Allegro-FM: AI-simulaties die duurzame materiaalkunde aandrijven

Kunstmatige intelligentie (AI) doet veel ontdekkingen op het gebied van materiaalkunde. Al deze verschillende ontdekkingen zijn niet theoretisch, maar echt en hebben impact op een breed scala aan industrieën. 

For instance, Microsoft (MSFT ) gebruikte AI (Azure Quantum Elements tool) en high‑performance computing om 32 miljoen materialen te screenen om de kandidaten te beperken¹ tot slechts 18 in een tijdsbestek van 80 uur, een proces dat normaal jaren zou duren. De wetenschappers syntheseerden ook een materiaal dat het lithiumgebruik in batterijen met 70 % kan verminderen.

In een ander geval gebruikten MIT‑onderzoekers AI om nieuwe eiwitten te ontwerpen², die kunnen worden gebruikt om materialen met bepaalde mechanische eigenschappen te maken. Deze materialen, die niet in de natuur voorkomen maar erdoor geïnspireerd zijn, zouden potentieel die op petroleum gebaseerde kunnen vervangen en een aanzienlijk kleinere CO₂‑voetafdruk hebben.

Naast doorbraken in energieopslag, batterijinnovatie en biomedische materialen, wordt AI actief onderzocht door bedrijven en wetenschappers om halfgeleidertechnologie, de lucht‑ en ruimtevaart, chemische productie en meer te verbeteren.

Een ander cruciaal gebruik van de mogelijkheid van computersystemen om taken uit te voeren die normaal met menselijke intelligentie geassocieerd worden, is te zien in de creatie van duurzame en groene materialen.

Een voorbeeld hiervan is IBM’s (IBM ) RoboRXN, een project dat AI, automatisering en cloud combineert om materiaalonontdekking te versnellen. Met dit op afstand toegankelijke chemische laboratorium maakt IBM autonome synthese en testen van nieuwe moleculen mogelijk. Het laboratorium wordt gebruikt om biologisch afbreekbare polymeren te ontdekken.

Onderzoekers gebruiken ook machine learning om metal‑organische raamwerken (MOFs) te screenen voor koolstofafvang.

Koolstofafvang is een sleuteltechnologie bij het verminderen van broeikasgas (GHG) emissies van industriële installaties. MOFs bieden hier een veelbelovende kandidaat, dankzij hun vermogen om selectief kooldioxide op te nemen.

De moleculen van deze poreuze materialen hebben organische knooppunten, anorganische knooppunten en organische koppelingen, die in verschillende configuraties kunnen worden gerangschikt, waardoor het mogelijk is om talloze potentiële MOF‑configuraties te ontwerpen en te testen.

Om het ontdekkingsproces te versnellen, gebruikten onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) generatieve AI³ om in 30 minuten meer dan 120.000 nieuwe MOF‑kandidaten snel samen te stellen. De berekeningen werden uitgevoerd op een supercomputer met tijdrovende moleculaire dynamicasimulaties op de meest veelbelovende kandidaten.

Nu pakken onderzoekers van de USC Viterbi School of Engineering de CO₂‑emissies van de betonindustrie aan, die verantwoordelijk is voor ongeveer 8 % van de wereldwijde koolstofemissies, voornamelijk door cementproductie.

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.

Dit zeer geavanceerde model kan het gedrag van miljarden atomen gelijktijdig simuleren, waardoor nieuwe mogelijkheden voor materiaalkunde‑ontwerp en -ontdekking op een ongekende schaal ontstaan.

Het Probleem en de Oplossing: Koolstof in Beton

Elk jaar zien we een toename in zowel de frequentie als de intensiteit van droogtes, bosbranden, regenstormen en orkanen. Een belangrijke oorzaak hiervan is de opwarming van de aarde, die het gevolg is van verhoogde broeikasgasemissies.

GHG‑emissies verwijzen naar de uitstoot van gassen zoals kooldioxide (CO₂), methaan (CH₄) en lachgas (N₂O) in de atmosfeer. Deze gassen vangen warmte op en dragen bij aan de opwarming van de aarde en klimaatverandering. 

De belangrijkste bronnen van broeikasgasemissies omvatten nu de energiesector, transport, elektriciteits‑ en warmteproductie, en de landbouw. Productie en constructie vormen een andere grote bron, waarbij bouwmaterialen zoals beton en staal een grote koolstofvoetafdruk hebben. 

Een sleutelelement van moderne infrastructuur, beton, is overal om ons heen, maar het vormt een groot probleem vanwege de enorme GHG‑emissies.

Cement, een cruciale component van beton, is feitelijk verantwoordelijk voor een aanzienlijk deel van de koolstofvoetafdruk van de bouwsector. Het productieproces van cement omvat de calcination van kalksteen, waarbij grote hoeveelheden CO₂ vrijkomen, en het verhitten van materialen in ovens op hoge temperaturen, wat veel energie vereist. 

Als het meest geconsumeerde product op aarde na water is het van cruciaal belang om beton milieuvriendelijk te maken, anders zal het milieu jaarlijks blijven vervuild raken met meer dan een miljard metrische ton CO₂ door deze industrie. Een mogelijke oplossing voor dit probleem is het vangen van het schadelijke gas in het beton zelf.

“Je kunt gewoon het CO₂ in het beton plaatsen, en dan wordt het een koolstofneutraal beton,” zei Aiichiro Nakano, professor aan USC Viterbi in computerwetenschappen, natuurkunde en astronomie, en kwantitatieve en computationele biologie.

Dus begon Nakano, samen met zijn collega’s aan USC Viterbi, onderzoek naar “CO₂‑sequestratie,” een proces dat atmosferisch kooldioxide opvangt en opslaat.

Hoewel CO₂‑sequestratie een veelbelovende oplossing is om koolstofneutraliteit te bereiken door GHG‑emissies te verminderen, is het een uitdagend proces. Om de oplossing te vinden, wendden de onderzoekers zich tot AI.

In hun werk presenteerde het onderzoeksteam hun foundation model (FM) voor exascale moleculaire dynamicasimulaties. Hiervoor maken ze gebruik van de E(3) equivariante netwerkarchitectuur (Allegro), een type neuraal netwerk, en een reeks grootschalige organische en anorganische materiaaldatasets.

Het resulterende model is Allegro-FM, dat verschillende materiaalsimulaties voor diverse downstream‑taken kan uitvoeren.

Hoe Foundation‑modellen de materiaalkunde transformeren

Voor hun AI‑model maakten het team gebruik van het foundation‑model (FM), dat volgens hen een paradigmaverschuiving in AI is en hun manier van modeltraining heeft getransformeerd. 

Een FM is een groot AI‑model dat is getraind op een enorme, diverse dataset en kan worden aangepast voor verschillende downstream‑taken. Deze modellen zijn voorgetraind, wat betekent dat ze geen extra training voor een specifieke taak nodig hebben. 

Hoewel het genereren van een FM extreem veel middelen vereist, hoef je niet vanaf nul te beginnen; het model kan via prompting of fine‑tuning op een individuele taak worden aangepast, waardoor zowel de kosten als de tijd voor modelontwikkeling en datageneratie worden verminderd.

Een goed getraind FM kan met veel minder middelen worden gefinetuned, waardoor iemand met bescheiden rekenkracht het model in zijn workflow kan integreren.

Als grote deep‑learning neurale netwerken zijn FMs algemene modellen die kunnen worden gebruikt om meer gespecialiseerde AI‑toepassingen te bouwen, waaronder klantenservice, contentgeneratie, beeldcreatie en -bewerking, vertaling, gezondheidszorg en robotica.

Dus kunnen data‑wetenschappers deze modellen eenvoudig als basis gebruiken om hun eigen machine‑learning (ML)‑modellen snel en kosteneffectief te bouwen.

OpenAI’s GPT, gesteund door Microsoft, is een van de meest voorkomende voorbeelden van een FM. Het allereerste model werd in 2018 ontwikkeld met 117 miljoen parameters, die werden verhoogd naar 1,5 miljard met GPT‑2, uitgebracht het volgende jaar. Daarna kwam GPT‑3 in 2020, met een 96‑lagig neuraal netwerk en getraind met 175 miljard parameters, die verstelbare numerieke waarden zijn, waaronder gewichten en biases die bepalen hoe modellen input en output verwerken.

Nu zou het nieuwste model, GPT‑4, naar verluidt 1,76 biljoen parameters hebben, waardoor generatieve AI‑apps menselijke‑achtige content kunnen produceren.

Andere voorbeelden van foundation‑modellen zijn Amazon’s (AMZN ) Nova, Anthropic’s Claude, Google’s (GOOG ) Gemini, Meta’s (META ) LLaMA, en Stable Diffusion.

Gezien de vele voordelen van FM hebben de onderzoekers van USC Viterbi het Allegro-FM gebouwd, een foundation‑model voor exascale MD‑simulaties. Hun model is getraind op publiek beschikbare grootschalige Materials Project Trajectory (MPtrj) en SPICE‑datasets, afgestemd op het Total Energy Alignment (TEA)‑kader voor exascale materiaaltoepassingen.

De simulatie van materialen vereist doorgaans een groot aantal atomen om belangrijke kenmerken zoals verschillende fasen, fasegrenzen en korrelgrenzen te beschrijven, evenals een nauwkeurige beschrijving van chemische reacties. 

Allegro, volgens de studie, heeft groot potentieel en is bijzonder geschikt voor materiaalsimulaties die miljoenen tot miljarden atomen vereisen.

Allegro-FM’s Doorbraak: Simuleren van Miljarden Atomen

Gepubliceerd in The Journal of Physical Chemistry Letters, beschrijft de studie⁴ het AI‑model Allegro‑FM en zijn superieure mogelijkheden. Het AI‑gedreven simulatiemodel heeft een grote capaciteit om tegelijk miljarden atomen te simuleren.

Door verschillende betoncémica virtueel te testen voordat ze in dure experimenten in de echte wereld worden getest, kan Allegro‑FM de ontwikkeling van beton bevorderen, niet als een koolstofbron, maar als een koolstofput.

De schaalbaarheid van de modellen is hier van cruciaal belang. Het punt is dat er al veel moleculaire simulatiemethoden bestaan, maar deze zijn beperkt tot slechts miljoenen, zo niet duizenden, atomen.

In tegenstelling tot andere methoden kan Allegro‑FM meer dan vier miljard atomen verwerken en toont een efficiëntie van 97,5 % wanneer gesimuleerd op de Aurora, een exascale supercomputer die meer dan een quintiljoen berekeningen per seconde kan uitvoeren.

Dit is een enorme prestatie, die een rekenkracht vertegenwoordigt die ongeveer 1.000 × groter is dan wat oudere modellen aankunnen.

Bovendien is het nieuwe model flexibel en omvat het 89 chemische elementen. Het kan dus worden gebruikt om het moleculaire gedrag te voorspellen voor een breed scala aan toepassingen, zoals cementchemie en koolstofopslag.

“Beton is ook een zeer complex materiaal. Het bestaat uit vele elementen en verschillende fasen en interfaces. Traditioneel hadden we geen manier om fenomenen met betonnen materiaal te simuleren. Maar nu kunnen we Allegro‑FM gebruiken om mechanische (en) structurele eigenschappen te simuleren.”

– Ken‑Ichi Nomura, een professor aan USC Viterbi in chemische techniek en materiaalwetenschap, met wie Nakano al meer dan twee decennia samenwerkt.

De simulaties uitgevoerd door de onderzoekers tonen aan dat Allegro‑FM koolstofneutraal is, waardoor het een geschiktere optie is dan ander beton. Interessant genoeg lost het AI‑model nog andere problemen met beton op. 

Het brandwerende materiaal, een belangrijke CO₂‑emitter, houdt gemiddeld slechts ongeveer een eeuw stand. In tegenstelling tot modern beton heeft het oude Romeinse beton veel langer meegeduurd, meer dan 2.000 jaar. 

Het opnieuw opvangen van CO₂ kan ook helpen het beton duurzamer te maken.

“Als je het CO₂ toevoegt, de zogenaamde ‘carbonaatlaag’, wordt het robuuster.”

– Nakano 

Dus kan Allegro‑FM een koolstofneutraal beton simuleren dat veel langer meegaat dan de huidige levensduur.

AI‑aangedreven Cementontwerp met Allegro-FM

Voor het experiment paste het team Allegro‑FM toe op een tobermorite 11 Å (T11A) kristal, een calcium‑silicaat‑hydraat (CSH) mineraal dat vaak in de natuur voorkomt. Dit specifieke mineraal wordt aangetroffen in het oude Romeinse beton.

Cement krijgt veel aandacht als koolstofopslagmateriaal vanwege zijn vermogen om koolstof te vangen via het mineralisatieproces. CO₂‑mineralisatie vindt van nature plaats als onderdeel van de geochemische cyclus. Een mechanistisch begrip hiervan blijft cruciaal om langdurige en veilige koolstofopslag te waarborgen. 

Hier kunnen geavanceerde simulaties inzichten bieden, maar ze zijn ofwel computationeel duur of beperkt in chemische nauwkeurigheid. Schaalbare foundation‑modellen tonen echter veelbelovend potentieel voor het nauwkeurig modelleren van het koolstofopslaggedrag van cement.

Dus toont Allegro‑FM, uitgerust met generaliseerbaarheid, schaalbaarheid, voorspelbaarheid en computationele efficiëntie, aanzienlijke belofte in het mogelijk maken van dynamische simulaties zonder concessies te doen aan de details op atomaire schaal.

Volgens de studie kan het raamwerk worden gebruikt bij het onderzoek naar de nanostructuur van CSH‑gel, zelfherstellend cement en duurzaam cementontwerp, en biedt het een nieuwe benadering voor geofysische wetenschappen en civiele‑technische toepassingen. Het stelde:

“Allegro‑FM vertoont uitstekende overeenstemming met hoog‑niveau kwantum‑chemietheorieën bij het beschrijven van structurele, mechanische en thermodynamische eigenschappen, terwijl het opkomende mogelijkheden toont voor structurele correlaties, reactiekinetiek, mechanische sterktes, breuk en vaste/vloeistof‑oplossing, waarvoor het model niet is getraind.” 

De Toekomst van Materiaalonderzoek: AI Vervangt Kwantummechanica

Het gebruik van AI heeft het speelveld volledig veranderd voor wetenschappers en ingenieurs. Normaal gesproken zou het simuleren van het gedrag van atomen een precieze reeks wiskundige formules of “diepe, complexe kwantummechanica‑verschijnselen” vereisen. En dat was niet alleen zeer technisch, maar ook traag.

Maar niet langer. De opkomst van AI, meer specifiek de vooruitgang in de technologie van de afgelopen jaren, heeft de manier waarop wetenschappers hun onderzoek uitvoeren getransformeerd.

“Nu, dankzij deze machine‑learning AI‑doorbraak, in plaats van al deze kwantummechanica vanaf nul af te leiden, nemen onderzoekers de aanpak van het genereren van een trainingsset en laten vervolgens het machine‑learning model draaien.”

– Nomura 

De modellen kunnen nu enorme hoeveelheden data en meer complexiteit aan terwijl ze minder middelen gebruiken. Dit heeft het hele proces veel sneller en efficiënter gemaakt. 

In feite kan Allegro‑FM “interactiefuncties” tussen atomen nauwkeurig voorspellen. Hoe atomen reageren en met elkaar interageren vereist normaal veel afzonderlijke simulaties en ontelbare uren aan berekeningen.

Maar in plaats van één element tegelijk te behandelen, elk met verschillende vergelijkingen en unieke functies, maakt de nieuwe AI het mogelijk om interactiefuncties van het volledige periodiek systeem tegelijk te simuleren, wat snellere simulaties en meer materiaalopties betekent. Nomura legde uit:

“De traditionele aanpak is om een bepaalde set materialen te simuleren. Je kunt bijvoorbeeld silica‑glas simuleren, maar je kunt dat niet doen met, laten we zeggen, een geneesmiddelmolecuul.” 

Technologisch is het nieuwe systeem ook veel efficiënter, waarbij AI‑modellen precieze berekeningen kunnen uitvoeren die vroeger een grote supercomputer vereisten. Dit vereenvoudigt taken en maakt het mogelijk supercomputers in te zetten voor geavanceerder onderzoek.

Zoals Nakano opmerkte, kan AI “kwantummechanische nauwkeurigheid bereiken met veel, veel kleinere rekenmiddelen.”

Deze studie toont briljante resultaten, maar er is nog veel werk te doen. Zoals Nomura zei, zal het team hun betononderzoek voortzetten en doorgaan naar “complexere geometrieën en oppervlakken.”

Investeren in Groene Chemie

Een van de grootste Amerikaanse chemische bedrijven, Dow (DOW ), investeert actief in duurzame materialen en koolstofafvang technologieën. AI‑gedreven simulatie zoals Allegro‑FM biedt een perfect hulpmiddel voor bedrijven als Dow om groenere chemicaliën te ontwikkelen. 

Dow Inc. (DOW )

Het bedrijf opereert via verschillende segmenten, waaronder Verpakkingen & Speciaalkunststoffen, Prestatiematerialen & Coatings, en Industriële Intermediairs & Infrastructuur.

Met een marktkapitalisatie van $17,72 miljard worden de aandelen van Dow Inc. verhandeld tegen $25, een daling van 37,53 % YTD. Het heeft een EPS (TTM) van 0,40 en een P/E (TTM) van 62,66. Het beschikbare dividendrendement bedraagt 5,58 %.

Deze week rapporteerde het zijn Q2‑2025 financiële resultaten, die een daling van 7 % YoY in de nettowinst tot $10,1 miljard en een daling van 1 % YoY in volume onthulden. 

Het GAAP‑nettoverlies van het bedrijf bedroeg $801 miljoen en het GAAP‑verlies per aandeel $1,18. De kasstroom uit operationele activiteiten was -$470 miljoen. In deze periode keerde Dow $496 miljoen uit aan aandeelhouders via dividenden.

Dit jaar ging het bedrijf een partnerschap aan met Google om een AI‑sorteringssysteem te ontwikkelen dat film‑kunststoffen en gemengde materialen kan identificeren. Het systeem zal gebruikmaken van Google’s ML‑modellen, Dow’s kennis van materiaalontwerp, en de recyclingtechnologie van Dow’s recyclingbedrijf Circulus, om recyclebare materialen te identificeren op basis van hun moleculaire samenstelling.

Dow maakt ook gebruik van AI om haar chemische en materiaalproductieprocessen te optimaliseren. De technologie stelt het in staat variabelen in realtime te monitoren en aan te passen, waardoor efficiënte processen en consistente resultaten worden gegarandeerd.

Bovendien zet het AI in bij haar R&D‑inspanningen met als doel niet alleen nieuwe materialen te ontdekken, maar ook de bestaande te verbeteren.

Laatste Dow Inc. (DOW) Aandelen Nieuws en Ontwikkelingen

Conclusie

Beton is een krachtig materiaal, dat veel wordt gebruikt in de bouw vanwege zijn sterkte, veelzijdigheid, kosteneffectiviteit en duurzaamheid. Maar het is ook verantwoordelijk voor het uitstoten van een aanzienlijke hoeveelheid kooldioxide, waardoor het cruciaal is om alternatieven te zoeken. 

De nieuwste studie met het Allegro‑FM‑instrument heeft een enorme doorbraak bereikt in de schaalbaarheid van materiaalonderzoek, waardoor simulaties van miljarden atomen tegelijk mogelijk zijn, en ons in staat stelt materialen die we dagelijks gebruiken, zoals beton, opnieuw te overdenken. 

Door een nieuwe manier te bieden om schonere, langer houdende materialen zoals beton te ontwerpen, kan AI helpen niet alleen sterkere gebouwen te creëren, maar ook een schonere omgeving, wat leidt tot een toekomst waarin materialen zoals beton geen onderdeel meer zijn van het klimaatprobleem, maar eerder een oplossing!

Klik hier om te leren hoe we de tekortkomingen van beton kunnen overwinnen. 

Referenties:

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). Versnelling van computationele materiaalkundige ontdekking met kunstmatige intelligentie en cloud‑high‑performance computing: van grootschalige screening tot experimentele validatie. 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. Eiwitstructuur en sequentie‑ontwerp met equivariante denoising diffusion probabilistische modellen. Chem, 9(6), 1646–1664 (2023). Gepubliceerd op online 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. Een generatief kunstmatig‑intelligentie‑kader gebaseerd op een moleculair diffusiemodel voor het ontwerpen van metal‑organische raamwerken voor koolstofafvang. Communications Chemistry, 7(1), Article 21 (2024). Gepubliceerd op online 14 februari 2024. https://doi.org/10.1038/s42004‑023‑01090‑2
4. Allegro‑FM: Naar een equivariant foundation‑model voor exascale moleculaire dynamicasimulaties.

5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Gepubliceerd op online June 20, 2025. https://doi.org/10.1021/acs.jpclett.5c00605