Allegro-FM: Simulazioni AI per Guidare la Scienza dei Materiali Sostenibili

L’intelligenza artificiale (AI) sta facendo molte scoperte nel campo della scienza dei materiali. Tutte queste diverse scoperte non sono nemmeno teoriche, ma reali e stanno influenzando una vasta gamma di settori. 

Ad esempio, Microsoft (MSFT ) ha utilizzato l’AI (Azure Quantum Elements tool) e il calcolo ad alte prestazioni per selezionare 32 milioni di materiali per ridurre¹ i candidati a soli 18 in 80 ore, un processo che normalmente richiederebbe diversi anni. Gli scienziati hanno anche sintetizzato un materiale che può ridurre l’uso di litio nelle batterie del 70%.

In un altro caso, i ricercatori del MIT hanno usato l’AI per progettare nuove proteine², che potrebbero essere utilizzate per creare materiali con specifiche proprietà meccaniche. Questi materiali, che non sono presenti in natura ma sono ispirati ad essa, potrebbero potenzialmente sostituire quelli prodotti dal petrolio e avere un’impronta di carbonio significativamente più piccola.

Oltre a conseguire progressi nella conservazione dell’energia, nell’innovazione delle batterie e nei materiali biomedici, l’AI è attivamente esplorata da aziende e scienziati per avanzare la tecnologia dei semiconduttori, l’aerospazio, la produzione chimica e altro.

Un altro utilizzo critico della capacità dei sistemi computazionali di eseguire compiti tipicamente associati all’intelligenza umana si sta osservando nella creazione di materiali sostenibili e verdi.

Un esempio è RoboRXN di IBM’s (IBM ) , un progetto che combina AI, automazione e cloud per accelerare la scoperta di materiali. Con questo laboratorio chimico accessibile da remoto, IBM consente la sintesi autonoma e il test di nuove molecole. Il laboratorio è utilizzato per scoprire polimeri biodegradabili.

I ricercatori stanno anche usando il machine learning per selezionare strutture metal‑organiche (MOF) per la cattura del carbonio.

La cattura del carbonio è una tecnologia chiave nella riduzione delle emissioni di gas serra (GHG) dalle strutture industriali. Le MOF offrono qui un candidato promettente, grazie alla loro capacità di assorbire selettivamente l’anidride carbonica.

Le molecole di questi materiali porosi hanno nodi organici, nodi inorganici e leganti organici, che possono essere disposti in diverse configurazioni, consentendo la progettazione e il test di numerose potenziali configurazioni di MOF.

Per accelerare il processo di scoperta, i ricercatori del Laboratorio Nazionale Argonne del Dipartimento dell’Energia (DOE) hanno utilizzato³ l’AI generativa per assemblare rapidamente oltre 120.000 nuovi candidati MOF in 30 minuti. I calcoli sono stati eseguiti su un supercomputer con simulazioni di dinamica molecolare ad alta intensità temporale condotte sui candidati più promettenti.

Ora, i ricercatori della USC Viterbi School of Engineering stanno affrontando le emissioni di CO2 dell’industria del calcestruzzo, responsabile di circa l’8% delle emissioni globali di carbonio, principalmente attraverso la produzione di cemento.

L’idea è avere un calcestruzzo che non solo si auto‑guarisce e dura ancora più a lungo, ma può anche intrappolare l’anidride carbonica dall’atmosfera; per questo, i ricercatori hanno sviluppato un modello AI rivoluzionario.

Questo modello altamente sofisticato può simulare il comportamento di miliardi di atomi simultaneamente, aprendo nuove possibilità per la progettazione e la scoperta di materiali a una scala senza precedenti.

Il Problema e la Soluzione: Carbonio nel Calcestruzzo

Ogni anno, osserviamo un aumento sia della frequenza sia dell’intensità di siccità, incendi boschivi, temporali e uragani. Un contributo importante a ciò è il riscaldamento globale, risultato dell’aumento delle emissioni di gas serra.

Le emissioni di GHG si riferiscono al rilascio di gas come anidride carbonica (CO2), metano (CH4) e protossido di azoto (N2O) nell’atmosfera. Questi gas intrappolano calore e contribuiscono al riscaldamento globale e ai cambiamenti climatici. 

Attualmente, le principali fonti di emissioni di gas serra includono il settore energetico, i trasporti, la produzione di elettricità e calore, e l’agricoltura. La manifattura e la costruzione sono un altro grande contributore, con materiali da costruzione come calcestruzzo e acciaio che hanno una grande impronta di carbonio. 

Elemento chiave delle infrastrutture moderne, il calcestruzzo è ovunque intorno a noi, ma il problema è che rappresenta una grande sfida a causa delle massicce emissioni di GHG.

Il cemento, componente fondamentale del calcestruzzo, è in realtà responsabile di una parte considerevole dell’impronta di carbonio dell’industria delle costruzioni. Il processo di produzione del cemento prevede la calcinazione del calcare, che rilascia grandi quantità di CO2, e il riscaldamento ad alte temperature dei materiali nei forni, richiedendo energia significativa. 

Essendo il prodotto più consumato al mondo dopo l’acqua, è imperativo rendere il calcestruzzo ecologico, altrimenti l’ambiente continuerà a essere inquinato da oltre un miliardo di tonnellate metriche di CO2 annualmente a causa di questa industria. Una possibile soluzione a questo problema è intrappolare il gas nocivo direttamente nel calcestruzzo.

«Puoi semplicemente inserire la CO2 all’interno del calcestruzzo, e così ottieni un calcestruzzo a impatto zero», ha detto Aiichiro Nakano, professore di informatica, fisica e astronomia, e di biologia quantitativa e computazionale presso la USC Viterbi.

Così, Nakano, insieme ai colleghi della USC Viterbi, ha iniziato a studiare la “sequestro della CO2”, un processo che cattura e immagazzina l’anidride carbonica atmosferica.

Sebbene sia una soluzione promettente per raggiungere la neutralità carbonica riducendo le emissioni di GHG, il sequestro della CO2 è un processo complesso. Per trovare la soluzione, i ricercatori si sono rivolti all’AI.

Nel loro lavoro, il team di ricercatori ha presentato il proprio modello di fondazione (FM) per simulazioni di dinamica molecolare a scala exascale. Per questo, sfruttano l’architettura di rete equivariante E(3) (Allegro), un tipo di rete neurale, e un insieme di grandi dataset di materiali organici e inorganici.

Il modello risultante è Allegro-FM, che può gestire varie simulazioni di materiali per diversi compiti a valle.

Come i Modelli di Fondazione Stanno Trasformando la Scienza dei Materiali

Per il loro modello AI, il team ha utilizzato il modello di fondazione (FM), che, secondo loro, rappresenta un cambiamento di paradigma nell’AI e ha trasformato il loro modo di addestrare i modelli. 

Un FM è un grande modello AI addestrato su un enorme e diversificato dataset che può essere adattato a diversi tipi di compiti a valle. Questi modelli sono pre‑addestrati, il che significa che non richiedono ulteriore addestramento per un compito specifico. 

Sebbene generare un FM sia estremamente dispendioso in termini di risorse, non è necessario partire da zero; piuttosto, il modello può essere adattato a un compito specifico tramite prompting o fine‑tuning, riducendo sia i costi sia il tempo richiesti per lo sviluppo del modello e la generazione dei dati.

Un FM ben addestrato può essere fine‑tuned con molte meno risorse, consentendo a chi dispone di risorse computazionali modeste di incorporare il modello nel proprio flusso di lavoro.

Essendo grandi reti neurali di deep learning, i FM sono modelli a uso generale che possono essere impiegati per costruire applicazioni AI più specializzate, inclusi supporto clienti, generazione di contenuti, creazione e modifica di immagini, traduzione linguistica, assistenza sanitaria e robotica.

Quindi, i data scientist possono semplicemente utilizzare questi modelli come base per costruire rapidamente e a costi contenuti i propri modelli di machine learning (ML).

Il GPT di OpenAI, sostenuto da Microsoft, è uno degli esempi più comuni di FM. Il suo primo modello è stato sviluppato nel 2018 con 117 milioni di parametri, aumentati a 1,5 miliardi con GPT‑2, rilasciato l’anno successivo. Poi è arrivato GPT‑3 nel 2020, con una rete neurale a 96 strati e addestrato con 175 miliardi di parametri, valori numerici regolabili tra cui pesi e bias che determinano come i modelli elaborano input e output.

Ora, il suo modello più recente, GPT‑4, si dice abbia 1,76 trilioni di parametri, consentendo alle app di AI generativa di produrre contenuti simili a quelli umani.

Altri esempi di modelli di fondazione includono Nova di Amazon (AMZN ), Claude di Anthropic, Gemini di Google (GOOG ), LLaMA di Meta (META ) e Stable Diffusion.

Dato i numerosi vantaggi dei FM, i ricercatori della USC Viterbi hanno costruito Allegro‑FM, un modello di fondazione per simulazioni MD exascala. Il loro modello è addestrato su dataset pubblici di larga scala del Materials Project Trajectory (MPtrj) e SPICE, allineati con il framework Total Energy Alignment (TEA) per applicazioni materiali exascala.

La simulazione dei materiali tende a richiedere un gran numero di atomi per descrivere caratteristiche chiave come fasi distinte, confini di fase e confini di grano, oltre a una descrizione accurata delle reazioni chimiche. 

Allegro, secondo lo studio, ha un grande potenziale ed è particolarmente adatto per simulazioni di materiali che richiedono milioni o miliardi di atomi.

La Svolta di Allegro-FM: Simulare Miliardi di Atomi

Pubblicato su The Journal of Physical Chemistry Letters, lo studio descrive⁴ il modello AI Allegro‑FM e le sue capacità superiori. Il modello di simulazione guidato dall’AI offre una grande capacità di simulare miliardi di atomi simultaneamente.

Testando virtualmente diverse chimiche del calcestruzzo prima di sperimentarle in costosi esperimenti reali, Allegro‑FM può far progredire lo sviluppo del calcestruzzo, non come fonte di carbonio, ma come serbatoio di carbonio.

La scalabilità dei modelli è di fondamentale importanza qui. Il fatto è che molti metodi di simulazione molecolare esistono già, ma sono limitati a milioni, se non migliaia, di atomi.

Al contrario, Allegro‑FM può gestire più di quattro miliardi di atomi mostrando un’efficienza del 97,5% quando simulato su Aurora, un supercomputer exascale capace di eseguire oltre un quintilione di calcoli al secondo.

Questo è un risultato enorme, rappresentando una capacità di calcolo circa 1.000 volte superiore a quella dei modelli più vecchi.

Inoltre, il nuovo modello è flessibile, coprendo 89 elementi chimici. Pertanto, può essere usato per prevedere il comportamento molecolare per una vasta gamma di applicazioni, come la chimica del cemento e lo stoccaggio del carbonio.

«Il calcestruzzo è anche un materiale molto complesso. È composto da molti elementi e diverse fasi e interfacce. Quindi, tradizionalmente, non avevamo un modo per simulare fenomeni che coinvolgono il materiale del calcestruzzo. Ma ora possiamo usare questo Allegro‑FM per simulare le proprietà meccaniche (e) strutturali.»

– Ken‑Ichi Nomura, professore di ingegneria chimica e pratica di scienza dei materiali presso la USC Viterbi, con cui Nakano collabora da oltre due decenni.

Le simulazioni eseguite dai ricercatori mostrano che Allegro‑FM è a impatto zero, rendendolo un’opzione più adatta rispetto ad altri tipi di calcestruzzo. Interessante, il modello AI risolve anche altri problemi legati al calcestruzzo. 

Il materiale resistente al fuoco, che è un grande emettitore di CO2, dura in media circa un secolo. A differenza del calcestruzzo moderno, il calcestruzzo romano antico è durato molto più a lungo, per oltre 2.000 anni. 

La ricaptazione della CO2 può anche contribuire a rendere il calcestruzzo più durevole.

«Se inserisci la CO2, il cosiddetto ‘strato carbonato’, diventa più robusto.»

– Nakano 

Quindi, Allegro‑FM può simulare un calcestruzzo a impatto zero che può durare molto più a lungo rispetto alla sua durata attuale.

Progettazione di Cemento Potenziata dall’AI con Allegro-FM

Per l’esperimento, il team ha applicato Allegro‑FM a un cristallo di tobermorite 11Å (T11A), un minerale di idrato di silicato di calcio (CSH) comunemente presente in natura. Questo particolare minerale si trova nel calcestruzzo romano antico.

Il cemento sta attirando molta attenzione come materiale di stoccaggio del carbonio grazie alla sua capacità di intrappolare il carbonio attraverso il processo di mineralizzazione. La mineralizzazione della CO2 avviene naturalmente come parte del ciclo geochimico. Una comprensione meccanistica di questo processo è ancora cruciale per garantire uno stoccaggio di carbonio a lungo termine e sicuro. 

Qui, simulazioni avanzate possono fornire approfondimenti, ma sono o computazionalmente costose o limitate in accuratezza chimica. Tuttavia, i modelli di fondazione scalabili mostrano promesse per modellare accuratamente il comportamento di stoccaggio del carbonio del cemento.

Quindi, Allegro‑FM, dotato di generalizzabilità, scalabilità, prevedibilità ed efficienza computazionale, mostra un notevole potenziale nell’abilitare simulazioni dinamiche senza sacrificare i dettagli a scala atomica.

Secondo lo studio, il framework può essere utilizzato nell’indagine della nanostruttura del gel CSH, del cemento auto‑riparante e della progettazione di cemento durevole, fornendo un approccio innovativo per le scienze geofisiche e le applicazioni di ingegneria civile. Ha affermato:

«Allegro‑FM mostra un eccellente accordo con le teorie di chimica quantistica di alto livello nella descrizione delle proprietà strutturali, meccaniche e termodinamiche, mostrando al contempo capacità emergenti per correlazioni strutturali, cinetica delle reazioni, resistenze meccaniche, frattura e dissoluzione solido/liquido, per le quali il modello non è stato addestrato.» 

Il Futuro della Ricerca sui Materiali: L’AI Sostituisce la Meccanica Quantistica

L’uso dell’AI ha completamente cambiato le regole del gioco per scienziati e ingegneri. Tipicamente, simulare il comportamento degli atomi avrebbe richiesto una serie precisa di formule matematiche o “fenomeni di meccanica quantistica profondi”. E ciò era non solo molto tecnico ma anche lento.

Ma non più. L’avvento dell’AI, più specificamente i progressi nella tecnologia negli ultimi anni, ha trasformato il modo in cui gli scienziati conducono la loro ricerca.

«Ora, grazie a questa svolta dell’AI di apprendimento automatico, invece di derivare tutta questa meccanica quantistica da zero, i ricercatori stanno adottando l’approccio di generare un set di addestramento e poi lasciare che il modello di apprendimento automatico lo esegua.»

– Nomura 

I modelli ora possono gestire enormi volumi di dati così come maggiore complessità usando meno risorse. Questo ha reso l’intero processo molto più rapido ed efficiente. 

In effetti, Allegro‑FM può prevedere con precisione le “funzioni di interazione” tra gli atomi. Come gli atomi reagiscono e interagiscono normalmente richiede molte simulazioni individuali e innumerevoli ore di calcolo.

Ma invece di farlo elemento per elemento, con ciascuno che ha equazioni diverse e diverse funzioni uniche, la nuova AI consente la simulazione delle funzioni di interazione con l’intera tavola periodica contemporaneamente, il che significa simulazioni più rapide e più opzioni di materiale. Nomura ha spiegato:

«L’approccio tradizionale è simulare un certo insieme di materiali. Quindi, puoi simulare, ad esempio, vetro di silice, ma non puoi simulare (ciò) con, ad esempio, una molecola farmaceutica.» 

Tecnologicamente, inoltre, il nuovo sistema è molto più efficiente, con modelli AI in grado di effettuare calcoli precisi che prima richiedevano un grande supercomputer. Questo semplifica i compiti e consente ai supercomputer di essere utilizzati per ricerche più avanzate.

Come ha osservato Nakano, l’AI può “raggiungere l’accuratezza della meccanica quantistica con risorse computazionali molto, molto più piccole.”

Questo studio mostra risultati brillanti, ma c’è ancora molto lavoro da fare. Come ha detto Nomura, il team continuerà la ricerca sul calcestruzzo, passando a “geometrie e superfici più complesse.”

Investire nella Chimica Verde

Una delle più grandi aziende chimiche statunitensi, Dow (DOW ), investe attivamente in materiali sostenibili e tecnologie di cattura del carbonio. Simulazioni guidate dall’AI come Allegro‑FM rappresentano uno strumento perfetto per aziende come Dow per sviluppare prodotti chimici più verdi. 

Dow Inc. (DOW )

L’azienda opera attraverso diversi segmenti, tra cui Packaging & Specialty Plastics, Performance Materials & Coatings, e Industrial Intermediates & Infrastructure.

Con una capitalizzazione di mercato di 17,72 miliardi di dollari, le azioni di Dow Inc. sono quotate a 25 $, in calo del 37,53 % YTD. Ha un EPS (TTM) di 0,40 e un P/E (TTM) di 62,66. Il rendimento del dividendo disponibile è del 5,58 %.

Questa settimana, ha riportato i risultati finanziari del Q2 2025, che hanno mostrato un calo del 7 % YoY nelle vendite nette a 10,1 miliardi di dollari e una diminuzione dell’1 % YoY nel volume. 

La perdita netta GAAP dell’azienda è stata di 801 milioni di dollari e la perdita per azione GAAP di 1,18 $. Il flusso di cassa dalle attività operative è stato negativo di 470 milioni di dollari. Durante questo periodo, Dow ha restituito 496 milioni di dollari agli azionisti tramite dividendi.

Quest’anno, l’azienda ha collaborato con Google per sviluppare un sistema di smistamento AI per identificare film plastici e materiali misti. Il sistema utilizzerà i modelli ML di Google, la conoscenza di Dow sul design dei materiali e la tecnologia di riciclaggio della sua società di riciclaggio Circulus, per identificare i materiali riciclabili in base alla loro composizione molecolare.

Dow utilizza anche l’AI per ottimizzare i processi di produzione di prodotti chimici e materiali. La tecnologia consente di monitorare e regolare le variabili in tempo reale, garantendo processi efficienti e risultati costanti.

Inoltre, impiega l’AI nei suoi sforzi di R&D con l’obiettivo non solo di scoprire nuovi materiali ma anche di migliorare quelli esistenti.

Ultime Dow Inc. (DOW) Stock News and Developments

Conclusione

Il calcestruzzo è un materiale potente, ampiamente utilizzato nelle costruzioni per la sua resistenza, versatilità, convenienza e durabilità. Tuttavia è anche responsabile di una notevole emissione di anidride carbonica, rendendo fondamentale la ricerca di alternative. 

L’ultimo studio con lo strumento Allegro‑FM ha raggiunto una svolta enorme nella scalabilità della ricerca sui materiali, consentendo simulazioni di miliardi di atomi simultaneamente, permettendoci di ripensare i materiali di cui dipendiamo quotidianamente, come il calcestruzzo. 

Offrendo un nuovo modo di progettare materiali più puliti e duraturi come il calcestruzzo, l’AI può aiutare a creare non solo edifici più solidi ma anche un ambiente più pulito, portando a un futuro in cui materiali come il calcestruzzo non siano parte del problema climatico ma una soluzione!

Clicca qui per scoprire come possiamo superare le limitazioni del calcestruzzo. 

Riferimenti:

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). Accelerare la scoperta computazionale di materiali con intelligenza artificiale e cloud ad alte prestazioni: dallo screening su larga scala alla validazione sperimentale. 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. Progettazione di struttura e sequenza proteica con modelli probabilistici di diffusione denoising equivarianti. Chem, 9(6), 1646–1664 (2023). Pubblicato online 20 aprile 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 framework di intelligenza artificiale generativa basato su un modello di diffusione molecolare per la progettazione di strutture metal‑organiche per la cattura del carbonio. Communications Chemistry, 7(1), Articolo 21 (2024). Pubblicato online 14 febbraio 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: Verso un Modello di Fondazione Equivariante per Simulazioni di Dinamica Molecolare Exascale.
5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Pubblicato online 20 giugno 2025. https://doi.org/10.1021/acs.jpclett.5c00605