Allegro-FM: Simulações de IA impulsionando a Ciência de Materiais Sustentáveis

A inteligência artificial (IA) está fazendo muitas descobertas no campo da ciência dos materiais. Todas essas diferentes descobertas não são teóricas, mas reais, impactando uma ampla gama de indústrias. 

Por exemplo, Microsoft (MSFT ) utilizou IA (ferramenta Azure Quantum Elements) e computação de alto desempenho para triagem de 32 milhões de materiais para reduzir¹ os candidatos para apenas 18 em questão de 80 horas, um processo que normalmente levaria vários anos. Os cientistas também sintetizaram um material que pode reduzir o uso de lítio em baterias em 70%.

Em outra situação, pesquisadores do MIT usaram IA para projetar novas proteínas², que poderiam ser usadas para criar materiais com certas propriedades mecânicas. Esses materiais, que não estão presentes na natureza mas são inspirados nela, poderiam potencialmente substituir aqueles feitos a partir do petróleo e ter uma pegada de carbono significativamente menor.

Além de alcançar avanços em armazenamento de energia, inovação de baterias e materiais biomédicos, a IA está sendo ativamente explorada por empresas e cientistas para avançar a tecnologia de semicondutores, aeroespacial, fabricação química e muito mais.

Ainda outro uso crítico da capacidade dos sistemas computacionais de executar tarefas tipicamente associadas à inteligência humana está sendo observado na criação de materiais sustentáveis e verdes.

Um exemplo disso é o RoboRXN da IBM’s (IBM ) RoboRXN, um projeto que combina IA, automação e nuvem para acelerar a descoberta de materiais. Com este laboratório químico acessível remotamente, a IBM está permitindo a síntese e teste autônomos de novas moléculas. O laboratório está sendo usado para descobrir polímeros biodegradáveis.

Pesquisadores também estão usando aprendizado de máquina para triagem de estruturas metal-orgânicas (MOFs) para captura de carbono.

A captura de carbono é uma tecnologia chave na redução de emissões de gases de efeito estufa (GEE) de instalações industriais. Os MOFs aqui oferecem um candidato promissor, graças à sua capacidade de absorver seletivamente dióxido de carbono.

As moléculas desses materiais porosos possuem nós orgânicos, nós inorgânicos e ligantes orgânicos, que podem ser organizados em diferentes configurações, permitindo o design e teste de inúmeras possíveis configurações de MOF.

Para acelerar o processo de descoberta, pesquisadores do Laboratório Nacional Argonne do Departamento de Energia dos EUA usaram³ IA generativa para montar rapidamente mais de 120.000 novos candidatos de MOF em 30 minutos. Os cálculos foram executados em um supercomputador com simulações de dinâmica molecular intensivas em tempo realizadas nos candidatos mais promissores.

Agora, pesquisadores da USC Viterbi School of Engineering estão abordando as emissões de CO2 da indústria do concreto, que é responsável por cerca de 8% das emissões globais de carbono, principalmente através da produção de cimento.

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.

A ideia é ter concreto que não apenas se auto-repara e dura ainda mais, mas que também pode capturar dióxido de carbono da atmosfera; para isso, os pesquisadores desenvolveram um modelo de IA revolucionário.

Este modelo altamente sofisticado pode simular o comportamento de bilhões de átomos simultaneamente, abrindo novas possibilidades para o design e descoberta de materiais em escala sem precedentes.

O Problema e a Solução: Carbono no Concreto

A cada ano, vemos um aumento na frequência e na intensidade de secas, incêndios florestais, tempestades de chuva e furacões. Um grande contribuinte para isso é o aquecimento global, que resulta do aumento das emissões de gases de efeito estufa.

Emissões de GEE referem-se à liberação de gases como dióxido de carbono (CO2), metano (CH4) e óxido nitroso (N2O) na atmosfera. Esses gases retêm calor e contribuem para o aquecimento global e as mudanças climáticas. 

Agora, as principais fontes de emissões de gases de efeito estufa incluem o setor energético, transporte, produção de eletricidade e calor, e agricultura. Manufatura e construção são outro grande contribuinte, com materiais de construção como concreto e aço tendo uma grande pegada de carbono. 

Um elemento chave da infraestrutura moderna, o concreto está em toda parte ao nosso redor, mas o problema é que ele apresenta um grande problema devido às massivas emissões de GEE.

O cimento, que é um componente chave do concreto, é na verdade responsável por uma parte substancial da pegada de carbono da indústria da construção. O processo de fabricação de cimento envolve a calcinação da calcária, que libera grandes quantidades de CO2, e o aquecimento em altas temperaturas dos materiais em fornos, exigindo energia significativa. 

Sendo o produto mais consumido na Terra após a água, é imperativo tornar o concreto ecológico, ou o meio ambiente continuará poluído com mais de um bilhão de toneladas métricas de CO2 anualmente devido a essa indústria. Uma solução potencial para esse problema é capturar o gás nocivo dentro do próprio concreto.

“Você pode simplesmente colocar o CO2 dentro do concreto, e então isso cria um concreto neutro em carbono,” disse Aiichiro Nakano, professor da USC Viterbi de ciência da computação, física e astronomia, e biologia quantitativa e computacional.

Então, Nakano, junto com seus colegas da USC Viterbi, começou a pesquisar “sequestro de CO2”, um processo que captura e armazena o dióxido de carbono atmosférico.

Embora seja uma solução promissora para alcançar a neutralidade de carbono reduzindo as emissões de GEE, o sequestro de CO2 é um processo desafiador. Para encontrar a solução, os pesquisadores recorreram à IA.

Em seu trabalho, a equipe de pesquisadores apresentou seu modelo de fundação (FM) para simulações de dinâmica molecular em exaescala. Para isso, eles estão aproveitando a arquitetura de rede equivariável E(3) (Allegro), um tipo de rede neural, e um conjunto de grandes bases de dados de materiais orgânicos e inorgânicos.

O modelo resultante é o Allegro-FM, que pode lidar com várias simulações de materiais para diversas tarefas downstream.

Como os Modelos de Fundação Estão Transformando a Ciência dos Materiais

Para seu modelo de IA, a equipe utilizou o modelo de fundação (FM), que, segundo eles, representa uma mudança de paradigma em IA e transformou sua forma de treinar modelos. 

Um FM é um grande modelo de IA treinado em um conjunto de dados massivo e diversificado que pode ser adaptado para diferentes tipos de tarefas downstream. Esses modelos são pré-treinados, o que significa que não requerem treinamento adicional em uma tarefa específica. 

Embora gerar um FM seja extremamente intensivo em recursos, não é necessário começar do zero; ao contrário, o modelo pode ser adaptado a uma tarefa individual por meio de prompting ou fine-tuning, reduzindo assim tanto o custo quanto o tempo necessários para o desenvolvimento do modelo e geração de dados.

Um FM bem treinado pode ser ajustado com muito menos recursos, permitindo que quem tem recursos computacionais modestos incorpore o modelo em seu fluxo de trabalho.

Como grandes redes neurais de aprendizado profundo, os FMs são modelos de uso geral que podem ser usados para construir aplicações de IA mais especializadas, incluindo suporte ao cliente, geração de conteúdo, criação e edição de imagens, tradução de idiomas, saúde e robótica.

Assim, cientistas de dados podem simplesmente usar esses modelos como base para construir seus próprios modelos de aprendizado de máquina (ML) de forma rápida e econômica.

O GPT da OpenAI, apoiado pela Microsoft, é um dos exemplos mais comuns de FM. Seu primeiro modelo foi desenvolvido em 2018 usando 117 milhões de parâmetros, que foram aumentados para 1,5 bilhão com o GPT-2, lançado no ano seguinte. Em seguida veio o GPT-3 em 2020, que possui uma rede neural de 96 camadas e foi treinado usando 175 bilhões de parâmetros, que são valores numéricos ajustáveis, incluindo pesos e vieses que determinam como os modelos processam entrada e saída.

Agora, seu modelo mais recente, o GPT-4, supostamente tem 1,76 trilhão de parâmetros, permitindo que aplicativos de IA generativa produzam conteúdo semelhante ao humano.

Outros exemplos de modelos de fundação incluem o Nova da Amazon’s (AMZN ), o Claude da Anthropic, o Gemini do Google’s (GOOG ), o LLaMA da Meta’s (META ) e o Stable Diffusion.

Dado os muitos benefícios dos FM, os pesquisadores da USC Viterbi construíram o Allegro-FM, um modelo de fundação para simulações de MD exascala. Seu modelo foi treinado em conjuntos de dados públicos de grande escala Materials Project Trajectory (MPtrj) e SPICE alinhados com a estrutura Total Energy Alignment (TEA) para aplicações de materiais em exascala.

A simulação de materiais tende a requerer um grande número de átomos para descrever características chave como fases distintas, limites de fase e limites de grão, bem como uma descrição precisa de reações químicas. 

Allegro, according to the study, has great potential and is particularly suitable for materials simulations that require millions to billions of atoms.

Avanço do Allegro-FM: Simulando Bilhões de Átomos

Publicado no The Journal of Physical Chemistry Letters, o estudo detalha o modelo de IA Allegro-FM e suas capacidades superiores. O modelo de simulação impulsionado por IA traz grande capacidade de simular bilhões de átomos de uma só vez.

Ao testar diferentes químicas de concreto virtualmente antes de testá-las em experimentos reais e caros, o Allegro-FM pode avançar o desenvolvimento do concreto, não como fonte de carbono, mas como um sumidouro de carbono.

A escalabilidade dos modelos é de grande importância aqui. O fato é que muitos métodos de simulação molecular já existem, mas eles são limitados a apenas milhões, senão milhares, de átomos.

Em contraste, o Allegro-FM pode lidar com mais de quatro bilhões de átomos, apresentando 97,5% de eficiência quando simulado no Aurora, um supercomputador exascale que pode realizar mais de um quintilhão de cálculos por segundo.

Isso é um feito enorme, representando capacidade computacional cerca de 1.000 vezes maior do que os modelos mais antigos podem suportar.

Além disso, o novo modelo é flexível, cobrindo 89 elementos químicos. Portanto, pode ser usado para prever o comportamento molecular para uma vasta variedade de aplicações, como química do cimento e armazenamento de carbono.

“O concreto também é um material muito complexo. Consiste em muitos elementos e diferentes fases e interfaces. Então, tradicionalmente, não tínhamos como simular fenômenos envolvendo material de concreto. Mas agora podemos usar este Allegro-FM para simular propriedades mecânicas (e) propriedades estruturais.”

– Ken-Ichi Nomura, professor da USC Viterbi de engenharia química e prática de ciência dos materiais, com quem Nakano colabora há mais de duas décadas.

As simulações realizadas pelos pesquisadores mostram que o Allegro-FM é neutro em carbono, tornando-o uma opção mais adequada que outros concretos. Interessantemente, o modelo de IA resolve ainda outros problemas com o concreto. 

O material resistente ao fogo, que é um grande emissor de CO2, dura em média cerca de um século. Ao contrário do concreto moderno, o concreto romano antigo durou muito mais, por mais de 2.000 anos. 

A recaptura de CO2 também pode ajudar a tornar o concreto mais durável.

“Se você colocar o CO2, a chamada ‘camada de carbonato’, ele se torna mais robusto.”

– Nakano 

Portanto, o Allegro-FM pode simular um concreto neutro em carbono que pode durar muito mais que sua vida útil atual.

Design de Cimento Impulsionado por IA com Allegro-FM

Para o experimento, a equipe aplicou o Allegro-FM a um cristal tobermorita 11Å (T11A), um mineral de hidróxido de silicato de cálcio (CSH) comumente encontrado na natureza. Este mineral específico é encontrado no concreto romano antigo.

O cimento está ganhando muita atenção como material de armazenamento de carbono devido à sua capacidade de capturar carbono através do processo de mineralização. A mineralização de CO2 ocorre naturalmente como parte do ciclo geoquímico. Uma compreensão mecanística disso ainda é crucial para garantir armazenamento de carbono de longo prazo e seguro. 

Aqui, simulações avançadas podem fornecer insights, mas são ou computacionalmente caras ou limitadas em precisão química. Modelos de fundação escaláveis, porém, mostram promessa para modelar com precisão o comportamento de armazenamento de carbono do cimento.

Assim, o Allegro-FM, equipado com generalização, escalabilidade, previsibilidade e eficiência computacional, demonstra promessa significativa em habilitar simulações dinâmicas sem sacrificar os detalhes em escala atômica.

De acordo com o estudo, a estrutura pode ser utilizada na investigação da nanostrutura do gel CSH, cimento auto-regenerativo e design de cimento durável, proporcionando uma nova abordagem para aplicações de ciência geofísica e engenharia civil. Ele afirmou:

“O Allegro-FM apresenta excelente concordância com teorias de química quântica de alto nível ao descrever propriedades estruturais, mecânicas e termodinâmicas, ao mesmo tempo que exibe capacidades emergentes para correlações estruturais, cinética de reação, resistências mecânicas, fratura e dissolução sólido/líquido, para as quais o modelo não foi treinado.” 

O Futuro da Pesquisa de Materiais: IA Substituindo a Mecânica Quântica

O uso de IA mudou completamente o jogo para cientistas e engenheiros. Normalmente, simular o comportamento de átomos exigiria uma série precisa de fórmulas matemáticas ou “fenômenos profundos de mecânica quântica”. E isso não era apenas muito técnico, mas também lento.

Mas não mais. O advento da IA, mais especificamente o avanço da tecnologia nos últimos anos, transformou como os cientistas conduzem suas pesquisas.

“Agora, por causa desse avanço de IA de aprendizado de máquina, em vez de derivar toda essa mecânica quântica do zero, os pesquisadores estão adotando a abordagem de gerar um conjunto de treinamento e então deixar o modelo de aprendizado de máquina rodar.”

– Nomura 

Os modelos agora podem lidar com volumes enormes de dados, bem como mais complexidade, usando menos recursos. Isso tornou todo o processo muito mais rápido e eficiente. 

De fato, o Allegro-FM pode prever “funções de interação” entre átomos com precisão. Como átomos reagem e interagem normalmente requer muitas simulações individuais e incontáveis horas de cálculo.

Mas em vez de fazer um elemento de cada vez, com cada um tendo equações diferentes e várias funções únicas, a nova IA permite a simulação de funções de interação com toda a tabela periódica ao mesmo tempo, o que significa simulações mais rápidas e mais opções de materiais. Nomura explicou:

“A abordagem tradicional é simular um certo conjunto de materiais. Então, você pode simular, digamos, vidro de sílica, mas não pode simular (isso) com, digamos, uma molécula de medicamento.” 

Tecnicamente, também, o novo sistema é muito mais eficiente, com modelos de IA capazes de fazer cálculos precisos que antes exigiam um grande supercomputador. Isso simplifica tarefas e permite que supercomputadores sejam usados para pesquisas mais avançadas.

Como Nakano observou, a IA pode “alcançar precisão mecânica quântica com recursos computacionais muito, muito menores.”

Este estudo mostra resultados brilhantes, mas ainda há muito trabalho a ser feito. Como disse Nomura, a equipe continuará sua pesquisa sobre concreto, avançando para “geometrias e superfícies mais complexas.”

Investindo em Química Verde

Uma das maiores empresas químicas dos EUA, Dow (DOW ), investe ativamente em materiais sustentáveis e tecnologias de captura de carbono. Simulações impulsionadas por IA como o Allegro-FM apresentam uma ferramenta perfeita para empresas como a Dow desenvolverem produtos químicos mais verdes. 

Dow Inc. (DOW )

A empresa opera através de alguns segmentos diferentes, incluindo Embalagens & Plásticos Especiais, Materiais de Desempenho & Revestimentos, e Intermediários Industriais & Infraestrutura.

Com uma capitalização de mercado de US$ 17,72 bilhões, as ações da Dow Inc. estão sendo negociadas a US$ 25, com queda de 37,53% no ano. Possui um EPS (TTM) de 0,40 e um P/E (TTM) de 62,66. O rendimento de dividendos disponível é de 5,58%.

Esta semana, a empresa divulgou seus resultados financeiros do 2º trimestre de 2025, que revelaram uma queda de 7% ao ano nas vendas líquidas para US$ 10,1 bilhões e queda de 1% ao ano no volume. 

O prejuízo líquido GAAP da empresa foi de US$ 801 milhões e perda por ação GAAP de US$ 1,18. O caixa das atividades operacionais foi negativo em US$ 470 milhões. Durante esse período, a Dow devolveu US$ 496 milhões aos acionistas por meio de dividendos.

Este ano, a empresa fez parceria com o Google para desenvolver um sistema de classificação de IA para identificar filmes plásticos e materiais mistos. O sistema utilizará os modelos de ML do Google, o conhecimento de design de materiais da Dow e a tecnologia de reciclagem da empresa de reciclagem da Dow, Circulus, para identificar materiais recicláveis com base em sua composição molecular.

A Dow também utiliza IA para otimizar seus processos de fabricação de produtos químicos e materiais. A tecnologia permite monitorar e ajustar variáveis em tempo real, garantindo processos eficientes e resultados consistentes.

Além disso, emprega IA em seus esforços de P&D com o objetivo de não apenas descobrir novos materiais, mas também melhorar os existentes.

Últimas Notícias e Desenvolvimentos das Ações da Dow Inc. (DOW)

Conclusão

O concreto é um material poderoso, amplamente utilizado na construção devido à sua resistência, versatilidade, custo-benefício e durabilidade. Mas também é responsável por emitir uma quantidade significativa de dióxido de carbono, tornando crítico buscar alternativas. 

O estudo mais recente com sua ferramenta Allegro-FM alcançou um avanço massivo em escalabilidade para a pesquisa de materiais que pode permitir simulações de bilhões de átomos de uma só vez, permitindo repensar os materiais dos quais dependemos diariamente, como o concreto. 

Ao oferecer uma nova forma de projetar materiais mais limpos e duradouros, como o concreto, a IA pode ajudar a criar não apenas edifícios mais fortes, mas também um ambiente mais limpo, levando a um futuro onde materiais como o concreto não sejam parte do problema climático, mas sim uma solução!

Clique aqui para aprender como podemos superar as deficiências do concreto. 

Referências:

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). Acelerando a descoberta computacional de materiais com inteligência artificial e computação em nuvem de alto desempenho: da triagem em larga escala à validação experimental. 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. Projeto de estrutura e sequência de proteínas com modelos probabilísticos de difusão de denoising equivariantes. Chem, 9(6), 1646–1664 (2023). Publicado em online 20 de abril de 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. Uma estrutura de inteligência artificial generativa baseada em um modelo de difusão molecular para o design de estruturas metal‑orgânicas para captura de carbono. Communications Chemistry, 7(1), Article 21 (2024). Publicado em online 14 de fevereiro de 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: Rumo a um Modelo de Fundação Equivariante para Simulações de Dinâmica Molecular em Exaescala.
5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Publicado em online 20 de junho de 2025. https://doi.org/10.1021/acs.jpclett.5c00605