Allegro-FM: Προσομοιώσεις AI που προωθούν τη βιώσιμη επιστήμη υλικών

Η τεχνητή νοημοσύνη (AI) κάνει πολλές ανακαλύψεις στον τομέα της επιστήμης των υλικών. Όλες αυτές οι διαφορετικές ανακαλύψεις δεν είναι θεωρητικές, αλλά πραγματικές και επηρεάζουν ένα ευρύ φάσμα βιομηχανιών. 

Για παράδειγμα, Microsoft (MSFT ) χρησιμοποίησε AI (εργαλείο Azure Quantum Elements) και υπολογιστική υψηλής απόδοσης για να επιλέξει 32 εκατομμύρια υλικά ώστε να περιορίσει¹ τους υποψήφιους σε μόλις 18 μέσα σε 80 ώρες, μια διαδικασία που κανονικά θα έπαιρνε αρκετά χρόνια. Οι επιστήμονες επίσης συνέθεσαν ένα υλικό που μπορεί να μειώσει τη χρήση λιθίου στις μπαταρίες κατά 70%.

Σε άλλη περίπτωση, ερευνητές του MIT χρησιμοποίησαν AI για το σχεδιασμό νέων πρωτεϊνών², που θα μπορούσαν να χρησιμοποιηθούν για την κατασκευή υλικών με συγκεκριμένες μηχανικές ιδιότητες. Αυτά τα υλικά, που δεν υπάρχουν στη φύση αλλά είναι εμπνευσμένα από αυτήν, θα μπορούσαν ενδεχομένως να αντικαταστήσουν εκείνα που παράγονται από πετρέλαιο και να έχουν σημαντικά μικρότερο αποτύπωμα άνθρακα.

Εκτός από τις επιτυχίες στην αποθήκευση ενέργειας, την καινοτομία στις μπαταρίες και τα βιοϊατρικά υλικά, η AI εξερευνάται ενεργά από εταιρείες και επιστήμονες για την προώθηση της τεχνολογίας ημιαγωγών, της αεροδιαστημικής, της χημικής παραγωγής και άλλων.

Μία ακόμη κρίσιμη χρήση της ικανότητας των υπολογιστικών συστημάτων να εκτελούν εργασίες που παραδοσιακά συνδέονται με ανθρώπινη νοημοσύνη παρατηρείται στη δημιουργία βιώσιμων και πράσινων υλικών.

Ένα παράδειγμα είναι το RoboRXN της IBM (IBM ), ένα έργο που συνδυάζει AI, αυτοματοποίηση και cloud για την επιτάχυνση της ανακάλυψης υλικών. Με αυτό το απομακρυσμένα προσβάσιμο χημικό εργαστήριο, η IBM επιτρέπει την αυτόνομη σύνθεση και δοκιμή νέων μορίων. Το εργαστήριο χρησιμοποιείται για την ανακάλυψη βιοδιασπώμενων πολυμερών.

Οι ερευνητές επίσης χρησιμοποιούν μηχανική μάθηση για την επιλογή μεταλλικών-οργανικών πλαισίων (MOFs) για τη σύλληψη άνθρακα.

Η σύλληψη άνθρακα είναι μια βασική τεχνολογία στη μείωση των εκπομπών αερίων του θερμοκηπίου (GHG) από βιομηχανικές εγκαταστάσεις. Τα MOFs εδώ προσφέρουν μια υποσχόμενη επιλογή, χάρη στην ικανότητά τους να απορροφούν επιλεκτικά το διοξείδιο του άνθρακα.

Τα μόρια αυτών των πορώδων υλικών έχουν οργανικούς κόμβους, ανόργανους κόμβους και οργανικούς συνδέσμους, που μπορούν να διαταχθούν σε διαφορετικές διαμορφώσεις, επιτρέποντας το σχεδιασμό και τη δοκιμή πολυάριθμων πιθανών διαμορφώσεων MOF.

Για να επιταχύνουν τη διαδικασία ανακάλυψης, ερευνητές από το Εθνικό Εργαστήριο Argonne του Υπουργείου Ενέργειας των ΗΠΑ (DOE) χρησιμοποίησαν³ γενετική AI για να συναρμολογήσουν γρήγορα πάνω από 120.000 νέους υποψήφιους MOF μέσα σε 30 λεπτά. Οι υπολογισμοί εκτελέστηκαν σε υπερυπολογιστή με χρονοβόρες προσομοιώσεις μοριακής δυναμικής που πραγματοποιήθηκαν στους πιο υποσχόμενους υποψήφιους.

Τώρα, ερευνητές από τη Σχολή Μηχανικής USC Viterbi αντιμετωπίζουν τις εκπομπές CO2 της βιομηχανίας σκυροδέματος, η οποία είναι υπεύθυνη για περίπου το 8% των παγκόσμιων εκπομπών άνθρακα, κυρίως μέσω της παραγωγής τσιμέντου.

Η ιδέα είναι να υπάρχει σκυρόδεμα που όχι μόνο αυτο-επισκευάζεται και διαρκεί ακόμη περισσότερο, αλλά μπορεί επίσης να παγιδεύει το διοξείδιο του άνθρακα από την ατμόσφαιρα· για αυτό, οι ερευνητές ανέπτυξαν ένα επαναστατικό μοντέλο AI.

Αυτό το εξαιρετικά εξελιγμένο μοντέλο μπορεί να προσομοιώσει τη συμπεριφορά δισεκατομμυρίων ατόμων ταυτόχρονα, ανοίγοντας νέες δυνατότητες για το σχεδιασμό και την ανακάλυψη υλικών σε άνευ προηγουμένου κλίμακα.

Το Πρόβλημα και η Λύση: Άνθρακας στο Σκυρόδεμα

Κάθε χρόνο, παρατηρούμε αύξηση τόσο της συχνότητας όσο και της έντασης των ξηρασιών, των πυρκαγιών, των καταιγίδων και των τυφώνων. Ένας κύριος παράγοντας είναι η παγκόσμια θέρμανση, η οποία προέρχεται από την αυξημένη εκπομπή αερίων του θερμοκηπίου.

Οι εκπομπές αερίων του θερμοκηπίου (GHG) αναφέρονται στην απελευθέρωση αερίων όπως το διοξείδιο του άνθρακα (CO2), το μεθάνιο (CH4) και το οξείδιο του αζώτου (N2O) στην ατμόσφαιρα. Αυτά τα αέρια παγιδεύουν τη θερμότητα και συμβάλλουν στην παγκόσμια θέρμανση και την κλιματική αλλαγή.

Τώρα, οι κύριες πηγές των εκπομπών αερίων του θερμοκηπίου περιλαμβάνουν τον ενεργειακό τομέα, τις μεταφορές, την παραγωγή ηλεκτρισμού και θερμότητας, και τη γεωργία. Η βιομηχανία και η κατασκευή είναι επίσης σημαντικοί παράγοντες, με υλικά κτιρίων όπως το σκυρόδεμα και το χάλυβα να έχουν μεγάλο αποτύπωμα άνθρακα.

Ένα βασικό στοιχείο της σύγχρονης υποδομής, το σκυρόδεμα είναι παντού γύρω μας, αλλά το πρόβλημα είναι ότι προκαλεί σημαντικές εκπομπές αερίων του θερμοκηπίου.

Το τσιμέντο, που αποτελεί βασικό συστατικό του σκυροδέματος, είναι στην πραγματικότητα υπεύθυνο για ένα σημαντικό μέρος του αποτυπώματος άνθρακα της κατασκευαστικής βιομηχανίας. Η διαδικασία παραγωγής τσιμέντου περιλαμβάνει την αφαίρεση του ασβεστίου από την ασβεστολιθική πέτρα, η οποία απελευθερώνει μεγάλες ποσότητες CO2, και τη θέρμανση υλικών σε υψηλές θερμοκρασίες σε κλίβανα, απαιτώντας σημαντική ενέργεια.

Αφού είναι το πιο καταναλισκόμενο προϊόν στη γη μετά το νερό, είναι επιτακτικό να κάνουμε το σκυρόδεμα φιλικό προς το περιβάλλον, ή το περιβάλλον θα συνεχίσει να μολύνεται με πάνω από ένα δισεκατομμύριο μετρικές τόνους CO2 ετησίως λόγω αυτής της βιομηχανίας. Μια πιθανή λύση σε αυτό το πρόβλημα είναι η παγίδευση του επιβλαβούς αερίου στο ίδιο το σκυρόδεμα.

«Μπορείτε απλώς να τοποθετήσετε το CO2 μέσα στο σκυρόδεμα, και τότε αυτό γίνεται σκυρόδεμα ουδέτερο ως προς τον άνθρακα», είπε ο Aiichiro Nakano, καθηγητής του USC Viterbi στην επιστήμη υπολογιστών, φυσική και αστρονομία, καθώς και στην ποσοτική και υπολογιστική βιολογία.

Έτσι, ο Nakano, μαζί με τους συναδέλφους του στο USC Viterbi, ξεκίνησαν την έρευνα για την «σύλληψη CO2», μια διαδικασία που συλλαμβάνει και αποθηκεύει το ατμοσφαιρικό διοξείδιο του άνθρακα.

Παρόλο που αποτελεί μια υποσχόμενη λύση για την επίτευξη ουδετερότητας άνθρακα με τη μείωση των εκπομπών GHG, η σύλληψη CO2 είναι μια δύσκολη διαδικασία. Για να βρουν τη λύση, οι ερευνητές στράφηκαν στην AI.

Στην εργασία τους, η ομάδα ερευνητών παρουσίασε το μοντέλο θεμελίωσης (FM) τους για προσομοιώσεις μοριακής δυναμικής σε εξασκάλες κλίμακες. Για αυτό, αξιοποιούν την αρχιτεκτονική δικτύου E(3) ισοδύναμης (Allegro), έναν τύπο νευρωνικού δικτύου, και ένα σύνολο δεδομένων μεγάλων κλιμάκων οργανικών και ανόργανων υλικών.

Το προκύπτον μοντέλο είναι το Allegro-FM, το οποίο μπορεί να διαχειριστεί διάφορες προσομοιώσεις υλικών για διαφορετικές επακόλουθες εργασίες.

Πώς τα Μοντέλα Θεμελίωσης Μετασχηματίζουν την Επιστήμη των Υλικών

Για το μοντέλο AI τους, η ομάδα χρησιμοποίησε το μοντέλο θεμελίωσης (FM), το οποίο σημειώνεται ως μια αλλαγή παραδείγματος στην AI και έχει μεταμορφώσει τον τρόπο εκπαίδευσης των μοντέλων τους. 

Ένα FM είναι ένα μεγάλο μοντέλο AI που εκπαιδεύεται σε ένα τεράστιο, ποικίλο σύνολο δεδομένων και μπορεί να προσαρμοστεί για διαφορετικούς τύπους επακόλουθων εργασιών. Αυτά τα μοντέλα είναι προ-εκπαιδευμένα, πράγμα που σημαίνει ότι δεν απαιτούν περαιτέρω εκπαίδευση για μια συγκεκριμένη εργασία. 

Αν και η δημιουργία ενός FM είναι εξαιρετικά απαιτητική σε πόρους, δεν χρειάζεται να ξεκινά κανείς από το μηδέν· αντίθετα, το μοντέλο μπορεί να προσαρμοστεί σε μια συγκεκριμένη εργασία μέσω prompting ή fine-tuning, μειώνοντας έτσι τόσο το κόστος όσο και το χρόνο που απαιτούνται για την ανάπτυξη του μοντέλου και τη δημιουργία δεδομένων.

Ένα καλά εκπαιδευμένο FM μπορεί να γίνει fine-tuned με πολύ λιγότερους πόρους, επιτρέποντας σε κάποιον με μέτριους υπολογιστικούς πόρους να ενσωματώσει το μοντέλο στη ροή εργασίας του.

Ως μεγάλα νευρωνικά δίκτυα βαθιάς μάθησης, τα FM είναι μοντέλα γενικού σκοπού που μπορούν να χρησιμοποιηθούν για την κατασκευή πιο εξειδικευμένων εφαρμογών AI, συμπεριλαμβανομένης της εξυπηρέτησης πελατών, της δημιουργίας περιεχομένου, της δημιουργίας και επεξεργασίας εικόνων, της μετάφρασης γλώσσας, της υγειονομικής περίθαλψης και της ρομποτικής.

Έτσι, οι επιστήμονες δεδομένων μπορούν απλώς να χρησιμοποιήσουν αυτά τα μοντέλα ως βάση για να δημιουργήσουν τα δικά τους μοντέλα μηχανικής μάθησης (ML) γρήγορα και οικονομικά.

Το GPT της OpenAI, υποστηριζόμενο από τη Microsoft, είναι ένα από τα πιο κοινά παραδείγματα FM. Το πρώτο του μοντέλο αναπτύχθηκε το 2018 χρησιμοποιώντας 117 εκατομμύρια παραμέτρους, που αυξήθηκαν σε 1,5 δισεκατομμύρια με το GPT-2, που κυκλοφόρησε το επόμενο έτος. Στη συνέχεια ήρθε το GPT-3 το 2020, το οποίο διαθέτει νευρωνικό δίκτυο 96 επιπέδων και εκπαιδεύεται με 175 δισεκατομμύρια παραμέτρους, που είναι ρυθμιζόμενες αριθμητικές τιμές, όπως βάρη και προκαταλήψεις, που καθορίζουν πώς τα μοντέλα επεξεργάζονται την είσοδο και την έξοδο.

Τώρα, το πιο πρόσφατο μοντέλο του, το GPT-4, φέρεται να έχει 1,76 τρισεκατομμύρια παραμέτρους, επιτρέποντας στις εφαρμογές γενετικής AI να παράγουν περιεχόμενο παρόμοιο με το ανθρώπινο.

Άλλα παραδείγματα μοντέλων θεμελίωσης περιλαμβάνουν το Nova της Amazon (AMZN ), το Claude της Anthropic, το Gemini της Google (GOOG ), το LLaMA της Meta (META ), και το Stable Diffusion.

Δεδομένων των πολλών ωφελειών των FM, οι ερευνητές του USC Viterbi δημιούργησαν το Allegro-FM, ένα μοντέλο θεμελίωσης για εξασκάλες προσομοιώσεις MD. Το μοντέλο τους εκπαιδεύεται σε δημόσια διαθέσιμα μεγάλης κλίμακας σύνολα δεδομένων Materials Project Trajectory (MPtrj) και SPICE, ευθυγραμμισμένα με το πλαίσιο Total Energy Alignment (TEA) για εφαρμογές υλικών σε εξασκάλες κλίμακες.

Η προσομοίωση υλικών τείνει να απαιτεί μεγάλο αριθμό ατόμων για την περιγραφή βασικών χαρακτηριστικών όπως διακριτές φάσεις, σύνορα φάσεων και grain boundaries, καθώς και ακριβή περιγραφή χημικών αντιδράσεων. 

Το Allegro, σύμφωνα με τη μελέτη, έχει μεγάλο δυναμικό και είναι ιδιαίτερα κατάλληλο για προσομοιώσεις υλικών που απαιτούν εκατομμύρια έως δισεκατομμύρια άτομα.

Η Επανάσταση του Allegro-FM: Προσομοίωση Δισεκατομμυρίων Ατόμων

Δημοσιεύτηκε στο The Journal of Physical Chemistry Letters, η μελέτη περιγράφει⁴ το μοντέλο AI Allegro-FM και τις ανώτερες δυνατότητές του. Το μοντέλο προσομοίωσης που οδηγείται από AI διαθέτει μεγάλη ικανότητα να προσομοιώνει δισεκατομμύρια άτομα ταυτόχρονα.

Δοκιμάζοντας διαφορετικές χημικές συνθέσεις σκυροδέματος εικονικά πριν από τα ακριβά πειράματα στον πραγματικό κόσμο, το Allegro-FM μπορεί να προωθήσει την ανάπτυξη σκυροδέματος, όχι ως πηγή άνθρακα, αλλά ως απορροφητή άνθρακα.

Η κλιμακωσιμότητα των μοντέλων είναι εδώ καθοριστική. Το θέμα είναι ότι πολλές μέθοδοι μοριακής προσομοίωσης ήδη υπάρχουν, αλλά περιορίζονται σε εκατομμύρια, αν όχι χιλιάδες, άτομα.

Αντίθετα, το Allegro-FM μπορεί να διαχειριστεί πάνω από τέσσερα δισεκατομμύρια άτομα, παρουσιάζοντας αποδοτικότητα 97,5% όταν προσομοιώνεται στο Aurora, έναν υπερυπολογιστή εξασκάλας που μπορεί να εκτελεί πάνω από ένα κουίντιλιο υπολογισμούς ανά δευτερόλεπτο.

Αυτή είναι μια τεράστια επιτυχία, αντιπροσωπεύοντας υπολογιστική δυνατότητα περίπου 1.000 φορές μεγαλύτερη από ό,τι μπορούν να διαχειριστούν τα παλαιότερα μοντέλα.

Επιπλέον, το νέο μοντέλο είναι ευέλικτο, καλύπτοντας 89 χημικά στοιχεία. Έτσι, μπορεί να χρησιμοποιηθεί για την πρόβλεψη μοριακής συμπεριφοράς για μια τεράστια ποικιλία εφαρμογών, όπως η χημεία τσιμέντου και η αποθήκευση άνθρακα.

«Το σκυρόδεμα είναι επίσης ένα πολύ σύνθετο υλικό. Αποτελείται από πολλά στοιχεία και διαφορετικές φάσεις και διεπαφές. Έτσι, παραδοσιακά δεν είχαμε τρόπο να προσομοιώσουμε φαινόμενα που αφορούν το υλικό σκυροδέματος. Αλλά τώρα μπορούμε να χρησιμοποιήσουμε αυτό το Allegro-FM για να προσομοιώσουμε μηχανικές ιδιότητες (και) δομικές ιδιότητες.»

– Ken-Ichi Nomura, καθηγητής χημικής μηχανικής και πρακτικής επιστήμης υλικών στο USC Viterbi, με τον οποίο ο Nakano συνεργάζεται για πάνω από δύο δεκαετίες.

Οι προσομοιώσεις που εκτελούν οι ερευνητές δείχνουν ότι το Allegro-FM είναι ουδέτερο ως προς τον άνθρακα, καθιστώντας το πιο κατάλληλη επιλογή από άλλα σκυρόδεμα. Ενδιαφέρον είναι ότι το μοντέλο AI λύνει επίσης άλλα προβλήματα με το σκυρόδεμα. 

Το ανθεκτικό σε πυρκαγιά υλικό, που είναι σημαντικός εκπομπέας CO2, διαρκεί κατά μέσο όρο περίπου έναν αιώνα. Σε αντίθεση με το σύγχρονο σκυρόδεμα, το αρχαίο ρωμαϊκό σκυρόδεμα έχει διαρκέσει πολύ περισσότερο, πάνω από 2.000 χρόνια. 

Η επανασύλληψη του CO2 μπορεί επίσης να βοηθήσει το σκυρόδεμα να γίνει πιο ανθεκτικό.

«Αν προσθέσετε το CO2, το λεγόμενο ‘στρώμα ανθρακικού,’ γίνεται πιο ανθεκτικό.»

– Nakano 

Έτσι, το Allegro-FM μπορεί να προσομοιώσει ένα σκυρόδεμα ουδέτερο ως προς τον άνθρακα που μπορεί να διαρκέσει πολύ περισσότερο από την τρέχουσα διάρκεια ζωής του.

Σχεδιασμός Τσιμέντου με Βάση την AI χρησιμοποιώντας το Allegro-FM

Για το πείραμα, η ομάδα εφάρμοσε το Allegro-FM σε κρύσταλλο tobermorite 11Å (T11A), ένα ορυκτό υδράτωμα ασβεστίου-σιλικάτης (CSH) που βρίσκεται συνήθως στη φύση. Αυτό το συγκεκριμένο ορυκτό βρίσκεται στο αρχαίο ρωμαϊκό σκυρόδεμα.

Το τσιμέντο κερδίζει πολύ προσοχή ως υλικό αποθήκευσης άνθρακα λόγω της ικανότητάς του να παγιδεύει τον άνθρακα μέσω της διαδικασίας μεταλλοποίησης. Η μεταλλοποίηση CO2 συμβαίνει φυσικά ως μέρος του γεωχημικού κύκλου. Η μηχανική κατανόηση αυτού είναι ακόμη κρίσιμη για τη διασφάλιση μακροπρόθεσμης και ασφαλούς αποθήκευσης άνθρακα.

Εδώ, οι προχωρημένες προσομοιώσεις μπορούν να παρέχουν πληροφορίες, αλλά είναι είτε υπολογιστικά δαπανηρές είτε περιορισμένες στην χημική ακρίβεια. Τα κλιμακώσιμα μοντέλα θεμελίωσης, ωστόσο, δείχνουν υποσχόμενα για την ακριβή μοντελοποίηση της συμπεριφοράς αποθήκευσης άνθρακα του τσιμέντου.

Έτσι, το Allegro-FM, εξοπλισμένο με τη γενικευσιμότητα, κλιμακωσιμότητα, προβλεψιμότητα και υπολογιστική αποδοτικότητα, δείχνει σημαντική υπόσχεση στην ενεργοποίηση δυναμικών προσομοιώσεων χωρίς να θυσιάζει τις λεπτομέρειες σε ατομική κλίμακα.

Σύμφωνα με τη μελέτη, το πλαίσιο μπορεί να χρησιμοποιηθεί στην έρευνα της νανοδομής του gel CSH, του αυτο-επισκευαζόμενου τσιμέντου και του σχεδιασμού ανθεκτικού τσιμέντου, παρέχοντας μια νέα προσέγγιση για τις εφαρμογές της γεωφυσικής επιστήμης και της πολιτικής μηχανικής. Αναφέρει:

«Το Allegro-FM παρουσιάζει εξαιρετική συμφωνία με θεωρίες υψηλού επιπέδου κβαντικής χημείας στην περιγραφή δομικών, μηχανικών και θερμοδυναμικών ιδιοτήτων, ενώ εμφανίζει αναδυόμενες δυνατότητες για δομικές συσχετίσεις, κινητική αντίδρασης, μηχανικές αντοχές, θραύση και διάλυση στερεού/υγρού, για τα οποία το μοντέλο δεν έχει εκπαιδευτεί.» 

Το Μέλλον της Έρευνας Υλικών: Η AI Αντικαθιστά την Κβαντική Μηχανική

Η χρήση της AI έχει αλλάξει εντελώς το παιχνίδι για επιστήμονες και μηχανικούς. Συνήθως, η προσομοίωση της συμπεριφοράς των ατόμων απαιτούσε μια ακριβή σειρά μαθηματικών τύπων ή «βαθιές, σύνθετες φαινόμενα κβαντικής μηχανικής». Και αυτό δεν ήταν μόνο πολύ τεχνικό αλλά και αργό.

Αλλά πια. Η εμφάνιση της AI, πιο συγκεκριμένα η πρόοδος στην τεχνολογία τα τελευταία χρόνια, έχει μεταμορφώσει τον τρόπο που οι επιστήμονες διεξάγουν την έρευνά τους.

«Τώρα, λόγω αυτής της πρότζεκτ μηχανικής μάθησης AI, αντί να εξάγουν όλη αυτή την κβαντική μηχανική από το μηδέν, οι ερευνητές ακολουθούν την προσέγγιση της δημιουργίας ενός συνόλου εκπαίδευσης και στη συνέχεια αφήνουν το μοντέλο μηχανικής μάθησης να τρέξει.»

– Nomura 

Τα μοντέλα μπορούν τώρα να διαχειριστούν τεράστιους όγκους δεδομένων καθώς και μεγαλύτερη πολυπλοκότητα χρησιμοποιώντας λιγότερους πόρους. Αυτό έχει κάνει όλη τη διαδικασία πολύ πιο γρήγορη και αποδοτική. 

Στην πραγματικότητα, το Allegro-FM μπορεί να προβλέψει με ακρίβεια τις «συναρτήσεις αλληλεπίδρασης» μεταξύ ατόμων. Πώς τα άτομα αντιδρούν και αλληλεπιδρούν μεταξύ τους συνήθως απαιτεί πολλές μεμονωμένες προσομοιώσεις και αμέτρητες ώρες υπολογισμού.

Αλλά αντί να γίνεται ένα στοιχείο τη φορά, με το καθένα να έχει διαφορετικές εξισώσεις και πολλές μοναδικές συναρτήσεις, η νέα AI επιτρέπει τη προσομοίωση των συναρτήσεων αλληλεπίδρασης με ολόκληρο τον περιοδικό πίνακα ταυτόχρονα, πράγμα που σημαίνει ταχύτερες προσομοιώσεις και περισσότερες επιλογές υλικών. Εξήγησε ο Nomura:

«Η παραδοσιακή προσέγγιση είναι να προσομοιωθεί ένα συγκεκριμένο σύνολο υλικών. Έτσι, μπορείτε να προσομοιώσετε, για παράδειγμα, γυαλί πυριτίου, αλλά δεν μπορείτε να το προσομοιώσετε με, για παράδειγμα, ένα μόριο φαρμάκου.» 

Τεχνολογικά, επίσης, το νέο σύστημα είναι πολύ πιο αποδοτικό, με τα μοντέλα AI να μπορούν να κάνουν ακριβείς υπολογισμούς που παλαιότερα απαιτούσαν μεγάλο υπερυπολογιστή. Αυτό απλοποιεί τις εργασίες και επιτρέπει στους υπερυπολογιστές να χρησιμοποιηθούν για πιο προχωρημένη έρευνα.

Όπως σημείωσε ο Nakano, η AI μπορεί να «επιτύχει ακρίβεια κβαντικής μηχανικής με πολύ, πολύ μικρότερους υπολογιστικούς πόρους».

Αυτή η μελέτη δείχνει εξαιρετικά αποτελέσματα, αλλά υπάρχει ακόμη πολύ δουλειά που πρέπει να γίνει. Όπως είπε ο Nomura, η ομάδα θα συνεχίσει την έρευνα τους για το σκυρόδεμα, προχωρώντας σε «πιο σύνθετες γεωμετρίες και επιφάνειες».

Επένδυση στη Πράσινη Χημεία

Μία από τις μεγαλύτερες αμερικανικές χημικές εταιρείες, η Dow (DOW ), επενδύει ενεργά σε βιώσιμα υλικά και τεχνολογίες σύλληψης άνθρακα. Η προσομοίωση με AI όπως το Allegro-FM αποτελεί ένα τέλειο εργαλείο για εταιρείες όπως η Dow να αναπτύξουν πιο πράσινα χημικά.

Dow Inc. (DOW )

Η εταιρεία λειτουργεί μέσω μερικών διαφορετικών τμημάτων, συμπεριλαμβανομένων των Συσκευασιών & Ειδικών Πλαστικών, Υλικών Απόδοσης & Επικαλυπτών, και Βιομηχανικών Ενδιάμεσων & Υποδομών.

Με κεφαλαιοποίηση αγοράς 17,72 δισεκατομμυρίων δολαρίων, οι μετοχές της Dow Inc. διαπραγματεύονται στα 25 δολάρια, μειωμένες κατά 37,53% ετησίως. Έχει EPS (TTM) 0,40 και P/E (TTM) 62,66. Η διαθέσιμη απόδοση μερισμάτων είναι 5,58%.

Αυτή την εβδομάδα, ανακοίνωσε τα οικονομικά αποτελέσματα του Δεύτερου Τριμήνου 2025, που αποκάλυψαν μείωση 7% ετησίως στις καθαρές πωλήσεις σε 10,1 δισεκατομμύρια δολάρια και πτώση 1% ετησίως στον όγκο.

Η καθαρή ζημία GAAP της εταιρείας ανήλθε σε 801 εκατομμύρια δολάρια και ζημία GAAP ανά μετοχή 1,18 δολάρια. Τα ταμειακά ρευστά από λειτουργικές δραστηριότητες ήταν -470 εκατομμύρια δολάρια. Κατά τη διάρκεια αυτής της περιόδου, η Dow επέστρεψε 496 εκατομμύρια δολάρια στους μετόχους της μέσω μερισμάτων.

Φέτος, η εταιρεία συνεργάστηκε με τη Google για την ανάπτυξη ενός συστήματος ταξινόμησης AI για την αναγνώριση πλαστικών φιλμ και μεικτών υλικών. Το σύστημα θα χρησιμοποιήσει τα μοντέλα ML της Google, τη γνώση σχεδιασμού υλικών της Dow και την τεχνολογία ανακύκλωσης από την εταιρεία ανακύκλωσης της Dow, Circulus, προκειμένου να εντοπίζει ανακυκλώσιμα υλικά βάσει της μοριακής τους σύνθεσης.

Η Dow επίσης χρησιμοποιεί AI για τη βελτιστοποίηση των διαδικασιών παραγωγής χημικών και υλικών της. Η τεχνολογία της επιτρέπει να παρακολουθεί και να ρυθμίζει τις μεταβλητές σε πραγματικό χρόνο, εξασφαλίζοντας αποδοτικές διαδικασίες και συνεπή αποτελέσματα.

Επιπλέον, χρησιμοποιεί AI στις προσπάθειες Έρευνας & Ανάπτυξης με στόχο όχι μόνο την ανακάλυψη νέων υλικών αλλά και τη βελτίωση των υπαρχόντων.

Τελευταία Νέα και Ανάπτυξη Μετοχών Dow Inc. (DOW)

Συμπέρασμα

Το σκυρόδεμα είναι ένα ισχυρό υλικό, που χρησιμοποιείται εκτενώς στην κατασκευή λόγω της αντοχής, της ευελιξίας, του κόστους και της ανθεκτικότητάς του. Αλλά είναι επίσης υπεύθυνο για την εκπομπή σημαντικής ποσότητας διοξειδίου του άνθρακα, καθιστώντας κρίσιμη την αναζήτηση εναλλακτικών. 

Η πρόσφατη μελέτη με το εργαλείο Allegro-FM έχει επιτύχει μια τεράστια πρόοδο στην κλιμακωσιμότητα της έρευνας υλικών, που μπορεί να επιτρέψει προσομοιώσεις δισεκατομμυρίων ατόμων ταυτόχρονα, επιτρέποντάς μας να επανεξετάσουμε τα υλικά από τα οποία εξαρτόμαστε καθημερινά, όπως το σκυρόδεμα.

Προσφέροντας έναν νέο τρόπο σχεδιασμού πιο καθαρών, πιο ανθεκτικών υλικών όπως το σκυρόδεμα, η AI μπορεί να βοηθήσει στη δημιουργία όχι μόνο πιο ισχυρών κτιρίων αλλά και ενός πιο καθαρού περιβάλλοντος, οδηγώντας σε ένα μέλλον όπου υλικά όπως το σκυρόδεμα δεν θα αποτελούν μέρος του κλιματικού προβλήματος αλλά θα είναι λύση!

Κάντε κλικ εδώ για να μάθετε πώς μπορούμε να ξεπεράσουμε τα ελαττώματα του σκυροδέματος. 

Αναφορές:

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). Επιτάχυνση της υπολογιστικής ανακάλυψης υλικών με τεχνητή νοημοσύνη και υπολογιστικό νέφος υψηλής απόδοσης: από εκτεταμένη επιλογή μέχρι πειραματική επικύρωση. 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. Σχεδίαση δομής και ακολουθίας πρωτεϊνών με ισοδύναμα μοντέλα διασποράς θορύβου πιθανοκρατικών. Chem, 9(6), 1646–1664 (2023). Δημοσιεύτηκε online 20 Απριλίου 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. Ένα γενετικό πλαίσιο τεχνητής νοημοσύνης βασισμένο σε μοντέλο μοριακής διασποράς για το σχεδιασμό μεταλλικών‑οργανικών πλαισίων για σύλληψη άνθρακα. Communications Chemistry, 7(1), Article 21 (2024). Δημοσιεύτηκε online 14 Φεβρουαρίου 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: Προς ένα Ισοδύναμο Μοντέλο Θεμελίωσης για Προσομοιώσεις Μοριακής Δυναμικής σε Εξασκάλες Κλίμακες.
5. Το Περιοδικό Φυσικής Χημείας Letters, 16 (25), 6637–? (2025). Δημοσιεύτηκε online June 20, 2025. https://doi.org/10.1021/acs.jpclett.5c00605