Allegro-FM: KI‑Simulationen treiben nachhaltige Materialwissenschaft voran

Künstliche Intelligenz (KI) erzielt zahlreiche Entdeckungen im Bereich der Materialwissenschaften. All diese unterschiedlichen Entdeckungen sind nicht nur theoretisch, sondern reale, die eine Vielzahl von Branchen beeinflussen.

Zum Beispiel nutzte Microsoft (MSFT ) KI (Azure Quantum Elements‑Tool) und Hochleistungsrechnen, um 32 Millionen Materialien sichten, um die Kandidaten zu reduzieren¹ in nur 80 Stunden auf lediglich 18 zu reduzieren – ein Prozess, der normalerweise mehrere Jahre dauern würde. Die Wissenschaftler synthetisierten außerdem ein Material, das den Lithiumverbrauch in Batterien um 70 % senken kann.

In einem anderen Fall nutzten MIT‑Forscher KI, um neue Proteine zu entwerfen², die zur Herstellung von Materialien mit bestimmten mechanischen Eigenschaften verwendet werden könnten. Diese Materialien, die in der Natur nicht vorkommen, aber von ihr inspiriert sind, könnten potenziell solche aus Erdöl ersetzen und einen deutlich kleineren CO₂‑Fußabdruck aufweisen.

Neben Durchbrüchen in Energiespeicherung, Batterieforschung und biomedizinischen Materialien wird KI von Unternehmen und Wissenschaftlern aktiv erforscht, um die Halbleitertechnologie, die Luft‑ und Raumfahrt, die chemische Fertigung und vieles mehr voranzubringen.

Ein weiterer kritischer Einsatz der Fähigkeit rechnerischer Systeme, Aufgaben zu übernehmen, die typischerweise menschlicher Intelligenz zugeordnet werden, zeigt sich in der Schaffung nachhaltiger und grüner Materialien.

Ein Beispiel dafür ist IBMs (IBM ) RoboRXN, ein Projekt, das KI, Automatisierung und Cloud kombiniert, um die Materialentdeckung zu beschleunigen. Mit diesem aus der Ferne zugänglichen chemischen Labor ermöglicht IBM die autonome Synthese und Prüfung neuer Moleküle. Das Labor wird genutzt, um biologisch abbaubare Polymere zu entdecken.

Forscher setzen zudem maschinelles Lernen ein, um Metall‑organische Gerüste (MOFs) für die CO₂‑Abscheidung zu sichten.

CO₂‑Abscheidung ist eine Schlüsseltechnologie zur Reduzierung von Treibhausgasemissionen (THG) aus industriellen Anlagen. MOFs bieten hier vielversprechende Kandidaten, dank ihrer Fähigkeit, Kohlendioxid selektiv zu absorbieren.

Die Moleküle dieser porösen Materialien besitzen organische Knoten, anorganische Knoten und organische Verknüpfungen, die in verschiedenen Konfigurationen angeordnet werden können, wodurch die Gestaltung und Prüfung zahlreicher potenzieller MOF‑Konfigurationen ermöglicht wird.

Um den Entdeckungsprozess zu beschleunigen, nutzten Forscher des Argonne National Laboratory des US‑Energieministeriums generative KI³, um in 30 Minuten über 120.000 neue MOF‑Kandidaten zusammenzustellen. Die Berechnungen wurden auf einem Supercomputer durchgeführt, wobei zeitintensive Molekulardynamik‑Simulationen für die vielversprechendsten Kandidaten durchgeführt wurden.

Jetzt befassen sich Forscher der USC Viterbi School of Engineering mit den CO₂‑Emissionen der Betonindustrie, die für etwa 8 % der globalen Kohlenstoffemissionen verantwortlich ist, hauptsächlich durch Zementproduktion.

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.

Dieses hochentwickelte Modell kann gleichzeitig das Verhalten von Milliarden von Atomen simulieren und eröffnet damit neue Möglichkeiten für das Design und die Entdeckung von Materialien in bisher ungekanntem Umfang.

Das Problem und die Lösung: Kohlenstoff im Beton

Jedes Jahr nehmen die Häufigkeit und Intensität von Dürreperioden, Waldbränden, Regenstürmen und Hurrikans zu. Ein wesentlicher Faktor dafür ist die globale Erwärmung, die durch erhöhte Treibhausgasemissionen verursacht wird.

THG‑Emissionen beziehen sich auf die Freisetzung von Gasen wie Kohlendioxid (CO₂), Methan (CH₄) und Distickstoffoxid (N₂O) in die Atmosphäre. Diese Gase fangen Wärme ein und tragen zur globalen Erwärmung und zum Klimawandel bei.

Die Hauptquellen von Treibhausgasemissionen umfassen den Energiesektor, den Verkehr, die Strom‑ und Wärmeerzeugung sowie die Landwirtschaft. Produktion und Bauwesen sind ein weiterer großer Verursacher, wobei Baumaterialien wie Beton und Stahl einen großen CO₂‑Fußabdruck haben.

Ein Schlüsselelement moderner Infrastruktur, Beton, ist überall um uns herum, doch stellt er ein großes Problem dar, da er massive THG‑Emissionen verursacht.

Zement, ein Hauptbestandteil von Beton, ist tatsächlich für einen erheblichen Teil des CO₂‑Fußabdrucks der Bauindustrie verantwortlich. Die Zementherstellung beinhaltet die Kalzinierung von Kalkstein, wodurch große Mengen CO₂ freigesetzt werden, sowie das Hochtemperatur‑Erhitzen von Materialien in Öfen, was erhebliche Energie erfordert.

Als nach dem Wasser am meisten verbrauchtes Produkt der Erde ist es zwingend erforderlich, Beton umweltfreundlich zu machen, sonst wird die Umwelt weiterhin jährlich mit über einer Milliarde Tonnen CO₂ verschmutzt. Eine mögliche Lösung dieses Problems besteht darin, das schädliche Gas im Beton selbst zu binden.

„Man kann das CO₂ einfach in den Beton einbringen, und dann entsteht ein kohlenstoffneutrales Beton“, sagte Aiichiro Nakano, Professor für Informatik, Physik und Astronomie sowie quantitative und computergestützte Biologie an der USC Viterbi.

So begannen Nakano und seine Kollegen an der USC Viterbi mit der Forschung zur „CO₂‑Sequestrierung“, einem Prozess, der atmosphärisches Kohlendioxid erfasst und speichert.

Während die CO₂‑Sequestrierung ein vielversprechender Ansatz zur Erreichung von Kohlenstoffneutralität durch Reduktion von THG‑Emissionen ist, stellt sie einen herausfordernden Prozess dar. Um die Lösung zu finden, wandten die Forscher KI an.

In ihrer Arbeit präsentierten die Forscher ihr Foundation Model (FM) für Exascale‑Molekulardynamik‑Simulationen. Dafür nutzen sie die E(3)‑äquivariante Netzwerkarchitektur (Allegro), eine Art neuronales Netzwerk, und einen Satz großskaliger organischer und anorganischer Materialdatensätze.

Das daraus resultierende Modell ist Allegro-FM, das verschiedene Materialsimulationen für diverse nachgelagerte Aufgaben bewältigen kann.

Wie Foundation‑Modelle die Materialwissenschaft transformieren

Für ihr KI‑Modell nutzte das Team das Foundation Model (FM), das, wie sie betonen, einen Paradigmenwechsel in der KI darstellt und ihre Art der Modell‑Schulung transformiert hat.

Ein FM ist ein großes KI‑Modell, das auf einem massiven, vielfältigen Datensatz trainiert wurde und für verschiedene nachgelagerte Aufgaben angepasst werden kann. Diese Modelle sind vortrainiert, das heißt, sie benötigen kein weiteres Training für eine spezifische Aufgabe.

Obwohl die Erstellung eines FM äußerst ressourcenintensiv ist, muss man nicht von Grund auf neu beginnen; das Modell kann durch Prompting oder Feinabstimmung an eine einzelne Aufgabe angepasst werden, wodurch sowohl die Kosten als auch die für die Modellentwicklung und Datengenerierung erforderliche Zeit reduziert werden.

Ein gut trainiertes FM kann mit deutlich weniger Ressourcen feinabgestimmt werden, sodass auch Nutzer mit bescheidenen Rechenressourcen das Modell in ihren Arbeitsablauf integrieren können.

Als große Deep‑Learning‑Neuronale‑Netzwerke sind FMs allgemeine Modelle, die zum Aufbau spezialisierter KI‑Anwendungen verwendet werden können, einschließlich Kundensupport, Inhaltserstellung, Bildgenerierung und -bearbeitung, Sprachübersetzung, Gesundheitswesen und Robotik.

Daher können Datenwissenschaftler diese Modelle einfach als Grundlage nutzen, um ihre eigenen Machine‑Learning‑Modelle (ML) schnell und kostengünstig zu erstellen.

OpenAI’s GPT, unterstützt von Microsoft, ist eines der häufigsten Beispiele für ein FM. Sein allererstes Modell wurde 2018 mit 117 Millionen Parametern entwickelt, die bei GPT‑2 auf 1,5 Milliarden erhöht wurden, das ein Jahr später veröffentlicht wurde. Dann kam GPT‑3 im Jahr 2020, das ein 96‑schichtiges neuronales Netzwerk besitzt und mit 175 Milliarden Parametern trainiert wurde – anpassbare numerische Werte, einschließlich Gewichte und Biases, die bestimmen, wie Modelle Eingaben und Ausgaben verarbeiten.

Jetzt soll das neueste Modell, GPT‑4, über 1,76 Billionen Parameter verfügen, was generativen KI‑Apps ermöglicht, menschenähnliche Inhalte zu erzeugen.

Weitere Beispiele für Foundation‑Modelle sind Amazons (AMZN ) Nova, Anthropic’s Claude, Googles (GOOG ) Gemini, Metas (META ) LLaMA und Stable Diffusion.

Angesichts der vielen Vorteile von FM entwickelten die USC‑Viterbi‑Forscher Allegro-FM, ein Foundation Model für exascalable MD‑Simulationen. Ihr Modell wurde mit öffentlich verfügbaren großskaligen Materials Project Trajectory (MPtrj)‑ und SPICE‑Datensätzen trainiert, die mit dem Total Energy Alignment (TEA)‑Framework für Exascale‑Materialanwendungen abgeglichen sind.

Die Simulation von Materialien erfordert in der Regel eine große Anzahl von Atomen, um Schlüsseleigenschaften wie unterschiedliche Phasen, Phasengrenzen und Korn‑grenzen sowie eine genaue Beschreibung chemischer Reaktionen zu beschreiben.

Allegro hat laut Studie großes Potenzial und ist besonders geeignet für Materialsimulationen, die Millionen bis Milliarden von Atomen erfordern.

Allegro-FM’s Durchbruch: Simulation von Milliarden von Atomen

Veröffentlicht im Journal of Physical Chemistry Letters, beschreibt die Studie⁴ das KI‑Modell Allegro-FM und seine überlegenen Fähigkeiten. Das KI‑gesteuerte Simulationsmodell verfügt über die große Fähigkeit, gleichzeitig Milliarden von Atomen zu simulieren.

Durch das virtuelle Testen verschiedener Betonchemien, bevor sie in teuren realen Experimenten geprüft werden, kann Allegro-FM die Entwicklung von Beton vorantreiben, nicht als CO₂‑Quelle, sondern als CO₂‑Senke.

Die Skalierbarkeit der Modelle ist hier von entscheidender Bedeutung. Viele molekulare Simulationsmethoden existieren bereits, sind jedoch auf nur Millionen, wenn nicht Tausende von Atomen beschränkt.

Im Gegensatz dazu kann Allegro-FM mehr als vier Milliarden Atome verarbeiten und dabei eine Effizienz von 97,5 % auf dem Aurora‑Supercomputer erreichen, einem Exascale‑Supercomputer, der über eine Quintillion Berechnungen pro Sekunde ausführen kann.

Dies ist ein gewaltiger Erfolg, der eine Rechenleistung von etwa dem 1.000‑fachen dessen darstellt, was ältere Modelle bewältigen können.

Zudem ist das neue Modell flexibel und deckt 89 chemische Elemente ab. Es kann also das molekulare Verhalten für eine Vielzahl von Anwendungen vorhersagen, etwa Zementchemie und CO₂‑Speicherung.

„Beton ist auch ein sehr komplexes Material. Es besteht aus vielen Elementen und unterschiedlichen Phasen und Schnittstellen. Traditionell hatten wir keine Möglichkeit, Phänomene im Zusammenhang mit Beton zu simulieren. Jetzt können wir Allegro-FM nutzen, um mechanische Eigenschaften (und) strukturelle Eigenschaften zu simulieren.“

– Ken‑Ichi Nomura, Professor für Chemie‑Ingenieurwesen und Materialwissenschaften an der USC Viterbi, mit dem Nakano seit über zwei Jahrzehnten zusammenarbeitet.

Die von den Forschern durchgeführten Simulationen zeigen, dass Allegro-FM kohlenstoffneutral ist und damit eine geeignetere Option als anderer Beton darstellt. Interessanterweise löst das KI‑Modell zudem weitere Probleme mit Beton.

Das feuerbeständige Material, ein großer CO₂‑Emittent, hält im Durchschnitt nur etwa ein Jahrhundert. Im Gegensatz zu modernem Beton hat antiker römischer Beton über 2.000 Jahre gehalten.

Die Rückgewinnung von CO₂ kann auch dazu beitragen, den Beton langlebiger zu machen.

„Wenn man das CO₂, die sogenannte ‚Carbonatschicht‘, einbringt, wird es robuster.“

– Nakano

Damit kann Allegro-FM einen kohlenstoffneutralen Beton simulieren, der viel länger hält als die aktuelle Lebensdauer.

KI‑gestütztes Zementdesign mit Allegro-FM

Für das Experiment wendete das Team Allegro-FM auf einen Tobermorit‑11Å (T11A) Kristall an, ein Calcium‑Silicat‑Hydrat‑Mineral (CSH), das in der Natur häufig vorkommt. Dieses spezielle Mineral findet sich im antiken römischen Beton.

Zement gewinnt zunehmend Aufmerksamkeit als Kohlenstoffspeichermaterial, da er Kohlenstoff durch den Mineralisierungsprozess binden kann. CO₂‑Mineralisierung erfolgt natürlich im Rahmen des geochemischen Kreislaufs. Ein mechanistisches Verständnis ist weiterhin entscheidend, um langfristige und sichere Kohlenstoffspeicherung zu gewährleisten.

Hier können fortschrittliche Simulationen Einblicke liefern, sind jedoch entweder rechnerisch teuer oder in chemischer Genauigkeit begrenzt. Skalierbare Foundation‑Modelle zeigen jedoch vielversprechendes Potenzial für die genaue Modellierung des Kohlenstoffspeicherverhaltens von Zement.

So zeigt Allegro-FM, ausgestattet mit Generalisierbarkeit, Skalierbarkeit, Vorhersagbarkeit und Recheneffizienz, ein erhebliches Potenzial, dynamische Simulationen zu ermöglichen, ohne die Details auf atomarer Ebene zu opfern.

Laut Studie kann das Framework zur Untersuchung der Nanostruktur von CSH‑Gel, selbstheilendem Zement und langlebigem Zementdesign verwendet werden und bietet einen neuartigen Ansatz für geophysikalische Wissenschaften und Anwendungen im Bauingenieurwesen. Es heißt:

„Allegro-FM zeigt eine hervorragende Übereinstimmung mit hochrangigen Quantenchemie‑Theorien bei der Beschreibung struktureller, mechanischer und thermodynamischer Eigenschaften, während es emergente Fähigkeiten für strukturelle Korrelationen, Reaktionskinetik, mechanische Festigkeiten, Bruch und Fest‑/Flüssigkeits‑Auflösung aufweist, für die das Modell nicht trainiert wurde.“

Die Zukunft der Materials‑Forschung: KI ersetzt Quantenmechanik

Der Einsatz von KI hat das Spiel für Wissenschaftler und Ingenieure komplett verändert. Normalerweise hätte die Simulation des Verhaltens von Atomen eine präzise Reihe mathematischer Formeln oder „tiefgreifende Quanten‑Mechanik‑Phänomene“ erfordert, was nicht nur sehr technisch, sondern auch langsam war.

Doch das ist jetzt Vergangenheit. Der Aufstieg der KI, insbesondere die Fortschritte der Technologie in den letzten Jahren, hat die Art und Weise, wie Wissenschaftler ihre Forschung betreiben, transformiert.

„Jetzt, dank dieses maschinellen Lern‑KI‑Durchbruchs, anstatt all diese Quanten‑Mechanik von Grund auf abzuleiten, erzeugen die Forscher einen Trainingssatz und lassen dann das Machine‑Learning‑Modell laufen.“

– Nomura

Die Modelle können nun enorme Datenmengen sowie höhere Komplexität mit weniger Ressourcen verarbeiten. Das hat den gesamten Prozess deutlich schneller und effizienter gemacht.

Tatsächlich kann Allegro-FM „Interaktionsfunktionen“ zwischen Atomen genau vorhersagen. Wie Atome reagieren und miteinander interagieren, erfordert normalerweise zahlreiche Einzel‑Simulationen und unzählige Stunden an Berechnungen.

Statt ein Element nach dem anderen zu simulieren, wobei jedes unterschiedliche Gleichungen und mehrere einzigartige Funktionen hat, ermöglicht die neue KI die Simulation von Interaktionsfunktionen für das gesamte Periodensystem gleichzeitig, was schnellere Simulationen und mehr Materialoptionen bedeutet. Nomura erklärte:

„Der traditionelle Ansatz besteht darin, einen bestimmten Satz von Materialien zu simulieren. Man kann zum Beispiel Silikaglas simulieren, aber nicht (das) mit einem Medikamenten‑Molekül.“

Technologisch ist das neue System ebenfalls weitaus effizienter, da KI‑Modelle präzise Berechnungen durchführen können, die früher einen großen Supercomputer erforderten. Das vereinfacht Aufgaben und ermöglicht es, Supercomputer für fortgeschrittenere Forschung zu nutzen.

Wie Nakano feststellte, kann die KI „quantum‑mechanische Genauigkeit mit deutlich geringeren Rechenressourcen erreichen.“

Diese Studie zeigt brillante Ergebnisse, aber es gibt noch viel zu tun. Wie Nomura sagte, wird das Team seine Beton‑Forschungsarbeit fortsetzen und zu „komplexeren Geometrien und Oberflächen“ übergehen.

Investitionen in grüne Chemie

Eines der größten US‑Chemieunternehmen, Dow (DOW ), investiert aktiv in nachhaltige Materialien und CO₂‑Abscheidung‑Technologien. KI‑gesteuerte Simulationen wie Allegro-FM bieten ein perfektes Werkzeug für Unternehmen wie Dow, um umweltfreundlichere Chemikalien zu entwickeln.

Dow Inc. (DOW )

Das Unternehmen operiert in mehreren Segmenten, darunter Verpackungen & Spezialkunststoffe, Leistungs‑Materialien & Beschichtungen sowie Industrie‑Zwischenprodukte & Infrastruktur.

Mit einer Marktkapitalisierung von 17,72 Milliarden $, werden die Aktien von Dow Inc. zu 25 $ gehandelt, ein Rückgang von 37,53 % im Jahresverlauf. Das Unternehmen weist ein EPS (TTM) von 0,40 und ein KGV (TTM) von 62,66 auf. Die verfügbare Dividendenrendite beträgt 5,58 %.

In dieser Woche veröffentlichte das Unternehmen seine Finanzzahlen für das 2. Quartal 2025, die einen Rückgang des Nettoumsatzes um 7 % gegenüber dem Vorjahr auf 10,1 Milliarden $ und einen Rückgang des Volumens um 1 % zeigten.

Der GAAP‑Nettogewinnverlust betrug 801 Millionen $, das GAAP‑Verlust‑pro‑Aktie lag bei 1,18 $. Der Cash‑Flow aus operativer Tätigkeit war minus 470 Millionen $. In diesem Zeitraum hat Dow 496 Millionen $ an seine Aktionäre über Dividenden zurückgezahlt.

In diesem Jahr ging das Unternehmen eine Partnerschaft mit Google ein, um ein KI‑Sortiersystem zu entwickeln, das Filmkunststoffe und Mischmaterialien identifiziert. Das System nutzt Googles ML‑Modelle, Dow‑Materialdesign‑Wissen und die Recycling‑Technologie von Dow’s Recycling‑Unternehmen Circulus, um recycelbare Materialien anhand ihrer molekularen Zusammensetzung zu erkennen.

Dow nutzt KI auch, um seine Chemie‑ und Materialherstellungsprozesse zu optimieren. Die Technologie ermöglicht die Echtzeit‑Überwachung und -Anpassung von Variablen, um effiziente Prozesse und konsistente Ergebnisse sicherzustellen.

Zudem setzt das Unternehmen KI in seinen F&E‑Bemühungen ein, um nicht nur neue Materialien zu entdecken, sondern auch bestehende zu verbessern.

Neueste Dow Inc. (DOW) Aktiennachrichten und Entwicklungen

Fazit

Beton ist ein leistungsfähiges Material, das aufgrund seiner Festigkeit, Vielseitigkeit, Kosteneffizienz und Langlebigkeit im Bauwesen weit verbreitet ist. Gleichzeitig ist er für die Emission erheblicher Mengen an Kohlendioxid verantwortlich, weshalb es entscheidend ist, nach Alternativen zu suchen.

Die neueste Studie mit dem Allegro-FM‑Tool hat einen enormen Durchbruch in der Skalierbarkeit der Materials­forschung erzielt, der Simulationen von Milliarden von Atomen gleichzeitig ermöglicht und uns erlaubt, Materialien, von denen wir täglich abhängen, wie Beton, neu zu überdenken.

Indem sie einen neuen Weg bietet, sauberere, langlebigere Materialien wie Beton zu entwerfen, kann KI nicht nur stärkere Gebäude, sondern auch eine sauberere Umwelt schaffen, was zu einer Zukunft führt, in der Materialien wie Beton nicht Teil des Klimaproblems, sondern eine Lösung darstellen!

Klicken Sie hier, um zu erfahren, wie wir die Mängel des Betons überwinden können.

Referenzen:

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). Beschleunigung der rechnergestützten Materialentdeckung mit künstlicher Intelligenz und Cloud‑Hochleistungsrechnen: von großskaliger Durchsicht bis zur experimentellen Validierung. 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- und Sequenzdesign mit äquivarianten Denoising‑Diffusion‑Probabilistic‑Modellen. Chem, 9(6), 1646–1664 (2023). Veröffentlicht am 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. Ein generatives KI‑Framework basierend auf einem molekularen Diffusionsmodell für das Design von Metall‑organischen Gerüsten zur CO₂‑Abscheidung. Communications Chemistry, 7(1), Article 21 (2024). Veröffentlicht am online 14. Februar 2024. https://doi.org/10.1038/s42004‑023‑01090‑2

4. Nomura, K.; Hattori, S.; Ohmura, S.; Kanemasu, I.; Shimamura, K.; Dasgupta, N.; Nakano, A.; Kalia, R. K.; Vashishta, P.
Allegro‑FM: Auf dem Weg zu einem äquivarianten Foundation Model für Exascale‑Molekulardynamik‑Simulationen.

5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Veröffentlicht am online 20. Juni 2025. https://doi.org/10.1021/acs.jpclett.5c00605