Allegro-FM: AI-simuleringer driver bæredygtig materialvidenskab

Kunstig intelligens (AI) gør mange opdagelser inden for materialvidenskab. Alle disse forskellige opdagelser er ikke kun teoretiske, men reelle, og påvirker en bred vifte af industrier. 

For eksempel har Microsoft (MSFT ) anvendt AI (Azure Quantum Elements-værktøjet) og højtydende beregning til at gennemgå 32 millioner materialer for at indsnævre¹ kandidaterne til kun 18 på blot 80 timer, en proces der normalt ville tage flere år. Forskerne syntetiserede også et materiale, der kan reducere lithiumforbruget i batterier med 70 %.

I et andet tilfælde brugte MIT-forskere AI til at designe nye proteiner², som kan bruges til at fremstille materialer med bestemte mekaniske egenskaber. Disse materialer, som ikke findes i naturen men er inspireret af den, kan potentielt erstatte dem, der er lavet af petroleum, og have et betydeligt mindre CO2-aftryk.

Udover at opnå gennembrud inden for energilagring, batteriinnovation og biomedicinske materialer, bliver AI aktivt udforsket af virksomheder og forskere for at fremme halvlederteknologi, rumfart, kemisk fremstilling og mere.

Endnu en kritisk anvendelse af beregningssystemers evne til at udføre opgaver, der typisk er forbundet med menneskelig intelligens, ses i skabelsen af bæredygtige og grønne materialer.

Et eksempel på dette er IBM’s (IBM ) RoboRXN, et projekt der kombinerer AI, automatisering og cloud for at accelerere materialeforskning. Med dette fjernadgangelige kemiske laboratorium muliggør IBM autonom syntese og test af nye molekyler. Laboratoriet bruges til at opdage biologisk nedbrydelige polymerer.

Forskere bruger også maskinlæring til at screene metal‑organiske rammer (MOFs) til kulstofopsamling.

Kulstofopsamling er en nøgle‑teknologi til at reducere drivhusgasemissioner (GHG) fra industrielle anlæg. MOFs her tilbyder et lovende alternativ på grund af deres evne til selektivt at absorbere kuldioxid.

Molekylerne i disse porøse materialer har organiske noder, uorganiske noder og organiske linkere, som kan arrangeres i forskellige konfigurationer, hvilket muliggør design og test af talrige potentielle MOF‑konfigurationer.

For at fremskynde opdagelsesprocessen brugte forskere fra USAs energidepartement (DOE) Argonne National Laboratory generativ AI til hurtigt at samle over 120.000 nye MOF‑kandidater inden for 30 minutter. Beregningerne blev kørt på en supercomputer med tidskrævende molekylære dynamik‑simulationer udført på de mest lovende kandidater.

Nu arbejder forskere fra USC Viterbi School of Engineering på at tackle CO2‑emissionerne fra betonindustrien, som er ansvarlig for omkring 8 % af de globale CO2‑emissioner, primært gennem cementproduktion.

Ideen er at have beton, der ikke kun selvhelbreder og holder længere, men også kan fange kuldioxid fra atmosfæren; til dette har forskerne udviklet en revolutionerende AI‑model.

Denne højt sofistikerede model kan simulere adfærden af milliarder af atomer samtidigt, hvilket åbner nye muligheder for materialedesign og opdagelse i en hidtil uset skala.

Problemet og løsningen: Kulstof i beton

Hvert år ser vi en stigning i både hyppigheden og intensiteten af tørke, skovbrande, regnstorme og orkaner. En væsentlig årsag til dette er den globale opvarmning, som er resultatet af øgede drivhusgasemissioner.

GHG-emissioner refererer til udslip af gasser som kuldioxid (CO2), metan (CH4) og lattergas (N2O) i atmosfæren. Disse gasser fastholder varme og bidrager til global opvarmning og klimaforandringer.

I dag omfatter de primære kilder til drivhusgasemissioner energisektoren, transport, el- og varmeproduktion samt landbrug. Fremstilling og byggeri er også en stor bidragyder, hvor byggematerialer som beton og stål har et stort CO2-aftryk.

Et centralt element i moderne infrastruktur er beton, som findes overalt omkring os, men problemet er, at det udgør en stor udfordring på grund af massive GHG-emissioner.

Cement, som er en nøglekomponent i beton, er faktisk ansvarlig for en betydelig del af byggebranchens CO2-aftryk. Fremstillingsprocessen for cement indebærer kalkning af kalksten, hvilket frigiver store mængder CO2, samt højtemperaturopvarmning af materialer i ovne, hvilket kræver betydelig energi.

Som det mest forbrugte produkt på jorden efter vand er det afgørende at gøre beton miljøvenlig, ellers vil miljøet fortsætte med at blive forurenet med over en milliard metriske tons CO2 årligt på grund af denne industri. En potentiel løsning på dette problem er at fange den skadelige gas i selve betonen.

„Du kan blot putte CO2 ind i betonen, og så får du en kulstofneutral beton,“ sagde Aiichiro Nakano, professor ved USC Viterbi i datalogi, fysik og astronomi samt kvantitativ og beregningsbiologi.

Så begyndte Nakano sammen med sine kolleger på USC Viterbi at forske i “CO2‑sequestrering,” en proces der indfanger og lagrer atmosfærisk kuldioxid.

Selvom CO2‑sequestrering er en lovende løsning for at opnå kulstofneutralitet ved at reducere GHG-emissioner, er processen udfordrende. For at finde løsningen vendte forskerne sig mod AI.

I deres arbejde præsenterede forskerholdet deres fundamentmodel (FM) til exascale molekylære dynamik‑simulationer. Til dette udnytter de E(3)‑equivariant netværksarkitektur (Allegro), en type neuralt netværk, samt et sæt af stor‑skala organiske og uorganiske materialedata‑sæt.

Den resulterende model er Allegro-FM, som kan håndtere forskellige materialesimulationer for diverse efterfølgende opgaver.

Hvordan fundamentmodeller transformerer materialvidenskab

Til deres AI‑model brugte holdet fundamentmodellen (FM), som de bemærker er et paradigmeskift inden for AI og har transformeret deres måde at træne modeller på. 

En FM er en stor AI‑model trænet på et enormt, diversificeret datasæt, som kan tilpasses forskellige typer af efterfølgende opgaver. Disse modeller er fortrænet, hvilket betyder, at de ikke kræver yderligere træning på en specifik opgave. 

Selvom genereringen af en FM er ekstremt ressourcekrævende, behøver man ikke starte fra bunden; i stedet kan modellen tilpasses en individuel opgave gennem prompting eller finjustering, hvilket reducerer både omkostninger og tid, der kræves til modeludvikling og datagenerering.

En veltrænet FM kan finjusteres med langt færre ressourcer, så selv dem med beskedne beregningsressourcer kan integrere modellen i deres arbejdsflow.

Som store dybe lærings‑neurale netværk er FMs generelle modeller, der kan bruges til at bygge mere specialiserede AI‑applikationer, herunder kundesupport, indholdsgenerering, billedskabelse og -redigering, sprogoversættelse, sundhedspleje og robotteknik.

Så kan dataforskere blot bruge disse modeller som grundlag til hurtigt og omkostningseffektivt at bygge deres egne maskinlærings‑ (ML) modeller.

Microsoft‑støttede OpenAI’s GPT er et af de mest almindelige eksempler på FM. Dens allerførste model blev udviklet i 2018 med 117 millioner parametre, som blev øget til 1,5 milliarder med GPT‑2, udgivet året efter. Så kom GPT‑3 i 2020, som har et 96‑lag neuralt netværk og er trænet med 175 milliarder parametre, som er justerbare numeriske værdier inklusive vægte og bias, der bestemmer hvordan modeller behandler input og output.

Nu siges den seneste model, GPT‑4, at have 1,76 billioner parametre, hvilket muliggør generative AI‑apps, der kan producere menneskelignende indhold.

Andre eksempler på fundamentmodeller inkluderer Amazons Nova, Anthropics Claude, Googles Gemini, Metas LLaMA og Stable Diffusion.

Givet de mange fordele ved FM byggede USC Viterbi-forskerne Allegro-FM, en fundamentmodel til exascalable MD‑simulationer. Deres model er trænet på offentligt tilgængelige stor‑skala Materials Project Trajectory (MPtrj) og SPICE‑datasæt, justeret med Total Energy Alignment (TEA)‑rammen for exascale materialeanvendelser.

Simulation af materialer kræver typisk et stort antal atomer for at beskrive nøglefunktioner som forskellige faser, fasegrænser og korngrænser samt en præcis beskrivelse af kemiske reaktioner. 

Allegro har ifølge undersøgelsen stort potentiale og er særligt egnet til materialesimulationer, der kræver millioner til milliarder af atomer.

Allegro-FMs gennembrud: Simulering af milliarder af atomer

Publiceret i The Journal of Physical Chemistry Letters beskriver undersøgelsen AI‑modellen Allegro-FM og dens overlegenhed. Den AI‑drevne simuleringsmodel har stor evne til at simulere milliarder af atomer på én gang.

Ved at teste forskellige betonkemiere virtuelt før de afprøves i dyre virkelige eksperimenter, kan Allegro-FM fremme udviklingen af beton, ikke som en kulstofkilde, men som en kulstofsuger.

Modellens skalerbarhed er her af afgørende betydning. Problemet er, at mange molekylære simuleringsmetoder allerede findes, men de er begrænset til kun millioner, om ikke tusinder, af atomer.

I kontrast kan Allegro-FM håndtere mere end fire milliarder atomer og viser en effektivitet på 97,5 % når den simuleres på Aurora, en exascale supercomputer, der kan udføre over en kvintillion beregninger per sekund.

Dette er en enorm bedrift, der repræsenterer en beregningskapacitet omkring 1.000 gange større end hvad ældre modeller kan håndtere.

Desuden er den nye model fleksibel og dækker 89 kemiske grundstoffer. Så den kan bruges til at forudsige molekylær adfærd for en bred vifte af anvendelser, såsom cementkemi og kulstoflagring.

„Beton er også et meget komplekst materiale. Det består af mange elementer og forskellige faser og grænseflader. Så traditionelt havde vi ikke en måde at simulere fænomener, der involverer betonmateriale. Men nu kan vi bruge denne Allegro-FM til at simulere mekaniske egenskaber (og) strukturelle egenskaber.”

– Ken‑Ichi Nomura, professor ved USC Viterbi i kemisk ingeniørkunst og materialvidenskab, som Nakano har samarbejdet med i over to årtier.

Simulationerne udført af forskerne viser, at Allegro-FM er kulstofneutral, hvilket gør den til et mere egnet alternativ end anden beton. Interessant nok løser AI‑modellen også andre problemer med beton.

Det brandresistente materiale, som er en stor CO2‑udleder, holder kun omkring et århundrede i gennemsnit. I modsætning til moderne beton har gammel romersk beton holdt meget længere, i over 2.000 år.

Genoptagelsen af CO2 kan også hjælpe med at gøre betonen mere holdbar.

„Hvis du tilsætter CO2, den såkaldte ‘karbonatlag’, bliver den mere robust.“

– Nakano 

Så kan Allegro-FM simulere en kulstofneutral beton, der kan holde meget længere end dens nuværende levetid.

AI-drevet cementdesign med Allegro-FM

Til eksperimentet anvendte holdet Allegro-FM på en tobermorite 11 Å (T11A) krystal, et calcium‑silicat‑hydrat (CSH) mineral, der almindeligt findes i naturen. Dette specifikke mineral findes i gammel romersk beton.

Cement får stor opmærksomhed som et kulstoflagringsmateriale på grund af dets evne til at fange kulstof gennem mineraliseringsprocessen. CO2‑mineralisering forekommer naturligt som en del af den geokemiske cyklus. En mekanistisk forståelse af dette er stadig afgørende for at sikre langsigtet og sikker kulstoflagring.

Her kan avancerede simulationer give indsigt, men de er enten beregningstunge eller begrænsede i kemisk nøjagtighed. Skalerbare fundamentmodeller viser dog lovende resultater for præcis modellering af cementens kulstoflagringsadfærd.

Så viser Allegro-FM, udstyret med generaliserbarhed, skalerbarhed, forudsigelighed og beregningseffektivitet, betydeligt potentiale for at muliggøre dynamiske simulationer uden at gå på kompromis med detaljerne på atomskala.

Ifølge undersøgelsen kan rammeværket anvendes til undersøgelse af nanostrukturen af CSH‑gel, selvhelbredende cement og holdbart cementdesign, hvilket giver en ny tilgang til geovidenskab og civilingeniørapplikationer. Det udtalte:

„Allegro-FM viser fremragende overensstemmelse med højniveau kvantekemi‑teorier i beskrivelsen af strukturelle, mekaniske og termodynamiske egenskaber, samtidig med at den udviser nye evner inden for strukturelle korrelationer, reaktionskinetik, mekanisk styrke, brud og opløsning af fast/væske, som modellen ikke er blevet trænet på.“

Fremtiden for materialeforskning: AI erstatter kvantemekanik

Brugen af AI har fuldstændig ændret spillet for forskere og ingeniører. Normalt ville simulering af atomers adfærd have krævet en præcis række matematiske formler eller “dybe, komplekse kvantemekaniske fænomener.” Og det var ikke kun meget teknisk, men også langsomt.

Men ikke længere. Fremkomsten af AI, mere specifikt fremskridtene i teknologien i de sidste par år, har transformeret, hvordan forskere udfører deres forskning.

„Nu, på grund af dette maskinlærings‑AI‑gennembrud, i stedet for at udlede al denne kvantemekanik fra bunden, anvender forskerne en tilgang, hvor de genererer et træningssæt og derefter lader maskinlæringsmodellen køre.“

– Nomura 

Modellerne kan nu håndtere enorme datamængder samt større kompleksitet, mens de bruger færre ressourcer. Dette har gjort hele processen meget hurtigere og mere effektiv. 

Faktisk kan Allegro-FM forudsige “interaktionsfunktioner” mellem atomer præcist. Hvordan atomer reagerer og interagerer med hinanden kræver normalt mange individuelle simulationer og utallige timers beregning.

Men i stedet for at gøre et element ad gangen, med hver med forskellige ligninger og flere unikke funktioner, tillader den nye AI simulering af interaktionsfunktioner med hele det periodiske system på én gang, hvilket betyder hurtigere simulationer og flere materialemuligheder. Nomura forklarede:

„Den traditionelle tilgang er at simulere et bestemt sæt materialer. Så du kan simulere, lad os sige, silikaglas, men du kan ikke simulere (det) med, lad os sige, et lægemiddelmolekyle.“

Teknologisk er det nye system også langt mere effektivt, da AI‑modeller kan foretage præcise beregninger, som tidligere krævede en stor supercomputer. Dette forenkler opgaver og gør det muligt at bruge supercomputere til mere avanceret forskning.

Som Nakano bemærkede, kan AI’en “opnå kvantemekanisk nøjagtighed med meget, meget mindre beregningsressourcer.”

Denne undersøgelse viser nogle strålende resultater, men der er stadig meget arbejde at gøre. Som Nomura sagde, vil holdet fortsætte deres betonforskningsstudie og gå videre til “mere komplekse geometrier og overflader.”

Investering i grøn kemi

En af de største amerikanske kemivirksomheder, Dow (DOW ), investerer aktivt i bæredygtige materialer og kulstofopsamlingsteknologier. AI‑drevet simulation som Allegro-FM er et perfekt værktøj for virksomheder som Dow til at udvikle grønnere kemikalier. 

Dow Inc. (DOW )

Virksomheden opererer gennem flere forskellige segmenter, herunder Emballage & Specialplastik, Performance‑materialer & Coatings og Industrielle mellemprodukter & Infrastruktur.

Med en markedsværdi på 17,72 milliarder dollars handles Dow Inc.-aktierne til 25 $, ned 37,53 % år‑til‑dato. Den har en EPS (TTM) på 0,40 og en P/E (TTM) på 62,66. Udbytteafkastet er 5,58 %.

I denne uge rapporterede den sine Q2‑2025‑resultater, som afslørede et fald på 7 % år‑over‑år i nettoomsætning til 10,1 milliarder dollars og et fald på 1 % år‑over‑år i volumen.

Virksomhedens GAAP‑nettounderskud var 801 millioner dollars og GAAP‑underskud pr. aktie på 1,18 $. Kontantstrøm fra driftsaktiviteter var negativ 470 millioner dollars. I denne periode returnerede Dow 496 millioner dollars til sine aktionærer gennem udbytter.

I år indgik virksomheden et partnerskab med Google om at udvikle et AI‑sorteringssystem til at identificere filmplast og blandede materialer. Systemet vil anvende Googles ML‑modeller, Dows viden om materialedesign og genbrugsteknologi fra Dows genbrugsvirksomhed Circulus for at identificere genanvendelige materialer baseret på deres molekylære sammensætning.

Dow anvender også AI til at optimere sine kemikalie‑ og materialefremstillingsprocesser. Teknologien gør det muligt at overvåge og justere variable i realtid, hvilket sikrer effektive processer og konsistente resultater.

Desuden bruger den AI i sine F&U‑indsatser med målet ikke kun at opdage nye materialer, men også forbedre sine eksisterende.

Seneste nyheder og udviklinger om Dow Inc. (DOW) aktien

Konklusion

Beton er et kraftfuldt materiale, der anvendes i stor udstrækning i byggeri på grund af sin styrke, alsidighed, omkostningseffektivitet og holdbarhed. Men det er også ansvarligt for at udlede en betydelig mængde kuldioxid, hvilket gør det vigtigt at søge alternativer. 

Den seneste undersøgelse med Allegro-FM‑værktøjet har opnået et enormt gennembrud i skalerbarhed for materialeforskning, som kan muliggøre simulationer af milliarder af atomer på én gang, så vi kan genoverveje de materialer, vi er afhængige af hver dag, som beton. 

Ved at tilbyde en ny måde at designe renere, længere‑holdbare materialer som beton på, kan AI hjælpe med at skabe ikke kun stærkere bygninger, men også et renere miljø, hvilket fører til en fremtid, hvor materialer som beton ikke er en del af klimaproblemet, men snarere en løsning!

Klik her for at lære, hvordan vi kan overvinde betons svagheder. 

(AMZN ) (GOOG ) (META )

Referencer:

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). Accelerering af beregningsbaseret materialeforskning med kunstig intelligens og cloud‑high‑performance computing: fra stor‑skala screening til eksperimentel validering. arXiv preprint arXiv:2401.04070 (2024). https://doi.org/10.48550/arXiv.2401.04070
2. 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. Proteinstruktur og sekvensdesign med equivariant denoising diffusion probabilistic models. Chem, 9(6), 1646–1664 (2023). Udgivet den online 20. april 2023. https://doi.org/10.1016/j.chempr.2023.03.013
3. Park, H.; Yan, X.; Zhu, R.; Huerta, E. A.; Chaudhuri, S.; Cooper, D.; Foster, I.; Tajkhorshid, E. Et generativt kunstig intelligens‑rammeværk baseret på en molekylær diffusionsmodel til design af metal‑organiske rammer til kulstofopsamling. Communications Chemistry, 7(1), Article 21 (2024). Udgivet den online 14. februar 2024. https://doi.org/10.1038/s42004‑023‑01090‑2
4. Allegro‑FM: Modet mod en equivariant fundamentmodel for exascale molekylære dynamik‑simulationer.
5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Udgivet den online 20. juni 2025. https://doi.org/10.1021/acs.jpclett.5c00605