Allegro-FM: AI‑simulationer driver hållbar materialvetenskap

Artificiell intelligens (AI) gör många upptäckter inom materialvetenskapen. Alla dessa olika upptäckter är inte teoretiska, utan verkliga och påverkar ett brett spektrum av industrier. 

Till exempel använde Microsoft (MSFT ) AI (Azure Quantum Elements-verktyget) och högpresterande beräkning för att skanna 32 miljoner material för att begränsa¹ kandidaterna till endast 18 på 80 timmar, en process som normalt skulle ta flera år. Forskarnas syntetiserade också ett material som kan minska litiumanvändningen i batterier med 70%.

I ett annat fall använde MIT-forskare AI för att designa nya proteiner², som kan användas för att skapa material med vissa mekaniska egenskaper. Dessa material, som inte finns i naturen men är inspirerade av den, kan potentiellt ersätta de som tillverkas av petroleum och ha ett avsevärt mindre koldioxidavtryck.

Förutom att uppnå genombrott inom energilagring, batteriinnovation och biomedicinska material, utforskas AI aktivt av företag och forskare för att driva fram semiconductorteknik, rymdteknik, kemisk tillverkning och mer.

Ytterligare en kritisk användning av beräkningssystemens förmåga att utföra uppgifter som vanligtvis förknippas med mänsklig intelligens ses i skapandet av hållbara och gröna material.

Ett exempel på detta är IBMs (IBM ) RoboRXN, ett projekt som kombinerar AI, automation och moln för att påskynda materialupptäckt. Med detta fjärråtkomliga kemiska laboratorium möjliggör IBM autonom syntes och testning av nya molekyler. Laboratoriet används för att upptäcka biologiskt nedbrytbara polymerer.

Forskare använder också maskininlärning för att screena metallorganiska ramverk (MOFs) för koldioxidinfångning.

Koldioxidinfångning är en nyckelteknik för att minska växthusgasutsläpp (GHG) från industriella anläggningar. MOFs erbjuder här ett lovande alternativ tack vare deras förmåga att selektivt absorbera koldioxid.

Molekylerna i dessa porösa material har organiska noder, oorganiska noder och organiska länkar, som kan ordnas i olika konfigurationer, vilket möjliggör design och testning av många potentiella MOF-konfigurationer.

För att påskynda upptäcktsprocessen använde forskare från USA:s energidepartement (DOE) Argonne National Laboratory generativ AI³ för att snabbt sammanställa över 120 000 nya MOF-kandidater inom 30 minuter. Beräkningarna kördes på en superdator med tidskrävande molekylärdynamik‑simuleringar på de mest lovande kandidaterna.

Nu tar forskare från USC Viterbi School of Engineering itu med CO2‑utsläppen från betongindustrin, som står för cirka 8 % av de globala koldioxidutsläppen, främst genom cementproduktion.

Idén är att ha betong som inte bara självläker och håller ännu längre utan också kan fånga koldioxid från atmosfären; för detta har forskarna utvecklat en revolutionerande AI‑modell.

Denna mycket sofistikerade modell kan simulera beteendet hos miljarder atomer samtidigt, vilket öppnar nya möjligheter för materialdesign och upptäckt i en oöverträffad skala.

Problemet och lösningen: Kol i betong

Varje år ser vi en ökning både i frekvens och intensitet av torka, skogsbränder, regnstormar och orkaner. En stor bidragande faktor är den globala uppvärmningen, som är resultatet av ökade växthusgasutsläpp.

Växthusgasutsläpp avser utsläpp av gaser som koldioxid (CO2), metan (CH4) och lustgas (N2O) i atmosfären. Dessa gaser fångar värme och bidrar till global uppvärmning och klimatförändringar. 

De primära källorna till växthusgasutsläpp inkluderar energisektorn, transport, el- och värmeproduktion samt jordbruk. Tillverkning och byggnation är ytterligare en stor bidragande faktor, där byggmaterial som betong och stål har ett stort koldioxidavtryck. 

Betong, en nyckelkomponent i modern infrastruktur, finns överallt omkring oss, men problemet är att den medför stora växthusgasutsläpp.

Cement, som är en viktig beståndsdel i betong, står faktiskt för en betydande del av byggindustrins koldioxidavtryck. Tillverkningsprocessen för cement innebär kalkning av kalksten, vilket frigör stora mängder CO2, samt högtemperaturupphettning av material i ugnar, vilket kräver betydande energi. 

Eftersom cement är den mest konsumerade produkten på jorden efter vatten, är det avgörande att göra betong miljövänlig, annars kommer miljön fortsätta att förorenas med över en miljard ton CO2 årligen på grund av denna industri. En möjlig lösning på detta problem är att fånga den skadliga gasen i själva betongen.

“Du kan helt enkelt lägga CO2 i betongen, och då blir det en koldioxidneutral betong,” säger Aiichiro Nakano, professor vid USC Viterbi inom datavetenskap, fysik och astronomi samt kvantitativ och beräkningsbiologi.

Så började Nakano, tillsammans med sina kollegor vid USC Viterbi, forska på “CO2‑sequestrering”, en process som fångar och lagrar atmosfärisk koldioxid.

Även om CO2‑sequestrering är en lovande lösning för att uppnå koldioxidneutralitet genom att minska växthusgasutsläpp, är processen utmanande. För att hitta lösningen vände sig forskarna till AI.

I sitt arbete presenterade forskarteamet sin grundmodell (FM) för exascale molekylär dynamik‑simuleringar. För detta utnyttjar de E(3) equivariant nätverksarkitektur (Allegro), en typ av neuralt nätverk, samt en uppsättning stora organiska och oorganiska materialdatamängder.

Den resulterande modellen är Allegro-FM, som kan hantera olika material‑simuleringar för diverse efterföljande uppgifter.

Hur grundmodeller omvandlar materialvetenskap

För sin AI‑modell använde teamet grundmodellen (FM), som de påpekar är ett paradigmskifte inom AI och har förändrat deras sätt att träna modeller. 

En FM är en stor AI‑modell tränad på en massiv, diversifierad datamängd som kan anpassas för olika typer av efterföljande uppgifter. Dessa modeller är förtränade, vilket betyder att de inte kräver ytterligare träning för en specifik uppgift. 

Att generera en FM är extremt resurskrävande, men man behöver inte börja från början; modellen kan anpassas till en individuell uppgift genom prompting eller finjustering, vilket minskar både kostnad och tid för modellutveckling och datagenerering.

En vältränad FM kan finjusteras med mycket färre resurser, vilket möjliggör för någon med begränsade beräkningsresurser att integrera modellen i sitt arbetsflöde.

Som stora djupa inlärnings‑neurala nätverk är FM generella modeller som kan användas för att bygga mer specialiserade AI‑applikationer, inklusive kundsupport, innehållsgenerering, bildskapande och redigering, språköversättning, sjukvård och robotik.

Så kan dataforskare helt enkelt använda dessa modeller som en grund för att snabbt och kostnadseffektivt bygga sina egna maskininlärnings‑modeller (ML).

Microsoft‑stödda OpenAI:s GPT är ett av de vanligaste exemplen på FM. Dess allra första modell utvecklades 2018 med 117 miljoner parametrar, som ökades till 1,5 miljarder med GPT‑2, som släpptes året därpå. Sedan kom GPT‑3 2020, med ett 96‑lagers neuralt nätverk och tränad med 175 miljarder parametrar, vilka är justerbara numeriska värden inklusive vikter och bias som bestämmer hur modeller bearbetar in‑ och utdata.

Nu ryktas det att den senaste modellen, GPT‑4, har 1,76 biljon parametrar, vilket möjliggör generativa AI‑appar att producera mänskligt liknande innehåll.

Andra exempel på grundmodeller inkluderar Amazons (AMZN ) Nova, Anthropic’s Claude, Googles (GOOG ) Gemini, Metas (META ) LLaMA, och Stable Diffusion.

Med tanke på de många fördelarna med FM byggde forskarna vid USC Viterbi Allegro-FM, en grundmodell för exascale MD‑simuleringar. Deras modell är tränad på offentligt tillgängliga stora Materials Project Trajectory (MPtrj) och SPICE‑datamängder, anpassade med Total Energy Alignment (TEA)‑ramverket för exascale materialapplikationer.

Simulering av material kräver ofta ett stort antal atomer för att beskriva nyckelfunktioner som distinkta faser, fasgränser och korngränser, samt en exakt beskrivning av kemiska reaktioner. 

Enligt studien har Allegro stor potential och är särskilt lämplig för material‑simuleringar som kräver miljontals till miljarder atomer.

Allegro-FMs genombrott: Simulering av miljarder atomer

Publicerad i The Journal of Physical Chemistry Letters, studien beskriver⁴ AI‑modellen Allegro-FM och dess överlägsna kapacitet. Den AI‑drivna simuleringsmodellen har stor förmåga att simulera miljarder atomer samtidigt.

Genom att virtuellt testa olika betongkemier innan de testas i dyra verkliga experiment, kan Allegro-FM driva utvecklingen av betong, inte som en koldioxidkälla, utan som en koldioxidsluk.

Modellens skalbarhet är av avgörande betydelse här. Många befintliga molekylära simuleringsmetoder är begränsade till bara miljoner, om inte tusentals, atomer.

I kontrast kan Allegro-FM hantera mer än fyra miljarder atomer och visar 97,5 % effektivitet när den simuleras på Aurora, en exascale superdator som kan utföra över en kvintiljon beräkningar per sekund.

Detta är en enorm prestation, motsvarande beräkningskapacitet cirka 1 000‑gånger större än vad äldre modeller kan hantera.

Dessutom är den nya modellen flexibel och täcker 89 kemiska element. Således kan den användas för att förutsäga molekylbeteende för ett brett spektrum av tillämpningar, såsom cementkemi och koldioxidlagring.

“Betong är också ett mycket komplext material. Det består av många element och olika faser och gränssnitt. Så, traditionellt hade vi inget sätt att simulera fenomen som involverar betongmaterial. Men nu kan vi använda Allegro-FM för att simulera mekaniska egenskaper (och) strukturella egenskaper.”

– Ken-Ichi Nomura, professor i kemiteknik och materialvetenskap vid USC Viterbi, som har samarbetat med Nakano i över två decennier.

Simuleringarna som forskarna kör visar att Allegro-FM är koldioxidneutral, vilket gör den till ett mer lämpligt alternativ än annan betong. Intressant nog löser AI‑modellen även andra problem med betong. 

Det brandresistenta materialet, som är en stor CO2‑utsläppare, varar i genomsnitt bara omkring ett sekel. Till skillnad från modern betong har antik romersk betong varat mycket längre, över 2 000 år. 

Återinfångning av CO2 kan också hjälpa till att göra betongen mer hållbar.

“Om du lägger in CO2, den så kallade ‘karbonatlager’, blir den mer robust.”

– Nakano 

Alltså kan Allegro-FM simulera en koldioxidneutral betong som kan hålla mycket längre än dess nuvarande livslängd.

AI‑driven cementdesign med Allegro-FM

För experimentet applicerade teamet Allegro-FM på en tobermorite 11Å (T11A) kristall, ett kalciumsilikat‑hydrat (CSH) mineral som vanligtvis finns i naturen. Detta specifika mineral finns i antik romersk betong.

Cement får mycket uppmärksamhet som ett koldioxidlagringsmaterial på grund av dess förmåga att fånga kol genom mineraliseringsprocessen. CO2‑mineralisering sker naturligt som en del av den geokemiska cykeln. En mekanistisk förståelse av detta är fortfarande avgörande för att säkerställa långsiktig och säker koldioxidlagring. 

Här kan avancerade simuleringar ge insikter, men de är antingen beräkningsmässigt dyra eller begränsade i kemisk noggrannhet. Skalbara grundmodeller visar dock lovande möjligheter för exakt modellering av cementens koldioxidlagringsbeteende.

Alltså, Allegro-FM, utrustad med generaliserbarhet, skalbarhet, förutsägbarhet och beräknings‑effektivitet, visar betydande potential att möjliggöra dynamiska simuleringar utan att offra detaljer på atomnivå.

Enligt studien kan ramverket användas för att undersöka nanostrukturen av CSH‑gel, självläkande cement och hållbar cementdesign, och erbjuder ett nytt tillvägagångssätt för geovetenskap och civilingenjörsapplikationer. Den konstaterade:

“Allegro-FM uppvisar utmärkt överensstämmelse med hög‑nivå kvantkemi‑teorier när det gäller att beskriva strukturella, mekaniska och termodynamiska egenskaper, samtidigt som den visar framväxande förmågor för strukturella korrelationer, reaktionskinetik, mekanisk styrka, brott och solid/vätske‑upplösning, för vilka modellen inte har tränats.” 

Framtiden för materialforskning: AI ersätter kvantmekanik

Användningen av AI har fullständigt förändrat spelplanen för forskare och ingenjörer. Traditionellt skulle simulering av atomers beteende ha krävt en exakt serie matematiska formler eller ”djupgående, komplexa kvantmekaniska fenomen”. Och det var inte bara mycket tekniskt utan också långsamt.

Men inte längre. Framkomsten av AI, mer specifikt framstegen i teknologin under de senaste åren, har omvandlat hur forskare utför sin forskning.

“Nu, på grund av detta maskininlärnings‑AI‑genombrott, istället för att härleda all kvantmekanik från grunden, tar forskare ett tillvägagångssätt där de genererar en träningsuppsättning och låter maskininlärningsmodellen köra.”

– Nomura 

Modellerna kan nu hantera enorma datamängder samt större komplexitet med färre resurser. Detta har gjort hela processen mycket snabbare och effektivare. 

Faktum är att Allegro-FM kan förutsäga ”interaktionsfunktioner” mellan atomer exakt. Hur atomer reagerar och interagerar med varandra kräver normalt många individuella simuleringar och otaliga timmar av beräkning.

Men istället för att göra en element i taget, med varje med olika ekvationer och flera unika funktioner, tillåter den nya AI:n simulering av interaktionsfunktioner med hela periodiska systemet samtidigt, vilket betyder snabbare simuleringar och fler materialalternativ. Nomura förklarade:

“Det traditionella tillvägagångssättet är att simulera en viss uppsättning material. Så du kan simulera, låt säga, silikaglas, men du kan inte simulera (det) med, låt säga, en läkemedelsmolekyl.” 

Teknologiskt är också det nya systemet mycket effektivare med AI‑modeller som kan göra precisa beräkningar som tidigare krävde en stor superdator. Detta förenklar uppgifter och gör att superdatorer kan användas för mer avancerad forskning.

Som Nakano noterade kan AI “uppnå kvantmekanisk noggrannhet med mycket, mycket mindre beräkningsresurser.”

Denna studie visar några briljanta resultat, men det återstår mycket arbete. Som Nomura sade kommer teamet fortsätta sin betongstudie, gå vidare till “mer komplexa geometrier och ytor.”

Investering i grön kemi

Ett av de största amerikanska kemiföretagen, Dow (DOW ), investerar aktivt i hållbara material och koldioxidinfångning-teknologier. AI‑drivna simuleringar som Allegro-FM utgör ett perfekt verktyg för företag som Dow att utveckla grönare kemikalier. 

Dow Inc. (DOW )

Företaget verkar genom några olika segment, inklusive Förpackning & Specialplast, Prestandamaterial & Beläggningar, samt Industriella mellansteg & Infrastruktur.

Med ett marknadsvärde på 17,72 miljarder dollar handlas Dow Inc.-aktierna till 25 $, en nedgång på 37,53 % YTD. Företaget har ett EPS (TTM) på 0,40 och ett P/E (TTM) på 62,66. Utdelningsavkastningen är 5,58 %.

Denna vecka rapporterade företaget sina Q2‑2025 finansiella resultat, som visade en 7 % år‑till‑år minskning i nettoomsättningen till 10,1 miljarder dollar och en 1 % år‑till‑år minskning i volym. 

Företagets GAAP‑nettoförlust uppgick till 801 miljoner dollar och GAAP‑förlust per aktie till 1,18 $. Kassaflöde från verksamheten var minus 470 miljoner dollar. Under denna period återbetalade Dow 496 miljoner dollar till sina aktieägare via utdelningar.

I år samarbetade företaget med Google för att utveckla ett AI‑sorteringssystem för att identifiera filmplast och blandade material. Systemet kommer att använda Googles ML‑modeller, Dows kunskap om materialdesign och återvinningsteknik från Dows återvinningsföretag Circulus, för att identifiera återvinningsbara material baserat på deras molekylära sammansättning.

Dow använder också AI för att optimera sina kemikalie‑ och materialtillverkningsprocesser. Tekniken möjliggör realtidsövervakning och justering av variabler, vilket säkerställer effektiva processer och konsekventa resultat.

Dessutom använder de AI i sin FoU för att inte bara upptäcka nya material utan också förbättra befintliga.

Senaste Dow Inc. (DOW) Aktnyheter och utveckling

Slutsats

Betong är ett kraftfullt material, omfattande använt i byggnation på grund av sin styrka, mångsidighet, kostnadseffektivitet och hållbarhet. Men det är också ansvarigt för att släppa ut en betydande mängd koldioxid, vilket gör det kritiskt att söka alternativ. 

Den senaste studien med sitt Allegro-FM‑verktyg har uppnått ett enormt genombrott i skalbarhet för materialforskning som möjliggör simulering av miljarder atomer samtidigt, vilket låter oss ompröva material vi förlitar oss på varje dag, som betong. 

Genom att erbjuda ett nytt sätt att designa renare, längre‑hållbara material som betong, kan AI hjälpa till att skapa inte bara starkare byggnader utan också en renare miljö, vilket leder till en framtid där material som betong inte är en del av klimatproblemet utan snarare en lösning!

Klicka här för att lära dig hur vi kan övervinna betongs brister. 

Referenser:

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). Accelerating computational materials discovery with artificial intelligence and cloud high‑performance computing: from large‑scale screening to experimental validation. 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. Protein structure and sequence design with equivariant denoising diffusion probabilistic models. Chem, 9(6), 1646–1664 (2023). Publicerad 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. A generative artificial intelligence framework based on a molecular diffusion model for the design of metal‑organic frameworks for carbon capture. Communications Chemistry, 7(1), Article 21 (2024). Publicerad online 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: Toward an Equivariant Foundation Model for Exascale Molecular Dynamics Simulations.
5. The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Publicerad online 20 juni 2025. https://doi.org/10.1021/acs.jpclett.5c00605