Allegro-FM: AI-simulaatiot edistävät kestävää materiaalitiedettä

Tekoäly (AI) tekee paljon löytöjä materiaalitieteen alalla. Nämä kaikki erilaiset löydöt eivät ole myöskään teoreettisia, vaan todellisia, jotka vaikuttavat laajaan teollisuuden kirjoon. 

Esimerkiksi Microsoft (MSFT ) käytti tekoälyä (Azure Quantum Elements -työkalu) ja suorituskykyistä laskentaa suodattaakseen 32 miljoonaa materiaalia rajoittaakseen¹ ehdokkaat vain 18:aan 80 tunnin aikana, prosessi, joka normaalisti veisi useita vuosia. Tutkijat myös synnyttivät materiaalin, joka voi vähentää litiumin käyttöä akuissa 70 %.

Toisessa tapauksessa MIT:n tutkijat käyttivät tekoälyä suunnitellakseen uusia proteiineja², joita voitaisiin käyttää materiaalien valmistamiseen, joilla on tietyt mekaaniset ominaisuudet. Nämä materiaalit, joita ei ole luonnossa, mutta jotka ovat sen inspiroimia, voisivat mahdollisesti korvata öljypohjaiset ja aiheuttaa merkittävästi pienemmän hiilijalanjäljen.

Lisäksi energian varastoinnin, akkuinnovaatioiden ja biolääketieteellisten materiaalien läpimurtojen ohella tekoälyä tutkitaan aktiivisesti yrityksissä ja tiedemiehissä puolijohdeteollisuuden, avaruusteknologian, kemianteollisuuden ja monien muiden alojen edistämiseksi.

Vielä yksi kriittinen käyttö tietokonejärjestelmien kyvylle suorittaa tehtäviä, jotka tavallisesti liitetään ihmisen älykkyyteen, on kestävien ja vihreiden materiaalien luominen.

Esimerkkinä IBM:n IBM’s (IBM ) RoboRXN, projekti, joka yhdistää tekoälyn, automaation ja pilven materiaalien löytämisen nopeuttamiseksi. Tämän etäkäyttöisen kemiallabran avulla IBM mahdollistaa uusien molekyylien autonomisen synteesin ja testauksen. Laboratoriota käytetään biohajoavien polymerien löytämiseen.

Tutkijat käyttävät myös koneoppimista metalliorgaanisten kehyksien (MOF) seulontaan hiilidioksidin talteenottoa varten.

Hiilidioksidin talteenotto on keskeinen teknologia kasvihuonekaasupäästöjen vähentämisessä teollisuuslaitoksista. MOF:t tarjoavat lupaavan vaihtoehdon, kiitos niiden kyvyn valikoivasti sitoa hiilidioksidia.

Näiden huokosten materiaalien molekyyleillä on orgaanisia solmuja, epäorgaanisia solmuja ja orgaanisia linkkereitä, jotka voidaan järjestää eri konfiguraatioihin, mahdollistaen lukuisien mahdollisten MOF-konfiguraatioiden suunnittelun ja testaamisen.

Tutkimusprosessin nopeuttamiseksi Yhdysvaltain energiaministeriön (DOE) Argonnen kansallinen laboratorio käytti³ generatiivista tekoälyä rakentaakseen nopeasti yli 120 000 uutta MOF-ehdokasta 30 minuutissa. Laskelmat suoritettiin supertietokoneella, jossa aikaa vievät molekyylidynamiikkasimulaatiot tehtiin lupaavimmille ehdokkaille.

Nyt USC Viterbi School of Engineeringin tutkijat käsittelevät betoniteollisuuden CO₂-päästöjä, jotka vastaavat noin 8 % maailmanlaajuisista hiilidioksidipäästöistä, pääasiassa sementin tuotannosta.

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.

Tämä erittäin kehittynyt malli pystyy simuloimaan miljardien atomien käyttäytymistä samanaikaisesti, avaten uusia mahdollisuuksia materiaalien suunnitteluun ja löytöihin ennennäkemättömällä mittakaavalla.

Ongelma ja ratkaisu: Hiili betonissa

Joka vuosi näemme kuivuuden, metsäpalojen, rankkasateiden ja hurrikaanien esiintymistiheyden ja -voimakkuuden kasvun. Merkittävä tekijä tähän on ilmaston lämpeneminen, joka johtuu kasvaneista kasvihuonekaasupäästöistä.

GHG-päästöt tarkoittavat kaasujen, kuten hiilidioksidin (CO2), metaanin (CH4) ja typpioksidin (N2O), vapautumista ilmakehään. Nämä kaasut sitovat lämpöä ja edistävät ilmaston lämpenemistä ja ilmastonmuutosta. 

Tällä hetkellä kasvihuonekaasupäästöjen pääasiallisia lähteitä ovat energia-ala, liikenne, sähkön ja lämmön tuotanto sekä maatalous. Teollisuus ja rakentaminen ovat myös merkittäviä tekijöitä, sillä rakennusmateriaalit kuten betoni ja teräs aiheuttavat suuren hiilijalanjäljen. 

Modernin infrastruktuurin keskeinen elementti, betoni, on kaikkialla ympärillämme, mutta ongelmana on sen aiheuttama merkittävä GHG-päästöjen määrä.

Sementti, joka on betonin keskeinen komponentti, vastaa merkittävästä osasta rakennusalan hiilijalanjälkeä. Sementin valmistusprosessi sisältää kalkin kalkittamisen, mikä vapauttaa suuria määriä CO2:ta, sekä materiaalien korkean lämpötilan lämmittämisen uuneissa, mikä vaatii huomattavaa energiaa. 

Koska betoni on veden jälkeen maapallon eniten kulutettu tuote, on välttämätöntä tehdä siitä ympäristöystävällinen, muuten ympäristö jatkaa saastumista yli miljardin metrisen tonnin CO2lla vuosittain tämän teollisuuden vuoksi. Mahdollinen ratkaisu tähän ongelmaan on sitoa haitallinen kaasu betoniin itseensä.

“Voit vain laittaa CO2:n betoniin, ja siitä tulee hiilineutraali betoni,” sanoi Aiichiro Nakano, USC Viterbi -professori tietojenkäsittelytieteessä, fysiikassa ja tähtitieteessä sekä kvantti- ja laskennallisessa biologiassa.

Niinpä Nakano ja hänen kollegansa USC Viterbin tutkimusryhmä aloittivat “CO2-kiinnityksen” tutkimisen, prosessin, joka kaappaa ja varastoi ilmakehän hiilidioksidia.

Vaikka CO2-kiinnitys on lupaava ratkaisu hiilineutraaliuden saavuttamiseksi vähentämällä GHG-päästöjä, se on haastava prosessi. Ratkaisun löytämiseksi tutkijat kääntyivät tekoälyn puoleen.

Työssään tutkijaryhmä esitteli perustamismallinsa (FM) eksaskaalisen molekyylidynamiikkasimulaatioiden varten. Tässä he hyödyntävät E(3) ekvivalenttia verkkoarkkitehtuuria (Allegro), eräänlaista neuroverkkoa, sekä laajaa orgaanisten ja epäorgaanisten materiaalien tietoaineistoa.

Tuloksena syntynyt malli on Allegro-FM, joka pystyy käsittelemään erilaisia materiaalisimulaatioita monipuolisissa jatkokäyttötarkoituksissa.

Miten perustamismallit muuttavat materiaalitiedettä

AI-malliaan varten tiimi hyödynsi perustamismallia (FM), jonka he toteavat olevan paradigma­muutos tekoälyssä ja on muuttanut heidän mallin koulutusmenetelmänsä. 

FM on suuri tekoälymalli, joka on koulutettu valtavalla, monipuolisella aineistolla ja jota voidaan soveltaa erilaisiin jatkokäyttötarkoituksiin. Nämä mallit ovat esikoulutettuja, mikä tarkoittaa, että ne eivät vaadi lisäkoulutusta tiettyyn tehtävään. 

Vaikka FM:n luominen on äärimmäisen resurssivaativaa, ei tarvitse aloittaa alusta; sen sijaan mallia voidaan mukauttaa yksittäiseen tehtävään ohjaamalla tai hienosäätämällä, mikä vähentää sekä kustannuksia että aikaa mallin kehittämisessä ja aineiston tuottamisessa.

Hyvin koulutettua FM:ää voidaan hienosäätää paljon vähemmillä resursseilla, mikä mahdollistaa mallin käyttöönoton maltillisilla laskentaresursseilla.

Suureina syväoppimisen neuroverkkoina FM:t ovat yleiskäyttöisiä malleja, joita voidaan käyttää rakentamaan erikoistuneempia tekoälysovelluksia, kuten asiakastuki, sisällöntuotanto, kuvien luominen ja muokkaus, kielten käännös, terveydenhuolto ja robotiikka.

Näin datatieteilijät voivat yksinkertaisesti käyttää näitä malleja perustana rakentaakseen omia koneoppimismallejaan (ML) nopeasti ja kustannustehokkaasti.

Microsoftin tukema OpenAI:n GPT on yksi yleisimmistä FM-esimerkeistä. Sen ensimmäinen malli kehitettiin vuonna 2018 käyttäen 117 miljoonaa parametria, jotka nostettiin 1,5 miljardiin GPT-2:n myötä, joka julkaistiin seuraavana vuonna. Tämän jälkeen tuli GPT-3 vuonna 2020, jossa on 96‑kerroksinen neuroverkko ja se on koulutettu 175 miljardilla parametrilla, jotka ovat säädettäviä numeerisia arvoja, kuten painot ja vinoumat, jotka määrittävät, miten mallit käsittelevät syötettä ja tulosteen.

Nykyisin sen uusin malli, GPT-4, huhutaan sisältävän 1,76 biljoonaa parametria, mikä mahdollistaa generatiivisten AI-sovellusten tuottaa ihmiselle yhtäläistä sisältöä.

Muita perustamismallien esimerkkejä ovat Amazon’s (AMZN ) Nova, Anthropicin Claude, Google’s (GOOG ) Gemini, Meta’s (META ) LLaMA, ja Stable Diffusion.

Ottaen huomioon FM:n monia etuja, USC Viterbin tutkijat rakensivat Allegro-FM:n, perustamismallin eksaskaalisiin MD-simulaatioihin. Heidän mallinsa on koulutettu julkisesti saatavilla olevilla laajamittaisilla Materials Project Trajectory (MPtrj) ja SPICE -aineistoilla, jotka on sovitettu Total Energy Alignment (TEA) -kehykseen eksaskaalisia materiaalisovelluksia varten.

Materiaalien simulointi vaatii yleensä suuren määrän atomeja kuvaamaan keskeisiä ominaisuuksia, kuten erillisiä faaseja, vaiherajat ja rakeiden rajat, sekä tarkkaa kemiallisten reaktioiden kuvausta.

Allegro, tutkimuksen mukaan, omaa suuren potentiaalin ja soveltuu erityisesti materiaalisimulaatioihin, jotka vaativat miljoonia tai miljardeja atomeja.

Allegro-FM:n läpimurto: Miljardien atomien simulointi

Julkaistu The Journal of Physical Chemistry Letters -lehdessä, tutkimus tarkastelee⁴ AI-mallia Allegro-FM ja sen ylivoimaisia kykyjä. AI-pohjainen simulaatiomalli tarjoaa suuren kyvyn simuloida miljardeja atomeja kerralla.

Testaamalla erilaisia betonikemioita virtuaalisesti ennen kalliita todellisia kokeita, Allegro-FM voi edistää betonin kehittämistä, ei hiilen lähteenä, vaan hiilen säiliönä.

Mallien skaalautuvuus on tässä avainmerkityksellinen. Ongelma on, että monia molekyylisimulaatiomenetelmiä on jo olemassa, mutta ne rajoittuvat vain miljooniin, ellei tuhansiin, atomeihin.

Vastaavasti Allegro-FM pystyy käsittelemään yli neljä miljardia atomia ja saavuttaa 97,5 % tehokkuuden simuloitaessa Aurora‑supertietokoneella, eksaskaalisella koneella, joka pystyy suorittamaan yli kvintillion laskentaa sekunnissa.

Tämä on valtava saavutus, joka edustaa laskentatehoa noin 1 000‑kertaisesti suurempaa kuin vanhemmat mallit pystyvät käsittelemään.

Lisäksi uusi malli on joustava, kattaen 89 kemiallista elementtiä. Näin se voi ennustaa molekyylien käyttäytymistä laajassa sovelluskirjossa, kuten sementtikemiassa ja hiilen varastoinnissa.

“Betoni on myös erittäin monimutkainen materiaali. Se koostuu monista elementeistä sekä erilaisista faaseista ja rajapinnoista. Perinteisesti meillä ei ollut tapaa simuloida betoniin liittyviä ilmiöitä. Mutta nyt voimme käyttää tätä Allegro-FM:ää simuloimaan mekaanisia (ja) rakenteellisia ominaisuuksia.”

– Ken-Ichi Nomura, USC Viterbin kemiantekniikan ja materiaalitieteen professori, jonka kanssa Nakano on tehnyt yhteistyötä yli kahden vuosikymmenen ajan.

Tutkijoiden suorittamat simulaatiot osoittavat Allegro-FM:n olevan hiilineutraali, mikä tekee siitä sopivamman vaihtoehdon kuin muut betoni.
Mielenkiintoista on, että AI-malli ratkaisee myös muita betoniin liittyviä ongelmia. 

Palonkestävä materiaali, joka on merkittävä CO₂-päästöjen lähde, kestää keskimäärin vain noin vuosisadan. Toisin kuin moderni betoni, antiikin roomalainen betoni on kestänyt paljon pidempään, yli 2 000 vuotta. 

CO₂:n uudelleenkidonta voi myös auttaa tekemään betonista kestävämpää.

“Jos lisäät CO₂:n, niin sanottuun ‘karbonaatikerrokseen’, se muuttuu kestävämmäksi.”

– Nakano 

Näin Allegro-FM voi simuloida hiilineutraalia betonia, joka kestää paljon pidempään kuin nykyinen elinikä.

Tekoälypohjainen sementtisuunnittelu Allegro-FM:n avulla

Kokeessa tiimi sovelsi Allegro-FM:ää tobermorite 11Å (T11A) -kiteeseen, kalsium-silikaatti-hydraatti (CSH) -mineraaliin, jota esiintyy yleisesti luonnossa. Tämä erityinen mineraali löytyy antiikin roomalaisesta betonista.

Sementti saa paljon huomiota hiilen varastomateriaalina sen kyvyn vuoksi sitoa hiiliä mineraloitumisprosessin kautta. CO₂-mineraloituminen tapahtuu luonnollisesti osana geokemiallista kiertokulkua. Mekaanisen ymmärryksen saaminen tästä on edelleen ratkaisevaa pitkäaikaisen ja turvallisen hiilen varastoinnin varmistamiseksi. 

Tässä kehittyneet simulaatiot voivat tarjota näkemyksiä, mutta ne ovat joko laskennallisesti kalliita tai kemiallisesti tarkkuudeltaan rajoitettuja. Skaalautuvat perustamismallit puolestaan lupaavat tarkkaa sementin hiilen varastointikäyttäytymisen mallintamista.

Thus, 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.

Tutkimuksen mukaan kehystä voidaan käyttää CSH-geelin nanorakenteen, itseparantavan sementin ja kestävän sementtisuunnittelun tutkimuksessa, tarjoten uuden lähestymistavan geofysiikan tieteelle ja siviili‑insinöörisovelluksille. Se totesi:

“Allegro-FM osoittaa erinomaista yhteneväisyyttä korkean tason kvanttikemian teorioiden kanssa rakenteellisten, mekaanisten ja termodynaamisten ominaisuuksien kuvaamisessa, samalla kun se osoittaa kehittyviä kykyjä rakenteellisiin korrelaatioihin, reaktiokineettisiin, mekaanisiin vahvuuksiin, murtumiseen sekä kiinteän/liuoksen liukenemiseen, joihin mallia ei ole koulutettu.” 

Materiaalitutkimuksen tulevaisuus: AI korvaa kvanttimekaniikan

AI:n käyttö on täysin muuttanut pelin tiedemiehille ja insinööreille. Tyypillisesti atomien käyttäytymisen simulointi olisi vaatinut tarkkaa sarjaa matemaattisia kaavoja tai “syvällisiä, monimutkaisia kvanttimekaniikan ilmiöitä.” Tämä oli paitsi erittäin teknistä myös hidasta.

Mutta ei enää. AI:n, tarkemmin sanottuna teknologian kehityksen viimeisten vuosien aikana, tulo on mullistanut tavan, jolla tiedemiehet tekevät tutkimustaan.

“Nyt, tämän koneoppimisen AI-läpimurron ansiosta, sen sijaan että johdettaisiin kaikki nämä kvanttimekaniikat alusta, tutkijat käyttävät lähestymistapaa, jossa luodaan koulutusdata ja annetaan koneoppimismallin toimia.”

– Nomura 

Mallit pystyvät nyt käsittelemään valtavia tietomääriä sekä monimutkaisuutta käyttäen vähemmän resursseja. Tämä on tehnyt koko prosessista paljon nopeamman ja tehokkaamman. 

Itse asiassa Allegro-FM voi ennustaa atomien “vuorovaikutusfunktioita” tarkasti. Miten atomit reagoivat ja vuorovaikuttavat normaalisti vaatii paljon yksittäisiä simulaatioita ja lukemattomia laskentatunteja.

Mutta sen sijaan että käsiteltäisiin yksi alkuaine kerrallaan, jokaisella omat yhtälönsä ja useita ainutlaatuisia funktioita, uusi AI mahdollistaa vuorovaikutusfunktioiden simuloinnin koko jaksollisen järjestelmän kanssa samanaikaisesti, mikä tarkoittaa nopeampia simulaatioita ja enemmän materiaalivaihtoehtoja. Nomura selitti:

“Perinteinen lähestymistapa on simuloida tiettyä materiaalijoukkoa. Voit siis simuloida esimerkiksi piilasia, mutta et voi simuloida sitä esimerkiksi lääkemolekyylin kanssa.” 

Teknologisesti uusi järjestelmä on myös paljon tehokkaampi, sillä AI-mallit pystyvät tekemään tarkkoja laskelmia, jotka aiemmin vaativat suuren supertietokoneen. Tämä yksinkertaistaa tehtäviä ja mahdollistaa supertietokoneiden käytön edistyneempään tutkimukseen.

Kuten Nakano totesi, AI voi “saavuttaa kvanttimekaanisen tarkkuuden paljon, paljon pienemmillä laskentaresursseilla.”
Tämä tutkimus osoittaa loistavia tuloksia, mutta paljon työtä on vielä jäljellä. Kuten Nomura sanoi, tiimi jatkaa betonitutkimustaan siirtyen “monimutkaisempiin geometrioihin ja pintoihin.”

Sijoittaminen vihreään kemiaan

Yksi Yhdysvaltojen suurimmista kemian yrityksistä, Dow (DOW ), investoi aktiivisesti kestäviin materiaaleihin ja hiilidioksidin talteenottoteknologioihin. AI-pohjainen simulointi kuten Allegro-FM tarjoaa täydellisen työkalun yrityksille kuten Dow kehittää vihreämpiä kemikaaleja. 

Dow Inc. (DOW )

Yritys toimii useiden eri segmenttien kautta, mukaan lukien Pakkaus- ja erikoismuovit, Suorituskykyiset materiaalit ja pinnoitteet sekä Teolliset välituotteet ja infrastruktuuri.

Markkina-arvolla 17,72 miljardia dollaria Dow Inc.:n osakkeet käyvät kauppaa 25 dollarilla, mikä on 37,53 % lasku vuodelta alkaen. Sen EPS (TTM) on 0,40 ja P/E (TTM) 62,66. Saatavilla oleva osinkotuotto on 5,58 %.

Tällä viikolla se raportoi Q2 2025 taloudelliset tuloksensa, jotka paljastivat 7 % vuotuista laskua nettomyynnissä 10,1 miljardiin dollariin ja 1 % vuotuista tilavuuden laskua.

Yrityksen GAAP-nettotappio oli 801 miljoonaa dollaria ja GAAP-tappio per osake 1,18 dollaria. Käyttökassavirta oli negatiivinen 470 miljoonaa dollaria. Tänä aikana Dow palautti 496 miljoonaa dollaria osakkeenomistajilleen osinkojen kautta.

Tänä vuonna yritys teki yhteistyötä Googlen kanssa kehittääkseen AI-lajittelujärjestelmän, joka tunnistaa kalvo-muoveja ja sekamateriaaleja. Järjestelmä hyödyntää Googlen ML-malleja, Dow:n materiaalisuunnittelutietoa sekä Dow:n kierrätysyhtiö Circulusin kierrätysteknologiaa, jotta voidaan tunnistaa kierrätettävät materiaalit niiden molekyylirakenteen perusteella.

Dow käyttää myös AI:ta optimoidakseen kemikaalien ja materiaalien valmistusprosessejaan. Teknologia mahdollistaa muuttujien reaaliaikaisen seurannan ja säätämisen, varmistaen tehokkaat prosessit ja tasaiset tulokset.

Lisäksi se hyödyntää AI:ta tutkimus- ja kehitystyössään pyrkien paitsi löytämään uusia materiaaleja myös parantamaan olemassa olevia.

Viimeisimmät Dow Inc. (DOW) -osaketuotteiden uutiset ja kehitykset

Yhteenveto

Betoni on voimakas materiaali, jota käytetään laajasti rakentamisessa sen vahvuuden, monipuolisuuden, kustannustehokkuuden ja kestävyyden vuoksi. Mutta se on myös vastuussa merkittävästä hiilidioksidipäästöstä, mikä tekee vaihtoehtojen etsimisestä kriittistä. 

Viimeisin tutkimus Allegro-FM-työkalullaan on saavuttanut valtavan läpimurron skaalautuvuudessa materiaalitutkimuksessa, mahdollistaen miljardien atomien simulaatiot kerralla, jolloin voimme uudelleenajattelu päivittäin käyttämämme materiaalit, kuten betoni.

Tarjoamalla uuden tavan suunnitella puhtaampia, pidempikestoisempia materiaaleja kuten betonia, AI voi auttaa luomaan ei vain vahvempia rakennuksia vaan myös puhtaamman ympäristön, johtaen tulevaisuuteen, jossa betoni ei ole ilmaston ongelma vaan ratkaisu!

Klikkaa tästä oppiaksesi, miten voimme ylittää betonin puutteet. 

Viitteet:

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). Laskennallisen materiaalien löytämisen nopeuttaminen tekoälyn ja pilvipohjaisen suorituskykyisen laskennan avulla: laajamittaisesta seulonnasta kokeelliseen validointiin. 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. Proteiinirakenteen ja sekvenssin suunnittelu ekvivalenttisten denoising-diffuusio-probabilististen mallien avulla. Chem, 9(6), 1646–1664 (2023). Julkaistu online 20. huhtikuuta 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. Generatiivinen tekoälykehys, joka perustuu molekyylidiffuusio-malliin metalliorgaanisten kehyksien suunnitteluun hiilidioksidin talteenottoa varten. Communications Chemistry, 7(1), Article 21 (2024). Julkaistu online 14. helmikuuta 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: Kohti ekvivalenttia perustamismallia eksaskaalisiin molekyylidynamiikkasimulaatioihin.
5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Julkaistu online 20. kesäkuuta 2025. https://doi.org/10.1021/acs.jpclett.5c00605