Allegro-FM: Simulasi AI Menggerakkan Ilmu Material Berkelanjutan

Kecerdasan buatan (AI) sedang membuat banyak penemuan di bidang ilmu material. Semua penemuan ini bukan sekadar teori, melainkan penemuan nyata yang berdampak pada berbagai industri. 

Sebagai contoh, Microsoft (MSFT ) memanfaatkan AI (alat Azure Quantum Elements) dan komputasi berperforma tinggi untuk menyaring 32 juta material guna mempersempit¹ kandidat menjadi hanya 18 dalam waktu 80 jam, proses yang biasanya memakan beberapa tahun. Para ilmuwan juga mensintesis material yang dapat mengurangi penggunaan litium dalam baterai sebesar 70%.

Dalam contoh lain, peneliti MIT menggunakan AI untuk merancang protein baru², yang dapat dipakai untuk membuat material dengan sifat mekanik tertentu. Material ini, yang tidak ada di alam tetapi terinspirasi darinya, berpotensi menggantikan material berbasis petroleum dan memiliki jejak karbon yang jauh lebih kecil.

Selain menghasilkan terobosan dalam penyimpanan energi, inovasi baterai, dan material biomedis, AI juga sedang dieksplorasi secara aktif oleh perusahaan dan ilmuwan untuk memajukan teknologi semikonduktor, dirgantara, manufaktur kimia, dan lain‑lain.

Penggunaan lain yang sangat penting dari kemampuan sistem komputasi untuk melakukan tugas yang biasanya terkait dengan kecerdasan manusia terlihat pada penciptaan material yang berkelanjutan dan ramah lingkungan.

Contoh lainnya adalah RoboRXN milik IBM (IBM ), sebuah proyek yang menggabungkan AI, otomasi, dan cloud untuk mempercepat penemuan material. Dengan laboratorium kimia yang dapat diakses secara remote ini, IBM memungkinkan sintesis dan pengujian molekul baru secara otonom. Laboratorium tersebut sedang digunakan untuk menemukan polimer yang dapat terurai secara hayati.

Para peneliti juga menggunakan pembelajaran mesin untuk menyaring kerangka logam‑organik (MOF) guna penangkapan karbon.

Penangkapan karbon merupakan teknologi kunci dalam mengurangi emisi gas rumah kaca (GHG) dari fasilitas industri. MOF di sini menawarkan kandidat yang menjanjikan, berkat kemampuannya menyerap karbon dioksida secara selektif.

Molekul material berpori ini memiliki node organik, node anorganik, dan penghubung organik, yang dapat disusun dalam konfigurasi berbeda, memungkinkan perancangan dan pengujian banyak konfigurasi MOF potensial.

Untuk mempercepat proses penemuan, peneliti dari Argonne National Laboratory milik Departemen Energi AS menggunakan³ AI generatif untuk dengan cepat menyusun lebih dari 120.000 kandidat MOF baru dalam 30 menit. Perhitungan dijalankan pada superkomputer dengan simulasi dinamika molekuler yang intens waktu pada kandidat paling menjanjikan.

Sekarang, peneliti dari USC Viterbi School of Engineering sedang menangani emisi CO₂ dari industri beton, yang bertanggung jawab atas sekitar 8% emisi karbon global, terutama melalui produksi semen.

Gagasannya adalah menciptakan beton yang tidak hanya dapat menyembuhkan diri sendiri dan bertahan lebih lama, tetapi juga dapat menjebak karbon dioksida dari atmosfer; untuk itu, para peneliti telah mengembangkan model AI revolusioner.

Model yang sangat canggih ini dapat mensimulasikan perilaku miliaran atom secara bersamaan, membuka peluang baru dalam perancangan dan penemuan material pada skala yang belum pernah terjadi sebelumnya.

Masalah dan Solusinya: Karbon dalam Beton

Setiap tahun, kita menyaksikan peningkatan frekuensi serta intensitas kekeringan, kebakaran hutan, hujan deras, dan badai. Penyumbang utama fenomena ini adalah pemanasan global, yang merupakan hasil peningkatan emisi gas rumah kaca.

Emisi GHG merujuk pada pelepasan gas seperti karbon dioksida (CO₂), metana (CH₄), dan dinitrogen oksida (N₂O) ke atmosfer. Gas‑gas ini menjebak panas dan berkontribusi pada pemanasan global serta perubahan iklim. 

Saat ini, sumber utama emisi gas rumah kaca meliputi sektor energi, transportasi, produksi listrik dan panas, serta pertanian. Manufaktur dan konstruksi juga merupakan penyumbang besar, dengan material bangunan seperti beton dan baja memiliki jejak karbon yang signifikan. 

Elemen kunci infrastruktur modern, beton, ada di mana‑mana, namun masalahnya adalah beton menghasilkan emisi GHG yang sangat besar.

Semen, komponen utama beton, sebenarnya bertanggung jawab atas sebagian besar jejak karbon industri konstruksi. Proses pembuatan semen melibatkan kalsinasi batu kapur, yang melepaskan sejumlah besar CO₂, serta pemanasan material pada suhu tinggi dalam kiln yang memerlukan energi besar. 

Sebagai produk yang paling banyak dikonsumsi di bumi setelah air, sangat penting menjadikan beton ramah lingkungan, atau lingkungan akan terus terpolusi dengan lebih dari satu miliar metrik ton CO₂ setiap tahun akibat industri ini. Solusi potensial untuk masalah ini adalah menjebak gas berbahaya tersebut di dalam beton itu sendiri.

“Anda dapat menaruh CO₂ di dalam beton, dan itu menjadikan beton karbon‑netral,” kata Aiichiro Nakano, profesor USC Viterbi bidang ilmu komputer, fisika dan astronomi, serta biologi kuantitatif dan komputasional.

Jadi, Nakano bersama koleganya di USC Viterbi mulai meneliti “penyimpanan CO₂,” proses yang menangkap dan menyimpan karbon dioksida atmosfer.

Meskipun merupakan solusi menjanjikan untuk mencapai netralitas karbon dengan mengurangi emisi GHG, penyimpanan CO₂ merupakan proses yang menantang. Untuk menemukan solusinya, para peneliti beralih ke AI.

Dalam karya mereka, tim peneliti memperkenalkan model fondasi (FM) untuk simulasi dinamika molekuler eksaskala. Untuk ini, mereka memanfaatkan arsitektur jaringan ekuivariannya E(3) (Allegro), sebuah tipe jaringan saraf, serta kumpulan data material organik dan anorganik berskala besar.

Model yang dihasilkan adalah Allegro-FM, yang dapat menangani berbagai simulasi material untuk beragam tugas hilir.

Bagaimana Model Fondasi Mengubah Ilmu Material

Untuk model AI mereka, tim memanfaatkan model fondasi (FM), yang mereka catat sebagai pergeseran paradigma dalam AI dan telah mengubah cara mereka melatih model. 

FM adalah model AI besar yang dilatih pada dataset yang sangat besar dan beragam, yang dapat disesuaikan untuk berbagai jenis tugas hilir. Model ini sudah dilatih sebelumnya, yang berarti tidak memerlukan pelatihan lebih lanjut pada tugas spesifik. 

Meskipun menghasilkan FM memerlukan sumber daya yang sangat besar, Anda tidak harus memulai dari nol; model dapat disesuaikan untuk tugas tertentu melalui prompting atau fine‑tuning, sehingga mengurangi biaya dan waktu yang dibutuhkan untuk pengembangan model dan pembuatan data.

FM yang terlatih dengan baik dapat di‑fine‑tune dengan sumber daya jauh lebih sedikit, memungkinkan pengguna dengan komputasi terbatas untuk mengintegrasikan model ke dalam alur kerja mereka.

Sebagai jaringan saraf dalam‑dalam yang besar, FM adalah model tujuan umum yang dapat dipakai untuk membangun aplikasi AI yang lebih khusus, termasuk dukungan pelanggan, generasi konten, penciptaan dan penyuntingan gambar, terjemahan bahasa, perawatan kesehatan, dan robotika.

Jadi, ilmuwan data dapat langsung menggunakan model ini sebagai fondasi untuk membangun model pembelajaran mesin (ML) mereka sendiri dengan cepat dan biaya efektif.

GPT buatan OpenAI yang didukung Microsoft adalah salah satu contoh FM yang paling umum. Model pertamanya dikembangkan pada 2018 dengan 117 juta parameter, yang kemudian ditingkatkan menjadi 1,5 miliar pada GPT‑2, dirilis setahun kemudian. Kemudian muncul GPT‑3 pada 2020, yang memiliki jaringan saraf 96‑lapis dan dilatih dengan 175 miliar parameter, yaitu nilai numerik yang dapat disesuaikan termasuk bobot dan bias yang menentukan cara model memproses input dan output.

Sekarang, model terbarunya, GPT‑4, dikabarkan memiliki 1,76 triliun parameter, memungkinkan aplikasi AI generatif menghasilkan konten yang mirip manusia.

Contoh lain model fondasi meliputi Amazon’s (AMZN ) Nova, Claude milik Anthropic, Google’s (GOOG ) Gemini, Meta’s (META ) LLaMA, dan Stable Diffusion.

Mengingat banyak manfaat FM, peneliti USC Viterbi membangun Allegro-FM, sebuah model fondasi untuk simulasi MD eksaskala. Model mereka dilatih pada dataset besar Materials Project Trajectory (MPtrj) dan SPICE yang tersedia secara publik, selaras dengan kerangka Total Energy Alignment (TEA) untuk aplikasi material eksaskala.

Simulasi material biasanya memerlukan sejumlah besar atom untuk menggambarkan fitur penting seperti fase berbeda, batas fase, dan batas butir, serta deskripsi akurat reaksi kimia. 

Allegro, menurut studi, memiliki potensi besar dan sangat cocok untuk simulasi material yang memerlukan jutaan hingga miliar atom.

Terobosan Allegro-FM: Mensimulasikan Miliar Atom

Dipublikasikan dalam The Journal of Physical Chemistry Letters, studi ini merinci⁴ model AI Allegro-FM dan kemampuan superiornya. Model simulasi berbasis AI ini memiliki kemampuan luar biasa untuk mensimulasikan miliar atom secara bersamaan.

Dengan menguji berbagai kimia beton secara virtual sebelum mengujinya dalam eksperimen dunia nyata yang mahal, Allegro-FM dapat mempercepat pengembangan beton, bukan sebagai sumber karbon, melainkan sebagai penyerap karbon.

Skalabilitas model ini sangat penting. Banyak metode simulasi molekuler sudah ada, namun mereka terbatas pada jutaan, bahkan ribuan atom.

Sebaliknya, Allegro-FM dapat menangani lebih dari empat miliar atom sekaligus dengan efisiensi 97,5% ketika disimulasikan pada Aurora, superkomputer eksaskala yang dapat melakukan lebih dari satu kuintiliun perhitungan per detik.

Ini merupakan prestasi besar, mewakili kemampuan komputasi sekitar 1.000× lebih besar daripada yang dapat ditangani model lama.

Selain itu, model baru ini fleksibel, mencakup 89 unsur kimia. Jadi, dapat digunakan untuk memprediksi perilaku molekuler untuk beragam aplikasi, seperti kimia semen dan penyimpanan karbon.

“Beton juga merupakan material yang sangat kompleks. Ia terdiri dari banyak unsur serta fase dan antarmuka yang berbeda. Jadi, secara tradisional, kami tidak memiliki cara untuk mensimulasikan fenomena yang melibatkan material beton. Namun kini kami dapat menggunakan Allegro-FM untuk mensimulasikan sifat mekanik (dan) sifat struktural.”

– Ken‑Ichi Nomura, profesor kimia teknik dan praktik ilmu material di USC Viterbi, yang telah berkolaborasi dengan Nakano selama lebih dari dua dekade.

Simulasi yang dijalankan oleh para peneliti menunjukkan Allegro-FM bersifat karbon‑netral, menjadikannya pilihan yang lebih cocok dibandingkan beton konvensional. Menariknya, model AI ini juga menyelesaikan masalah lain pada beton. 

Material tahan api, yang merupakan penyumbang utama CO₂, biasanya hanya bertahan sekitar satu abad. Tidak seperti beton modern, beton Romawi kuno telah bertahan jauh lebih lama, lebih dari 2.000 tahun. 

Penangkapan kembali CO₂ juga dapat membantu membuat beton lebih tahan lama.

“Jika Anda menambahkan CO₂, lapisan ‘karbonat’ yang disebutkan, beton menjadi lebih kuat.”

– Nakano 

Jadi, Allegro-FM dapat mensimulasikan beton karbon‑netral yang dapat bertahan jauh lebih lama daripada umur pakainya saat ini.

Desain Semen Berbasis AI dengan Allegro-FM

Untuk percobaan, tim menerapkan Allegro-FM pada kristal tobermorite 11Å (T11A), mineral kalsium silikat hidrat (CSH) yang umum ditemukan di alam. Mineral khusus ini ditemukan dalam beton Romawi kuno.

Semen kini mendapat banyak perhatian sebagai material penyimpanan karbon karena kemampuannya menjebak karbon melalui proses mineralisasi. Mineralisasi CO₂ terjadi secara alami sebagai bagian dari siklus geokimia. Pemahaman mekanistik tentang hal ini masih penting untuk memastikan penyimpanan karbon jangka panjang yang aman. 

Di sini, simulasi lanjutan dapat memberikan wawasan, namun biasanya mahal secara komputasi atau terbatas dalam akurasi kimia. Model fondasi yang skalabel, bagaimanapun, menunjukkan potensi untuk memodelkan perilaku penyimpanan karbon semen secara akurat.

Jadi, Allegro-FM, dilengkapi dengan kemampuan generalisasi, skalabilitas, prediktabilitas, dan efisiensi komputasi, menunjukkan janji signifikan dalam memungkinkan simulasi dinamis tanpa mengorbankan detail pada skala atom.

Menurut studi, kerangka kerja ini dapat digunakan dalam penyelidikan nanostruktur gel CSH, semen yang dapat menyembuhkan diri sendiri, dan desain semen tahan lama, memberikan pendekatan baru untuk ilmu geofisika dan aplikasi teknik sipil. Studi tersebut menyatakan:

“Allegro-FM menunjukkan kesesuaian luar biasa dengan teori kimia kuantum tingkat tinggi dalam menggambarkan sifat struktural, mekanik, dan termodinamika, sekaligus menampilkan kemampuan emergen untuk korelasi struktural, kinetika reaksi, kekuatan mekanik, patahan, serta pelarutan padat/cair, yang belum pernah dilatih oleh model.” 

Masa Depan Penelitian Material: AI Menggantikan Mekanika Kuantum

Penggunaan AI telah mengubah total permainan bagi ilmuwan dan insinyur. Biasanya, mensimulasikan perilaku atom memerlukan rangkaian rumus matematika yang presisi atau “fenomena mekanika kuantum yang mendalam.” Hal ini tidak hanya sangat teknis tetapi juga lambat.

Namun tidak lagi. Kedatangan AI, khususnya kemajuan teknologi dalam beberapa tahun terakhir, telah mengubah cara ilmuwan melakukan riset.

“Sekarang, berkat terobosan AI pembelajaran mesin ini, alih‑alih menurunkan semua mekanika kuantum dari awal, peneliti mengambil pendekatan menghasilkan set pelatihan dan kemudian membiarkan model pembelajaran mesin menjalankannya.”

– Nomura 

Model kini dapat menangani volume data yang sangat besar serta kompleksitas lebih tinggi dengan menggunakan sumber daya yang lebih sedikit. Hal ini membuat seluruh proses menjadi jauh lebih cepat dan efisien. 

Faktanya, Allegro-FM dapat memprediksi “fungsi interaksi” antar atom secara akurat. Cara atom berinteraksi biasanya memerlukan banyak simulasi individual dan hitungan berjam‑jam.

Namun alih‑alih melakukan satu elemen pada satu waktu, dengan masing‑masing memiliki persamaan dan fungsi unik, AI baru ini memungkinkan simulasi fungsi interaksi dengan seluruh tabel periodik secara bersamaan, yang berarti simulasi lebih cepat dan lebih banyak pilihan material. Nomura menjelaskan:

“Pendekatan tradisional adalah mensimulasikan satu set material tertentu. Jadi, Anda dapat mensimulasikan, misalnya, kaca silika, tetapi tidak dapat mensimulasikannya bersama, misalnya, molekul obat.” 

Secara teknologi, sistem baru ini juga jauh lebih efisien dengan model AI yang mampu melakukan perhitungan presisi yang sebelumnya memerlukan superkomputer besar. Ini menyederhanakan tugas dan memungkinkan superkomputer digunakan untuk riset yang lebih maju.

Seperti yang dicatat Nakano, AI dapat “mencapai akurasi mekanika kuantum dengan sumber daya komputasi yang jauh, jauh lebih kecil.”

Studi ini menunjukkan hasil yang cemerlang, namun masih banyak pekerjaan yang harus dilakukan. Seperti yang dikatakan Nomura, tim akan melanjutkan riset beton mereka, beralih ke “geometri dan permukaan yang lebih kompleks.”

Berinvestasi dalam Kimia Hijau

Salah satu perusahaan kimia terbesar di AS, Dow (DOW ), secara aktif berinvestasi dalam material berkelanjutan dan teknologi penangkapan karbon. Simulasi berbasis AI seperti Allegro-FM menjadi alat yang sempurna bagi perusahaan seperti Dow untuk mengembangkan bahan kimia yang lebih ramah lingkungan. 

Dow Inc. (DOW )

Perusahaan ini beroperasi melalui beberapa segmen, termasuk Kemasan & Plastik Khusus, Material & Pelapis Kinerja, serta Intermediari & Infrastruktur Industri.

Dengan kapitalisasi pasar $17,72 miliar, saham Dow Inc. diperdagangkan pada $25, turun 37,53% YTD. EPS (TTM) perusahaan adalah 0,40 dan P/E (TTM) sebesar 62,66. Yield dividen yang tersedia adalah 5,58%.

Minggu ini, perusahaan melaporkan hasil keuangan Q2 2025, yang menunjukkan penurunan penjualan bersih sebesar 7% YoY menjadi $10,1 miliar dan penurunan volume sebesar 1% YoY. 

Kerugian bersih GAAP perusahaan mencapai $801 juta dengan kerugian per saham GAAP sebesar $1,18. Kas dari aktivitas operasi negatif $470 juta. Selama periode ini, Dow mengembalikan $496 juta kepada pemegang saham melalui dividen.

Tahun ini, perusahaan bermitra dengan Google untuk mengembangkan sistem penyortiran AI yang dapat mengidentifikasi film plastik dan material campuran. Sistem ini akan memanfaatkan model ML Google, pengetahuan desain material Dow, dan teknologi daur ulang dari perusahaan daur ulang Dow, Circulus, untuk mengidentifikasi material yang dapat didaur ulang berdasarkan komposisi molekulernya.

Dow juga memanfaatkan AI untuk mengoptimalkan proses produksi kimia dan materialnya. Teknologi ini memungkinkan pemantauan dan penyesuaian variabel secara real‑time, memastikan proses yang efisien dan hasil yang konsisten.

Selain itu, Dow menggunakan AI dalam upaya R&D dengan tujuan tidak hanya menemukan material baru tetapi juga meningkatkan material yang sudah ada.

Berita dan Perkembangan Saham Dow Inc. (DOW) Terbaru

Kesimpulan

Beton adalah material yang kuat, banyak digunakan dalam konstruksi karena kekuatan, fleksibilitas, biaya yang terjangkau, dan daya tahannya. Namun, beton juga bertanggung jawab atas emisi karbon dioksida yang signifikan, sehingga penting mencari alternatif. 

Studi terbaru dengan alat Allegro-FM telah mencapai terobosan besar dalam skalabilitas penelitian material yang memungkinkan simulasi miliaran atom sekaligus, memungkinkan kita memikirkan kembali material yang kita andalkan setiap hari, seperti beton. 

Dengan menawarkan cara baru untuk merancang material yang lebih bersih dan lebih tahan lama seperti beton, AI dapat membantu menciptakan bukan hanya bangunan yang lebih kuat tetapi juga lingkungan yang lebih bersih, menuju masa depan di mana material seperti beton tidak lagi menjadi bagian dari masalah iklim melainkan menjadi solusi!

Klik di sini untuk mempelajari cara mengatasi kekurangan beton. 

Referensi:

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.; (…penulis tambahan sebagaimana tercantum). Mempercepat penemuan material komputasional dengan kecerdasan buatan dan komputasi awan berperforma tinggi: dari penyaringan skala besar hingga validasi eksperimental. 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. Desain struktur dan urutan protein dengan model probabilistik difusi denoising ekuivariant. Chem, 9(6), 1646–1664 (2023). Dipublikasikan secara daring 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. Kerangka AI generatif berbasis model difusi molekuler untuk desain kerangka logam‑organik untuk penangkapan karbon. Communications Chemistry, 7(1), Artikel 21 (2024). Dipublikasikan secara daring 14 Februari 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: Menuju Model Fondasi Ekuivarian untuk Simulasi Dinamika Molekuler Eksaskala.
5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Dipublikasikan secara daring 20 Juni 2025. https://doi.org/10.1021/acs.jpclett.5c00605