعرفة تصميم المواد من Dow، وتكنولوجيا إعادة التدوير من شركة إعادة تدوير Dow المسماة Circulus، لتحديد المواد القابلة لإعادة التدوير بناءً على تركيبتها الجزيئية.

تستخدم Dow أيضًا الذكاء الاصطناعي لتحسين عمليات تصنيع المواد الكيميائية والمواد. تتيح التقنية مراقبة وضبط المتغيرات في الوقت الفعلي، مما يضمن عمليات فعّالة ونتائج متسقة.

علاوة على ذلك، توظف الشركة الذكاء الاصطناعي في جهود البحث والتطوير بهدف ليس فقط اكتشاف مواد جديدة بل أيضًا تحسين المواد الحالية.

أحدث أخبار وتطورات سهم Dow Inc. (DOW)

الخلاصة

الخرسانة مادة قوية، تُستخدم على نطاق واسع في البناء بفضل قوتها، مرونتها، تكلفتها الفعّالة، ومتانتها. لكنها أيضًا مسؤولة عن انبعاث كمية كبيرة من ثاني أكسيد الكربون، مما يجعل من الضروري البحث عن بدائل. 

أظهر أحدث دراسة باستخدام أداة Allegro-FM اختراقًا هائلًا في قابلية التوسع لأبحاث المواد، مما يتيح محاكاة مليارات الذرات في آن واحد، ويسمح لنا بإعادة التفكير في المواد التي نعتمد عليها يوميًا، مثل الخرسانة. 

من خلال تقديم طريقة جديدة لتصميم مواد أنظف وأكثر دوامًا مثل الخرسانة، يمكن للذكاء الاصطناعي المساهمة في إنشاء مبانٍ أقوى وبيئة أنظف، مما يؤدي إلى مستقبل لا تكون فيه مواد مثل الخرسانة جزءًا من مشكلة المناخ بل حلًا لها!

انقر هنا لتعرف كيف يمكننا تجاوز قصور الخرسانة. 

المراجع:

1. Chen, C.; Nguyen, D. T.; Lee, S. J.; Baker, N. A.; Karakoti, A. S.; Lauw, L.; Owen, C.; Mueller, K. T.; Bilodeau, B. A.; Murugesan, V.; Troyer, M.; Thien, D.; (…additional authors as listed). تسريع اكتشاف المواد الحاسوبية باستخدام الذكاء الاصطناعي والحوسبة السحابية عالية الأداء: من الفحص على نطاق واسع إلى التحقق التجريبي. arXiv preprint arXiv:2401.04070 (2024). https://doi.org/10.48550/arXiv.2401.040702. Anand, N.; Eguchi, R. R.; Mathews, I. I.; Höhn, M.; Chen, Y.; Pellegrino, J.; Li, J.; Lee, Y.; Park, J.; Zhang, J.; Baek, M.; Ovchinnikov, S.; Baker, D. تصميم بنية البروتين والتسلسل باستخدام نماذج الاحتمالية للتشتت المتكافئ وإزالة الضوضاء. Chem, 9(6), 1646–1664 (2023). نُشر في online 20 أبريل 2023. https://doi.org/10.1016/j.chempr.2023.03.0133. Park, H.; Yan, X.; Zhu, R.; Huerta, E. A.; Chaudhuri, S.; Cooper, D.; Foster, I.; Tajkhorshid, E. إطار ذكاء اصطناعي توليدي يعتمد على نموذج انتشار جزيئي لتصميم الأطر المعدنية العضوية لالتقاط الكربون. Communications Chemistry, 7(1), Article 21 (2024). نُشر في online 14 فبراير 2024. https://doi.org/10.1038/s42004‑023‑01090‑24. Nomura, K.; Hattori, S.; Ohmura, S.; Kanemasu, I.; Shimamura, K.; Dasgupta, N.; Nakano, A.; Kalia, R. K.; Vashishta, P.
Allegro‑FM: Toward an Equivariant Foundation Model for Exascale Molecular Dynamics Simulations.5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). نُشر في online June 20, 2025. https://doi.org/10.1021/acs.jpclett.5c00605