Allegro-FM: Simulaciones de IA impulsando la ciencia de materiales sostenibles

La inteligencia artificial (IA) está realizando numerosos descubrimientos en el campo de la ciencia de materiales. Todos estos descubrimientos no son teóricos, sino reales y están impactando una amplia gama de industrias. 

Por ejemplo, Microsoft (MSFT ) utilizó IA (herramienta Azure Quantum Elements) y computación de alto rendimiento para examinar 32 millones de materiales y reducir¹ los candidatos a solo 18 en un lapso de 80 horas, un proceso que normalmente tomaría varios años. Los científicos también sintetizaron un material que puede reducir el uso de litio en baterías en un 70%.

En otro caso, investigadores del MIT utilizaron IA para diseñar nuevas proteínas², que podrían usarse para crear materiales con ciertas propiedades mecánicas. Estos materiales, que no existen en la naturaleza pero están inspirados en ella, podrían reemplazar a los fabricados a partir del petróleo y tener una huella de carbono significativamente menor.

Además de lograr avances en almacenamiento de energía, innovación de baterías y materiales biomédicos, la IA está siendo explorada activamente por empresas y científicos para impulsar la tecnología de semiconductores, la aeroespacial, la fabricación química y más.

Otro uso crítico de la capacidad de los sistemas computacionales para realizar tareas típicamente asociadas con la inteligencia humana se está viendo en la creación de materiales sostenibles y verdes.

Un ejemplo de esto es RoboRXN de IBM (IBM ), un proyecto que combina IA, automatización y nube para acelerar el descubrimiento de materiales. Con este laboratorio químico accesible de forma remota, IBM está permitiendo la síntesis y prueba autónoma de nuevas moléculas. El laboratorio se está utilizando para descubrir polímeros biodegradables.

Los investigadores también están usando aprendizaje automático para examinar marcos metal-orgánicos (MOFs) para la captura de carbono.

La captura de carbono es una tecnología clave para reducir las emisiones de gases de efecto invernadero (GEI) de las instalaciones industriales. Los MOFs aquí ofrecen un candidato prometedor, gracias a su capacidad de absorber selectivamente dióxido de carbono.

Las moléculas de estos materiales porosos tienen nodos orgánicos, nodos inorgánicos y enlaces orgánicos, que pueden disponerse en diferentes configuraciones, permitiendo el diseño y prueba de numerosas configuraciones potenciales de MOF.

Para acelerar el proceso de descubrimiento, investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) utilizaron³ IA generativa para ensamblar rápidamente más de 120 000 nuevos candidatos de MOF en 30 minutos. Los cálculos se ejecutaron en una supercomputadora con simulaciones de dinámica molecular intensivas en tiempo realizadas sobre los candidatos más prometedores.

Ahora, investigadores de la USC Viterbi School of Engineering están abordando las emisiones de CO₂ de la industria del hormigón, que es responsable de aproximadamente el 8 % de las emisiones globales de carbono, principalmente a través de la producción de cemento.

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.

Este modelo altamente sofisticado puede simular el comportamiento de miles de millones de átomos simultáneamente, abriendo nuevas posibilidades para el diseño y descubrimiento de materiales a una escala sin precedentes.

El problema y la solución: Carbono en el hormigón

Cada año, observamos un aumento tanto en la frecuencia como en la intensidad de sequías, incendios forestales, tormentas y huracanes. Un factor importante es el calentamiento global, que es el resultado del aumento de las emisiones de gases de efecto invernadero.

Las emisiones de GEI se refieren a la liberación de gases como dióxido de carbono (CO₂), metano (CH₄) y óxido nitroso (N₂O) a la atmósfera. Estos gases atrapan el calor y contribuyen al calentamiento global y al cambio climático. 

Ahora, las fuentes principales de emisiones de gases de efecto invernadero incluyen el sector energético, el transporte, la producción de electricidad y calor, y la agricultura. La manufactura y la construcción son otro gran contribuyente, con materiales de construcción como el hormigón y el acero que tienen una gran huella de carbono. 

Un elemento clave de la infraestructura moderna, el hormigón está en todas partes a nuestro alrededor, pero el problema es que representa una gran dificultad debido a sus masivas emisiones de GEI.

El cemento, que es un componente clave del hormigón, es en realidad responsable de una parte sustancial de la huella de carbono de la industria de la construcción. El proceso de fabricación del cemento implica la calcinación de la piedra caliza, lo que libera grandes cantidades de CO₂, y el calentamiento a alta temperatura de los materiales en hornos, lo que requiere una energía significativa. 

Siendo el producto de mayor consumo en la Tierra después del agua, es imperativo hacer que el hormigón sea ecológico, o el medio ambiente seguirá contaminado con más de mil millones de toneladas métricas de CO2 anualmente debido a esta industria. Una solución potencial a este problema es atrapar el gas nocivo dentro del propio hormigón.

«Puedes simplemente colocar el CO₂ dentro del hormigón, y eso convierte al hormigón en neutro en carbono», dijo Aiichiro Nakano, profesor de la USC Viterbi de informática, física y astronomía, y biología cuantitativa y computacional.

Así, Nakano, junto con sus colegas de la USC Viterbi, comenzaron a investigar la “secuestro de CO₂”, un proceso que captura y almacena el dióxido de carbono atmosférico.

Aunque es una solución prometedora para lograr la neutralidad de carbono al reducir las emisiones de GEI, el secuestro de CO₂ es un proceso desafiante. Para encontrar la solución, los investigadores recurrieron a la IA.

En su trabajo, el equipo de investigadores presentó su modelo fundacional (FM) para simulaciones de dinámica molecular a escala exa. Para ello, están aprovechando la arquitectura de red equivariant E(3) (Allegro), un tipo de red neuronal, y un conjunto de grandes bases de datos de materiales orgánicos e inorgánicos.

El modelo resultante es Allegro-FM, que puede manejar diversas simulaciones de materiales para múltiples tareas posteriores.

Cómo los modelos fundacionales están transformando la ciencia de materiales

Para su modelo de IA, el equipo utilizó el modelo fundacional (FM), que, según indican, representa un cambio de paradigma en IA y ha transformado su forma de entrenar modelos. 

Un FM es un modelo de IA grande entrenado con un conjunto de datos masivo y diverso que puede adaptarse a diferentes tipos de tareas posteriores. Estos modelos están preentrenados, lo que significa que no requieren entrenamiento adicional para una tarea específica. 

Aunque generar un FM es extremadamente intensivo en recursos, no es necesario comenzar desde cero; más bien, el modelo puede adaptarse a una tarea individual mediante prompts o afinación, reduciendo tanto el costo como el tiempo requeridos para el desarrollo del modelo y la generación de datos.

Un FM bien entrenado puede afinarse con muchos menos recursos, permitiendo a quien dispone de recursos informáticos modestos incorporar el modelo en su flujo de trabajo.

Como grandes redes neuronales de aprendizaje profundo, los FMs son modelos de propósito general que pueden usarse para crear aplicaciones de IA más especializadas, incluyendo soporte al cliente, generación de contenido, creación y edición de imágenes, traducción de idiomas, atención sanitaria y robótica.

Así, los científicos de datos pueden simplemente usar estos modelos como base para construir sus propios modelos de aprendizaje automático (ML) de forma rápida y rentable.

GPT de OpenAI, respaldado por Microsoft, es uno de los ejemplos más comunes de FM. Su primer modelo se desarrolló en 2018 con 117 millones de parámetros, que se incrementaron a 1,5 mil millones con GPT-2, lanzado al año siguiente. Luego llegó GPT-3 en 2020, que tiene una red neuronal de 96 capas y se entrenó con 175 mil millones de parámetros, que son valores numéricos ajustables, incluidos pesos y sesgos, que determinan cómo los modelos procesan la entrada y la salida.

Ahora, se rumorea que su último modelo, GPT-4, tiene 1,76 billones de parámetros, lo que permite a las aplicaciones de IA generativa producir contenido similar al humano.

Otros ejemplos de modelos fundacionales incluyen Nova de Amazon (AMZN ), Claude de Anthropic, Gemini de Google (GOOG ), LLaMA de Meta (META ), y Stable Diffusion.

Dado los numerosos beneficios de los FM, los investigadores de la USC Viterbi construyeron Allegro-FM, un modelo fundacional para simulaciones de MD a escala exa. Su modelo está entrenado con los conjuntos de datos públicos a gran escala Materials Project Trajectory (MPtrj) y SPICE alineados con el marco de Alineación de Energía Total (TEA) para aplicaciones de materiales a escala exa.

La simulación de materiales suele requerir un gran número de átomos para describir características clave como fases distintas, límites de fase y límites de grano, así como una descripción precisa de reacciones químicas. 

Allegro, según el estudio, tiene gran potencial y es particularmente adecuado para simulaciones de materiales que requieren de millones a miles de millones de átomos.

El avance de Allegro-FM: Simular miles de millones de átomos

Publicado en The Journal of Physical Chemistry Letters, el estudio detalla⁴ el modelo de IA Allegro-FM y sus capacidades superiores. El modelo de simulación impulsado por IA posee una gran capacidad para simular miles de millones de átomos simultáneamente.

Al probar diferentes químicas del hormigón de forma virtual antes de experimentos reales costosos, Allegro-FM puede impulsar el desarrollo del hormigón, no como una fuente de carbono, sino como un sumidero de carbono.

La escalabilidad del modelo es de gran importancia aquí. El asunto es que existen muchos métodos de simulación molecular, pero están limitados a solo millones, si no miles, de átomos.

En contraste, Allegro-FM puede manejar más de cuatro mil millones de átomos mientras muestra una eficiencia del 97,5 % cuando se simula en Aurora, una supercomputadora exaescala que puede realizar más de un quintillón de cálculos por segundo.

Esto es una hazaña enorme, representando una capacidad de cómputo aproximadamente 1 000 veces mayor que la que pueden manejar los modelos anteriores.

Además, el nuevo modelo es flexible, cubriendo 89 elementos químicos. Por lo tanto, puede usarse para predecir el comportamiento molecular para una amplia variedad de aplicaciones, como la química del cemento y el almacenamiento de carbono.

«El hormigón también es un material muy complejo. Consiste en muchos elementos y diferentes fases e interfaces. Así que, tradicionalmente, no teníamos una forma de simular fenómenos que involucraran el material del hormigón. Pero ahora podemos usar este Allegro-FM para simular propiedades mecánicas (y) estructurales.»

– Ken-Ichi Nomura, profesor de la USC Viterbi de ingeniería química y práctica de ciencia de materiales, con quien Nakano ha colaborado durante más de dos décadas.

Las simulaciones realizadas por los investigadores demuestran que Allegro-FM es neutro en carbono, lo que lo convierte en una opción más adecuada que otros hormigones. Curiosamente, el modelo de IA también resuelve otros problemas con el hormigón. 

El material resistente al fuego, que es un gran emisor de CO₂, solo dura aproximadamente un siglo en promedio. A diferencia del hormigón moderno, el hormigón romano antiguo ha durado mucho más, más de 2 000 años. 

La recaptura de CO₂ también puede ayudar a que el hormigón sea más duradero.

«Si incorporas el CO₂, la llamada ‘capa de carbonato’, se vuelve más robusta.»

– Nakano 

Así, Allegro-FM puede simular un hormigón neutro en carbono que puede durar mucho más que su vida útil actual.

Diseño de cemento impulsado por IA con Allegro-FM

Para el experimento, el equipo aplicó Allegro-FM a un cristal tobermorita 11 Å (T11A), un mineral de hidróxido de silicato de calcio (CSH) que se encuentra comúnmente en la naturaleza. Este mineral en particular se encuentra en el hormigón romano antiguo.

El cemento está recibiendo mucha atención como material de almacenamiento de carbono debido a su capacidad de atrapar carbono mediante el proceso de mineralización. La mineralización de CO₂ ocurre de forma natural como parte del ciclo geoquímico. Comprender mecánicamente este proceso sigue siendo crucial para garantizar un almacenamiento de carbono a largo plazo y seguro. 

Aquí, las simulaciones avanzadas pueden proporcionar información, pero son costosas computacionalmente o limitadas en precisión química. Sin embargo, los modelos fundacionales escalables muestran promesa para modelar con precisión el comportamiento de almacenamiento de carbono del cemento.

Así, Allegro-FM, equipado con generalización, escalabilidad, predictibilidad y eficiencia computacional, muestra un gran potencial para habilitar simulaciones dinámicas sin sacrificar los detalles a escala atómica.

Según el estudio, el marco puede utilizarse en la investigación de la nanoestructura del gel CSH, el cemento autorreparable y el diseño de cemento duradero, proporcionando un enfoque novedoso para aplicaciones de ciencia geofísica e ingeniería civil. Señala:

«Allegro-FM muestra un excelente acuerdo con teorías de química cuántica de alto nivel al describir propiedades estructurales, mecánicas y termodinámicas, al tiempo que exhibe capacidades emergentes para correlaciones estructurales, cinética de reacciones, resistencias mecánicas, fractura y disolución sólido/líquido, para las cuales el modelo no ha sido entrenado.» 

El futuro de la investigación de materiales: IA reemplazando la mecánica cuántica

El uso de la IA ha cambiado completamente el juego para científicos e ingenieros. Normalmente, simular el comportamiento de los átomos habría requerido una serie precisa de fórmulas matemáticas o “fenómenos profundos de mecánica cuántica”. Y eso no solo era muy técnico sino también lento.

Pero ya no. El advenimiento de la IA, más específicamente el avance de la tecnología en los últimos años, ha transformado la forma en que los científicos realizan sus investigaciones.

«Ahora, gracias a este avance de IA de aprendizaje automático, en lugar de derivar toda esta mecánica cuántica desde cero, los investigadores están adoptando el enfoque de generar un conjunto de entrenamiento y luego dejar que el modelo de aprendizaje automático lo ejecute.»

– Nomura 

Los modelos ahora pueden manejar enormes volúmenes de datos así como mayor complejidad usando menos recursos. Esto ha hecho que todo el proceso sea mucho más rápido y eficiente. 

De hecho, Allegro-FM puede predecir “funciones de interacción” entre átomos con precisión. Cómo reaccionan e interactúan los átomos normalmente requiere muchas simulaciones individuales y innumerables horas de cálculo.

Pero en lugar de hacerlo elemento por elemento, con cada uno teniendo diferentes ecuaciones y varias funciones únicas, la nueva IA permite la simulación de funciones de interacción con toda la tabla periódica al mismo tiempo, lo que significa simulaciones más rápidas y más opciones de materiales. Nomura explicó:

«El enfoque tradicional es simular un conjunto determinado de materiales. Así, puedes simular, digamos, vidrio de sílice, pero no puedes simularlo con, por ejemplo, una molécula de fármaco.» 

Tecnológicamente, también, el nuevo sistema es mucho más eficiente, con modelos de IA capaces de realizar cálculos precisos que antes requerían una gran supercomputadora. Esto simplifica tareas y permite que las supercomputadoras se usen para investigaciones más avanzadas.

Como señaló Nakano, la IA puede “lograr precisión mecánica cuántica con recursos computacionales mucho, mucho más pequeños.”

Este estudio muestra resultados brillantes, pero aún queda mucho trabajo por hacer. Como dijo Nomura, el equipo continuará su investigación sobre el hormigón, avanzando hacia “geometrías y superficies más complejas.”

Invertir en química verde

Una de las mayores compañías químicas de EE. UU., Dow (DOW ), invierte activamente en materiales sostenibles y tecnologías de captura de carbono. Simulaciones impulsadas por IA como Allegro-FM representan una herramienta perfecta para que empresas como Dow desarrollen químicos más verdes. 

Dow Inc. (DOW )

La compañía opera a través de varios segmentos, incluyendo Envases y Plásticos Especiales, Materiales de Rendimiento y Recubrimientos, e Intermediarios Industriales e Infraestructura.

Con una capitalización de mercado de 17,72 mil millones de dólares, las acciones de Dow Inc. cotizan a 25 $, con una caída del 37,53 % en lo que va del año. Tiene un EPS (TTM) de 0,40 y un P/E (TTM) de 62,66. El rendimiento de dividendos disponible es del 5,58 %.

Esta semana, informó sus resultados financieros del segundo trimestre de 2025, los cuales revelaron una disminución del 7 % interanual en ventas netas a 10,1 mil millones de dólares y una caída del 1 % interanual en volumen.

La pérdida neta GAAP de la compañía fue de 801 millones de dólares y una pérdida GAAP por acción de 1,18 $. El flujo de efectivo de actividades operativas fue de -470 millones de dólares. Durante este período, Dow devolvió 496 millones de dólares a sus accionistas mediante dividendos.

Este año, la compañía se asoció con Google para desarrollar un sistema de clasificación con IA que identifique plásticos de película y materiales mixtos. El sistema utilizará los modelos de ML de Google, el conocimiento de diseño de materiales de Dow y la tecnología de reciclaje de la empresa de reciclaje de Dow, Circulus, para identificar materiales reciclables según su composición molecular.

Dow también utiliza IA para optimizar sus procesos de fabricación de químicos y materiales. La tecnología le permite monitorear y ajustar variables en tiempo real, asegurando procesos eficientes y resultados consistentes.

Además, emplea IA en sus esfuerzos de I+D con el objetivo de no solo descubrir nuevos materiales sino también mejorar los existentes.

Últimas noticias y desarrollos de acciones de Dow Inc. (DOW)

Conclusión

El hormigón es un material poderoso, utilizado extensamente en la construcción debido a su resistencia, versatilidad, rentabilidad y durabilidad. Pero también es responsable de emitir una cantidad significativa de dióxido de carbono, lo que hace crítico buscar alternativas. 

El último estudio con su herramienta Allegro-FM ha logrado un gran avance en la escalabilidad de la investigación de materiales que puede habilitar simulaciones de miles de millones de átomos a la vez, permitiéndonos replantear los materiales de los que dependemos diariamente, como el hormigón. 

Al ofrecer una nueva forma de diseñar materiales más limpios y duraderos como el hormigón, la IA puede ayudar a crear no solo edificios más fuertes sino también un medio ambiente más limpio, conduciendo a un futuro donde materiales como el hormigón no sean parte del problema climático sino una solución.

Haga clic aquí para aprender cómo podemos superar las deficiencias del hormigón. 

Referencias:

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). Acelerando el descubrimiento computacional de materiales con inteligencia artificial y computación en la nube de alto rendimiento: del cribado a gran escala a la validación experimental. 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. Diseño de estructura y secuencia de proteínas con modelos probabilísticos de difusión de denoising equivariant. Chem, 9(6), 1646–1664 (2023). Publicado el online 20 de abril de 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. Un marco de inteligencia artificial generativa basado en un modelo de difusión molecular para el diseño de marcos metal‑orgánicos para captura de carbono. Communications Chemistry, 7(1), Article 21 (2024). Publicado el online 14 de febrero de 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: Hacia un modelo fundacional equivariant para simulaciones de dinámica molecular a escala exa.
5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Publicado el online 20 de junio de 2025. https://doi.org/10.1021/acs.jpclett.5c00605