Allegro-FM: AI‑simuleringer driver bærekraftig materialvitenskap

Kunstig intelligens (AI) gjør mange oppdagelser innen materialvitenskap. Alle disse ulike oppdagelsene er ikke bare teoretiske, men virkelige og påvirker et bredt spekter av industrier. 

For eksempel, Microsoft (MSFT ) benyttet AI (Azure Quantum Elements‑verktøyet) og høyytelsesdatabehandling til å screene 32 millioner materialer for å begrense¹ kandidatene til kun 18 på bare 80 timer, en prosess som normalt ville tatt flere år. Forskerne syntetiserte også et materiale som kan redusere litiumbruk i batterier med 70 %.

I et annet tilfelle brukte MIT‑forskerne AI til å designe nye proteiner², som kan brukes til å lage materialer med bestemte mekaniske egenskaper. Disse materialene, som ikke finnes i naturen men er inspirert av den, kan potensielt erstatte de som er laget av petroleum og ha et betydelig mindre karbonavtrykk.

I tillegg til å oppnå gjennombrudd innen energilagring, batteriinnovasjon og biomedisinske materialer, blir AI aktivt utforsket av selskaper og forskere for å fremme halvlederteknologi, romfart, kjemisk produksjon og mer.

En annen kritisk bruk av beregningssystemers evne til å utføre oppgaver som vanligvis er knyttet til menneskelig intelligens, ses i skapelsen av bærekraftige og grønne materialer.

Et eksempel på dette er IBMs (IBM ) RoboRXN, et prosjekt som kombinerer AI, automatisering og sky for å akselerere materialoppdagelse. Med dette fjernstyrte kjemiske laboratoriet gjør IBM mulig autonom syntese og testing av nye molekyler. Laboratoriet brukes til å oppdage biologisk nedbrytbare polymerer.

Forskere bruker også maskinlæring til å screene metall‑organiske rammer (MOFs) for karbonfangst.

Karbonfangst er en nøkkelteknologi for å redusere klimagassutslipp (GHG) fra industrielle anlegg. MOFs her gir et lovende alternativ, takket være deres evne til selektivt å absorbere karbondioksid.

Molekylene i disse porøse materialene har organiske noder, uorganiske noder og organiske lenker, som kan ordnes i ulike konfigurasjoner, noe som gjør det mulig å designe og teste mange potensielle MOF‑konfigurasjoner.

For å fremskynde oppdagelsesprosessen brukte³ generativ AI til raskt å sette sammen over 120 000 nye MOF‑kandidater på 30 minutter. Beregningene ble kjørt på en superdatamaskin med tidskrevende molekylær‑dynamikk‑simuleringer utført på de mest lovende kandidatene.

Nå tar forskere fra USC Viterbi School of Engineering tak i CO₂‑utslippene fra betongindustrien, som står for omtrent 8 % av de globale karbonutslippene, hovedsakelig gjennom sementproduksjon.

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.

Denne svært sofistikerte modellen kan simulere oppførselen til milliarder av atomer samtidig, og åpner nye muligheter for materialdesign og oppdagelse i en enestående skala.

Problemet og løsningen: Karbon i betong

Hvert år ser vi en økning i både hyppigheten og intensiteten av tørke, skogbranner, regnstormer og orkaner. En hovedårsak til dette er global oppvarming, som skyldes økte utslipp av klimagasser.

GHG‑utslipp refererer til utslipp av gasser som karbondioksid (CO₂), metan (CH₄) og lystgass (N₂O) i atmosfæren. Disse gassene fanger varme og bidrar til global oppvarming og klimaendringer. 

I dag inkluderer de viktigste kildene til klimagassutslipp energisektoren, transport, produksjon av elektrisitet og varme, samt landbruk. Industri og bygg er også store bidragsytere, med byggematerialer som betong og stål som har et stort karbonavtrykk. 

Et sentralt element i moderne infrastruktur, betong, finnes overalt rundt oss, men problemet er at den medfører massive GHG‑utslipp.

Sement, som er en viktig komponent i betong, er faktisk ansvarlig for en betydelig del av byggeindustriens karbonavtrykk. Produksjonsprosessen for sement innebærer kalkning av kalkstein, som frigir store mengder CO₂, samt høytemperaturoppvarming av materialer i ovner, noe som krever betydelig energi. 

Som det mest konsumerte produktet på jorden etter vann, er det avgjørende å gjøre betong miljøvennlig, ellers vil miljøet fortsette å bli forurenset med over en milliard tonn CO₂ årlig på grunn av denne industrien. En potensiell løsning på dette problemet er å fange den skadelige gassen i selve betongen.

«Du kan bare sette CO₂ inn i betongen, og da blir det en karbonnøytral betong,» sa Aiichiro Nakano, professor i datavitenskap, fysikk og astronomi, samt kvantitativ og beregningsbiologi ved USC Viterbi.

Dermed begynte Nakano, sammen med sine kolleger ved USC Viterbi, å forske på «CO₂‑sequestering», en prosess som fanger og lagrer atmosfærisk karbondioksid.

Selv om CO₂‑sequestering er en lovende løsning for å oppnå karbonnøytralitet ved å redusere GHG‑utslipp, er prosessen utfordrende. For å finne løsningen vendte forskerne seg til AI.

I sitt arbeid presenterte forskerteamet sin foundation‑modell (FM) for eksaskala molekylær‑dynamikk‑simuleringer. Til dette utnytter de E(3)-ekvivalent nettverksarkitektur (Allegro), en type nevralt nettverk, samt et sett med storskala organiske og uorganiske materialdatasett.

Den resulterende modellen er Allegro‑FM, som kan håndtere ulike material‑simuleringer for forskjellige etterfølgende oppgaver.

Hvordan foundation‑modeller transformerer materialvitenskap

For sin AI‑modell brukte teamet foundation‑modellen (FM), som de påpeker er et paradigmeskifte innen AI og har endret måten de trener modeller på. 

En FM er en stor AI‑modell trent på et enormt, variert datasett som kan tilpasses ulike typer etterfølgende oppgaver. Disse modellene er forhåndstrente, noe som betyr at de ikke krever ytterligere trening for en spesifikk oppgave. 

Selv om det er svært ressurskrevende å generere en FM, trenger man ikke starte fra bunnen av; i stedet kan modellen tilpasses en individuell oppgave gjennom prompting eller finjustering, noe som reduserer både kostnad og tid som kreves for modellutvikling og datagenerering.

En godt trent FM kan finjusteres med langt færre ressurser, slik at selv de med beskjedne datakraft kan integrere modellen i arbeidsflyten sin.

Som store dype lærings‑nevrale nettverk er FM‑er generelle modeller som kan brukes til å bygge mer spesialiserte AI‑applikasjoner, inkludert kundestøtte, innholdsproduksjon, bildeoppretting og -redigering, språkoversettelse, helsevesen og robotikk.

Dermed kan datavitenskapsfolk enkelt bruke disse modellene som et grunnlag for raskt og kostnadseffektivt å bygge sine egne maskinlærings‑ (ML) modeller.

OpenAI‑s GPT, støttet av Microsoft, er et av de mest vanlige eksemplene på FM. Den aller første modellen ble utviklet i 2018 med 117 millioner parametere, som ble økt til 1,5 milliarder med GPT‑2, utgitt året etter. Deretter kom GPT‑3 i 2020, som har et 96‑lagers nevralt nettverk og er trent med 175 milliarder parametere, justerbare numeriske verdier som vekter og bias som bestemmer hvordan modeller behandler input og output.

Nå sies den nyeste modellen, GPT‑4, å ha 1,76 billioner parametere, noe som gjør det mulig for generative AI‑apper å produsere menneskelignende innhold.

Andre eksempler på foundation‑modeller inkluderer Amazons (AMZN ) Nova, Anthropics Claude, Googles (GOOG ) Gemini, Metas (META ) LLaMA, og Stable Diffusion.

Gitt de mange fordelene med FM, bygde forskerne ved USC Viterbi Allegro‑FM, en foundation‑modell for eksaskalerbare MD‑simuleringer. Modellen er trent på offentlig tilgjengelige storskala Materials Project Trajectory (MPtrj) og SPICE‑datasett, justert med Total Energy Alignment (TEA)‑rammeverket for eksaskale materialapplikasjoner.

Simulering av materialer krever ofte et stort antall atomer for å beskrive viktige egenskaper som ulike faser, fasegrenser og korngrenser, samt en nøyaktig beskrivelse av kjemiske reaksjoner. 

Ifølge studien har Allegro stort potensial og er spesielt egnet for material‑simuleringer som krever millioner til milliarder av atomer.

Allegro‑FMs gjennombrudd: Simulering av milliarder av atomer

Publisert i The Journal of Physical Chemistry Letters beskriver studien AI‑modellen Allegro‑FM og dens overlegne evner. Den AI‑drevne simuleringsmodellen har stor kapasitet til å simulere milliarder av atomer samtidig.

Ved å teste ulike betongkjemier virtuelt før de testes i kostbare eksperimenter i den virkelige verden, kan Allegro‑FM fremme utviklingen av betong, ikke som en karbonkilde, men som en karbonvask.

Modellens skalerbarhet er av avgjørende betydning her. Mange molekylære simuleringsmetoder finnes allerede, men de er begrenset til kun millioner, om ikke tusenvis, av atomer.

I kontrast kan Allegro‑FM håndtere mer enn fire milliarder atomer og viser en effektivitet på 97,5 % når den simuleres på Aurora, en eksaskale superdatamaskin som kan utføre over en kvintillion beregninger per sekund.

Dette er en enorm prestasjon, som representerer en datakraft omtrent 1 000 ganger større enn hva eldre modeller kan håndtere.

Dessuten er den nye modellen fleksibel, og dekker 89 kjemiske elementer. Den kan derfor brukes til å forutsi molekylær oppførsel for et bredt spekter av anvendelser, som sementkjemi og karbonlagring.

«Betong er også et svært komplekst materiale. Det består av mange elementer og ulike faser og grensesnitt. Så tradisjonelt hadde vi ingen måte å simulere fenomener som involverer betongmateriale. Men nå kan vi bruke denne Allegro‑FM til å simulere mekaniske egenskaper (og) strukturelle egenskaper.»

– Ken‑Ichi Nomura, professor i kjemisk ingeniørfag og materialvitenskap ved USC Viterbi, som Nakano har samarbeidet med i over to tiår.

Simuleringene utført av forskerne viser at Allegro‑FM er karbonnøytral, noe som gjør den til et mer egnet alternativ enn annen betong. Interessant nok løser AI‑modellen også andre problemer med betong. Det brannresistente materialet, som er en stor CO₂‑utleder, varer i gjennomsnitt kun omtrent ett århundre. I motsetning til moderne betong har gammel romersk betong vart mye lenger, i over 2 000 år. 

Gjenfangst av CO₂ kan også bidra til å gjøre betongen mer holdbar.

«Hvis du tilsetter CO₂, det såkalte ‘karbonatlagslaget’, blir den mer robust.»

– Nakano 

Dermed kan Allegro‑FM simulere en karbonnøytral betong som kan vare mye lenger enn sin nåværende levetid.

AI‑drevet sementdesign med Allegro‑FM

For eksperimentet anvendte teamet Allegro‑FM på en tobermorite 11 Å (T11A) krystall, et kalsiumsilikat‑hydrat (CSH) mineral som vanligvis finnes i naturen. Dette spesifikke mineralet finnes i gammel romersk betong.

Sement får mye oppmerksomhet som et karbonlagringsmateriale på grunn av sin evne til å fange karbon gjennom mineraliseringsprosessen. CO₂‑mineralisering skjer naturlig som en del av den geokjemiske syklusen. En mekanisk forståelse av dette er fortsatt avgjørende for å sikre langsiktig og sikker karbonlagring. 

Her kan avanserte simuleringer gi innsikt, men de er enten svært kostbare eller begrenset i kjemisk nøyaktighet. Skalerbare foundation‑modeller viser imidlertid lovende evner til nøyaktig å modellere sementens karbonlagringsatferd.

Dermed viser Allegro‑FM, utstyrt med generaliserbarhet, skalerbarhet, forutsigbarhet og beregningseffektivitet, betydelig potensial for å muliggjøre dynamiske simuleringer uten å gå på kompromiss med detaljene på atomskala.

Ifølge studien kan rammeverket brukes til å undersøke nanostrukturen til CSH‑gel, selvhelbredende sement og holdbar sementdesign, og gir en ny tilnærming for geofysiske vitenskaper og anvendelser innen byggteknikk. Den uttalte:

«Allegro‑FM viser utmerket samsvar med høy‑nivå kvantekjemi‑teorier når det gjelder beskrivelse av strukturelle, mekaniske og termodynamiske egenskaper, samtidig som den viser fremvoksende evner for strukturelle korrelasjoner, reaksjonskinetikk, mekanisk styrke, brudd og oppløsning av fast/​flytende, for hvilke modellen ikke har blitt trent.»

Fremtiden for materialforskning: AI erstatter kvantemekanikk

Bruken av AI har fullstendig endret spillereglene for forskere og ingeniører. Vanligvis ville simulering av atomers oppførsel krevd en presis serie matematiske formler eller «dype, komplekse kvantemekaniske fenomener». Dette var ikke bare svært teknisk, men også tregt.

Men ikke lenger. Fremveksten av AI, nærmere bestemt den teknologiske utviklingen de siste årene, har transformert hvordan forskere utfører sin forskning.

«Nå, på grunn av dette maskinlærings‑AI‑gjennombruddet, i stedet for å utlede all denne kvantemekanikken fra bunnen av, tar forskerne tilnærmingen med å generere et treningssett og deretter la maskinlæringsmodellen kjøre.»

– Nomura 

Modellene kan nå håndtere enorme datamengder samt større kompleksitet samtidig som de bruker færre ressurser. Dette har gjort hele prosessen mye raskere og mer effektiv. 

Faktisk kan Allegro‑FM forutsi «interaksjonsfunksjoner» mellom atomer nøyaktig. Hvordan atomer reagerer og interagerer med hverandre krever vanligvis mange individuelle simuleringer og utallige timer med beregninger.

Men i stedet for å gjøre ett element om gangen, med hver med ulike ligninger og flere unike funksjoner, tillater den nye AI‑en simulering av interaksjonsfunksjoner med hele det periodiske systemet samtidig, noe som betyr raskere simuleringer og flere materialalternativer. Nomura forklarte:

«Den tradisjonelle tilnærmingen er å simulere et bestemt sett av materialer. Så du kan simulere, la oss si, silikaglass, men du kan ikke simulere (det) med, la oss si, et legemolekyl.»

Teknologisk er også det nye systemet langt mer effektivt, med AI‑modeller som kan utføre presise beregninger som tidligere krevde en stor superdatamaskin. Dette forenkler oppgaver og gjør at superdatamaskiner kan brukes til mer avansert forskning.

Som Nakano bemerket, kan AI‑en «oppnå kvantemekanisk nøyaktighet med mye, mye mindre beregningsressurser.»

Denne studien viser noen briljante resultater, men det er fortsatt mye arbeid som gjenstår. Som Nomura sa, vil teamet fortsette sin betongstudie, og gå videre til «mer komplekse geometrier og overflater.»

Investering i grønn kjemi

Et av de største amerikanske kjemiselskapene, Dow (DOW ), investerer aktivt i bærekraftige materialer og karbonfangst‑teknologier. AI‑drevet simulering som Allegro‑FM gir et perfekt verktøy for selskaper som Dow til å utvikle grønnere kjemikalier. 

Dow Inc. (DOW )

Selskapet opererer gjennom flere ulike segmenter, inkludert Emballasje & spesialplast, Ytelsesmaterialer & belegg, samt industrielle mellomprodukter & infrastruktur.

Med en markedsverdi på 17,72 milliarder dollar handles Dow Inc.-aksjene til 25 $, ned 37,53 % år‑til‑dato. Den har en EPS (TTM) på 0,40 og en P/E (TTM) på 62,66. Utbytteavkastningen er 5,58 %.

Denne uken rapporterte selskapet sine Q2‑2025‑resultater, som viste en nedgang på 7 % år‑over‑år i nettoomsetning til 10,1 milliarder dollar og et 1 % år‑over‑år fall i volum.

Selskapets GAAP‑netto tap var 801 millioner dollar og GAAP‑tap per aksje på 1,18 $. Kontantstrøm fra driftsaktiviteter var negativ 470 millioner dollar. I denne perioden returnerte Dow 496 millioner dollar til aksjonærene gjennom utbytte.

I år inngikk selskapet et partnerskap med Google for å utvikle et AI‑sorteringssystem for å identifisere filmplast og blandede materialer. Systemet vil bruke Googles ML‑modeller, Dows kunnskap om materialdesign, og resirkuleringsteknologi fra Dows resirkuleringsfirma Circulus, for å identifisere resirkulerbare materialer basert på deres molekylære sammensetning.

Dow bruker også AI til å optimalisere sine kjemikalie‑ og materialproduksjonsprosesser. Teknologien gjør det mulig å overvåke og justere variabler i sanntid, og sikrer effektive prosesser og konsistente resultater.

Videre benytter selskapet AI i sin FoU‑innsats med mål om ikke bare å oppdage nye materialer, men også forbedre de eksisterende.

Siste nyheter og utviklinger for Dow Inc. (DOW) aksjer

Konklusjon

Betong er et kraftig materiale som brukes i stor grad i bygging på grunn av sin styrke, allsidighet, kostnadseffektivitet og holdbarhet. Men det er også ansvarlig for å slippe ut en betydelig mengde karbondioksid, noe som gjør det kritisk å søke etter alternativer. 

Den siste studien med Allegro‑FM‑verktøyet har oppnådd et enormt gjennombrudd i skalerbarhet for materialforskning, som kan muliggjøre simulering av milliarder av atomer samtidig, og lar oss revurdere materialene vi er avhengige av hver dag, som betong. 

Ved å tilby en ny måte å designe renere, mer holdbare materialer som betong på, kan AI bidra til å skape ikke bare sterkere bygninger, men også et renere miljø, og lede til en fremtid hvor materialer som betong ikke er en del av klimaproblemet, men snarere en løsning!

Klikk her for å lære hvordan vi kan overvinne betongs svakheter. 

Referanser:

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). Akselerering av beregningsbasert materialoppdagelse med kunstig intelligens og sky‑høyytelsesdatabehandling: fra storskala screening til eksperimentell validering. 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. Proteinstruktur og sekvensdesign med ekvivalent denoisings‑diffusjons‑probabilistiske modeller. Chem, 9(6), 1646–1664 (2023). Publisert 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. Et generativt kunstig intelligens‑rammeverk basert på en molekylær diffusjonsmodell for design av metall‑organiske rammer for karbonfangst. Communications Chemistry, 7(1), Article 21 (2024). Publisert online 14. februar 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: Toward an Equivariant Foundation Model for Exascale Molecular Dynamics Simulations.
5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Publisert online 20. juni 2025. https://doi.org/10.1021/acs.jpclett.5c00605