Allegro-FM: Mga Simulasyon ng AI na Nagpapasulong ng Napapanatiling Agham ng Materyales

Ang artificial intelligence (AI) ay gumagawa ng maraming tuklas sa larangan ng agham ng materyales. Ang lahat ng mga tuklas na ito ay hindi teoretikal, kundi totoong mga tuklas na nakaaapekto sa malawak na hanay ng mga industriya. 

Halimbawa, ang Microsoft (MSFT ) ay gumamit ng AI (kasangkapan na Azure Quantum Elements) at high-performance computing upang i-screen ang 32 milyong materyales upang paikliin ang mga kandidato sa lamang 18 sa loob ng 80 oras¹, isang proseso na karaniwang tumatagal ng ilang taon. Ang mga siyentipiko ay nagsintetisa rin ng isang materyal na maaaring magpababa ng paggamit ng Lithium sa mga baterya ng 70%.

Sa isa pang halimbawa, ang mga mananaliksik ng MIT ay gumamit ng AI upang magdisenyo ng mga bagong protina², na maaaring magamit upang gumawa ng mga materyales na may tiyak na mekanikal na katangian. Ang mga materyales na ito, na wala sa kalikasan ngunit hango rito, ay maaaring pumalit sa mga gawa mula sa petrolyo at may mas maliit na carbon footprint.

Bukod sa pag-abot ng mga breakthrough sa pag-iimbak ng enerhiya, inobasyon sa baterya, at biomedical na materyales, ang AI ay aktibong sinusuri ng mga kumpanya at siyentipiko upang paunlarin ang teknolohiya ng semiconductor, aerospace, paggawa ng kemikal, at iba pa.

Isa pang mahalagang paggamit ng kakayahan ng mga sistemang kompyuter na magsagawa ng mga gawain na karaniwang iniuugnay sa katalinuhan ng tao ay nakikita sa paglikha ng napapanatiling at berde na mga materyales.

Isang halimbawa nito ay ang RoboRXN ng IBM (IBM ), isang proyekto na pinagsasama ang AI, awtomasyon, at cloud upang pabilisin ang pagtuklas ng materyales. Sa pamamagitan ng remote na chemical laboratory na ito, pinapahintulutan ng IBM ang autonomous synthesis at testing ng mga bagong molekula. Ang laboratoryo ay ginagamit upang tuklasin ang mga biodegradable polymer.

Gumagamit din ang mga mananaliksik ng machine learning upang i-screen ang metal-organic frameworks (MOFs) para sa pagkuha ng carbon.

Ang pagkuha ng carbon ay isang pangunahing teknolohiya sa pagbabawas ng greenhouse gas (GHG) emissions mula sa mga industriyal na pasilidad. Ang mga MOF dito ay nag-aalok ng isang pangakong kandidato, salamat sa kanilang kakayahang selektibong sumipsip ng carbon dioxide.

Ang mga molekula ng mga porous na materyales na ito ay may organic nodes, inorganic nodes, at organic linkers, na maaaring ayusin sa iba’t ibang konfigurasyon, na nagbibigay-daan sa disenyo at pagsubok ng maraming posibleng konfigurasyon ng MOF.

Upang mapabilis ang proseso ng pagtuklas, gumamit ang mga mananaliksik mula sa U.S. Department of Energy’s (DOE) Argonne National Laboratory ng³ ng generative AI upang mabilis na buuin ang higit sa 120,000 bagong kandidato ng MOF sa loob ng 30 minuto. Ang mga kalkulasyon ay pinatakbo sa isang supercomputer na may time-intensive molecular dynamics simulations na isinagawa sa mga pinaka-promising na kandidato.

Ngayon, ang mga mananaliksik mula sa USC Viterbi School of Engineering ay tinatalakay ang CO2 emissions ng industriya ng kongkreto, na responsable sa humigit-kumulang 8% ng pandaigdigang carbon emissions, pangunahing sa pamamagitan ng produksyon ng semento.

Ang ideya ay magkaroon ng kongkreto na hindi lamang nag-aayos ng sarili at tumatagal pa nang mas mahaba kundi maaari ring mahuli ang carbon dioxide mula sa atmospera; para dito, nakabuo ang mga mananaliksik ng isang rebolusyonaryong AI model.

Ang napaka-sophisticated na modelong ito ay maaaring magsimula ng pag-uugali ng bilyong atom nang sabay-sabay, na nagbubukas ng mga bagong posibilidad para sa disenyo at pagtuklas ng mga materyales sa isang hindi pa nagagawang sukat.

Ang Problema at ang Solusyon: Carbon sa Kongkreto

Bawat taon, nakikita natin ang pagtaas sa dalas pati na rin sa tindi ng mga tagtuyot, kagubatang nagbabaga, bagyo, at bagyo. Isang pangunahing sanhi nito ay ang global warming, na resulta ng pagtaas ng greenhouse gas emissions.

Ang GHG emissions ay tumutukoy sa paglabas ng mga gas tulad ng carbon dioxide (CO2), methane (CH4), at nitrous oxide (N2O) sa atmospera. Ang mga gas na ito ay humahawak ng init at nag-aambag sa global warming at pagbabago ng klima. 

Sa ngayon, ang mga pangunahing pinagmumulan ng greenhouse gas emissions ay kinabibilangan ng sektor ng enerhiya, transportasyon, produksyon ng kuryente at init, at agrikultura. Ang pagmamanupaktura at konstruksyon ay isa pang malaking kontribyutor, kung saan ang mga materyales ng gusali tulad ng kongkreto at bakal ay may malaking carbon footprint. 

Isang pangunahing elemento ng modernong imprastruktura, ang kongkreto ay nasa paligid natin, ngunit ang problema ay nagdudulot ito ng malaking suliranin dahil sa napakalaking GHG emissions.

Ang semento, na pangunahing sangkap ng kongkreto, ay talagang responsable para sa malaking bahagi ng carbon footprint ng industriya ng konstruksyon. Ang proseso ng paggawa ng semento ay kinabibilangan ng calcination ng limestone, na naglalabas ng malaking dami ng CO2, at ang mataas na temperatura ng pag-init ng mga materyales sa mga kiln, na nangangailangan ng malaking enerhiya. 

Bilang pinakamataas na kinukonsumo na produkto sa mundo pagkatapos ng tubig, napakahalaga na gawing eco-friendly ang kongkreto, kung hindi ay magpapatuloy ang kapaligiran na madumihan ng higit sa isang bilyong metric tons ng CO2 taun-taon dahil sa industriyang ito. Ang isang posibleng solusyon sa problemang ito ay ang pagharang ng mapaminsalang gas sa loob mismo ng kongkreto.

“Maaari mo lamang ilagay ang CO2 sa loob ng kongkreto, at magiging carbon-neutral na kongkreto iyon,” sabi ni Aiichiro Nakano, isang propesor sa USC Viterbi ng computer science, physics at astronomy, at quantitative at computational biology.

Kaya, si Nakano, kasama ang kanyang mga kasamahan sa USC Viterbi, ay nagsimulang magsaliksik sa “CO2 sequestration,” isang proseso na kumukuha at nag-iimbak ng carbon dioxide mula sa atmospera.

Bagaman isang pangakong solusyon upang makamit ang carbon neutrality sa pamamagitan ng pagbawas ng GHG emissions, ang CO2 sequestration ay isang hamong proseso. Upang mahanap ang solusyon, lumapit ang mga mananaliksik sa AI.

Sa kanilang trabaho, ipinakita ng pangkat ng mga mananaliksik ang kanilang foundation model (FM) para sa exascale molecular dynamics simulations. Para dito, sinasamantala nila ang E(3) equivariant network architecture (Allegro), isang uri ng neural network, at isang hanay ng malalaking data set ng organik at inorganik na materyales.

Ang nagresultang modelo ay Allegro-FM, na maaaring humawak ng iba’t ibang simulation ng materyales para sa iba’t ibang downstream na gawain.

Paano Binabago ng mga Foundation Model ang Agham ng Materyales

Para sa kanilang AI model, ginamit ng pangkat ang foundation model (FM), na binigyang-diin na ito ay isang paradigm shift sa AI at binago ang kanilang paraan ng pagsasanay ng modelo. 

Ang FM ay isang malaking AI model na sinanay sa isang napakalaki at magkakaibang dataset na maaaring iangkop para sa iba’t ibang uri ng downstream na gawain. Ang mga modelong ito ay pre-trained, na nangangahulugang hindi na kailangan pang muling sanayin para sa isang tiyak na gawain. 

Bagaman ang paglikha ng FM ay napaka-resource-intensive, hindi kailangang magsimula mula sa simula; sa halip, maaaring iangkop ang modelo sa isang partikular na gawain sa pamamagitan ng prompting o fine-tuning, na nagbabawas ng parehong gastos at oras na kinakailangan para sa pag-develop ng modelo at pagbuo ng data.

Ang isang mahusay na sinanay na FM ay maaaring i-fine-tune gamit ang mas kaunting resources, na nagpapahintulot sa sinumang may katamtamang computing resources na isama ang modelo sa kanilang workflow.

Bilang malalaking deep learning neural networks, ang mga FM ay mga general-purpose na modelo na maaaring gamitin upang bumuo ng mas espesyal na AI applications, kabilang ang customer support, content generation, paglikha at pag-edit ng imahe, pagsasalin ng wika, pangangalagang pangkalusugan, at robotics.

Kaya, maaaring gamitin ng mga data scientist ang mga modelong ito bilang pundasyon upang mabilis at matipid na makabuo ng kanilang sariling machine learning (ML) models.

Ang GPT ng OpenAI na suportado ng Microsoft ay isa sa mga pinakakaraniwang halimbawa ng FM. Ang unang modelo nito ay binuo noong 2018 gamit ang 117 milyong parameters, na pinalaki sa 1.5 bilyon sa GPT-2, na inilabas noong sumunod na taon. Pagkatapos ay sumunod ang GPT-3 noong 2020, na may 96-layer neural network at sinanay gamit ang 175 bilyong parameters, na mga adjustable na numerong halaga kabilang ang weights at biases na tumutukoy kung paano pinoproseso ng mga modelo ang input at output.

Ngayon, ang pinakabagong modelo nito, ang GPT-4, ay inaasahang may 1.76 trilyong parameters, na nagpapahintulot sa mga generative AI app na lumikha ng nilalaman na kahawig ng tao.

Iba pang halimbawa ng foundation models ay ang Nova ng Amazon (AMZN ), Claude ng Anthropic, Gemini ng Google (GOOG ), LLaMA ng Meta (META ), at Stable Diffusion.

Dahil sa maraming benepisyo ng FM, ang mga mananaliksik ng USC Viterbi ay nagbuo ng Allegro-FM, isang foundation model para sa exascalable MD simulations. Ang kanilang modelo ay sinanay sa pampublikong magagamit na malalaking dataset ng Materials Project Trajectory (MPtrj) at SPICE na naka-align sa Total Energy Alignment (TEA) framework para sa exascale na aplikasyon ng materyales.

Ang simulation ng mga materyales ay karaniwang nangangailangan ng malaking bilang ng mga atom upang ilarawan ang mga pangunahing katangian tulad ng magkakaibang yugto, mga hangganan ng yugto, at mga grain boundaries, pati na rin ang tumpak na paglalarawan ng mga kemikal na reaksyon. 

Allegro, ayon sa pag-aaral, ay may malaking potensyal at partikular na angkop para sa mga simulation ng materyales na nangangailangan ng milyun-milyong hanggang bilyong atom.

Ang Breakthrough ng Allegro-FM: Pagsasagawa ng Simulasyon ng Bilyong Atom

Inilathala sa The Journal of Physical Chemistry Letters, ang detalye ng pag-aaral⁴ ang AI model na Allegro-FM at ang kahusayan nito. Ang AI-driven simulation model ay may malaking kakayahan na magsimula ng bilyong atom nang sabay-sabay.

Sa pamamagitan ng pagsubok ng iba’t ibang kemistri ng kongkreto nang virtual bago ito subukan sa magastos na totoong eksperimento, maaaring itaguyod ng Allegro-FM ang pag-unlad ng kongkreto, hindi bilang pinagmumulan ng carbon, kundi bilang carbon sink.

Ang scalability ng mga modelo ay may pangunahing kahalagahan dito. Ang katotohanan ay, marami nang mga molecular simulation method ang umiiral, ngunit limitado lamang ito sa milyong, kung hindi libu-libong atom.

Sa kabilang banda, kayang hawakan ng Allegro-FM ang higit sa apat na bilyong atom habang nagpapakita ng 97.5% na kahusayan kapag sinimulate sa Aurora, isang exascale supercomputer na maaaring magsagawa ng higit sa isang quintillion na kalkulasyon kada segundo.

Ito ay isang napakalaking tagumpay, na kumakatawan sa kakayahan sa pag-compute na halos 1,000 beses na mas malaki kaysa sa kayang hawakan ng mga mas lumang modelo.

Bukod pa rito, ang bagong modelo ay flexible, sumasaklaw sa 89 na elementong kemikal. Kaya, maaari itong magamit upang hulaan ang pag-uugali ng molekula para sa napakalawak na hanay ng mga aplikasyon, tulad ng kimika ng semento at pag-iimbak ng carbon.

“Ang kongkreto ay isang napaka-komplikadong materyal. Binubuo ito ng maraming elemento at iba’t ibang yugto at interface. Kaya, tradisyonal, wala tayong paraan upang magsimula ng mga phenomenon na may kinalaman sa materyal na kongkreto. Ngunit ngayon maaari naming gamitin ang Allegro-FM upang magsimula ng mga mekanikal na katangian (at) mga estruktural na katangian.”

– Ken-Ichi Nomura, isang propesor sa USC Viterbi ng chemical engineering at materials science practice, na nakipagtulungan kay Nakano sa loob ng higit dalawang dekada.

Ipinapakita ng mga simulation na ginawa ng mga mananaliksik na ang Allegro-FM ay carbon neutral, na ginagawa itong mas angkop na opsyon kaysa sa ibang kongkreto. Nakakatuwang, ang AI model ay nalulutas din ang iba pang mga problema sa kongkreto. 

Ang fire-resistant na materyal, na pangunahing naglalabas ng CO2, ay tumatagal lamang ng humigit-kumulang isang siglo sa karaniwan. Hindi tulad ng modernong kongkreto, ang sinaunang Romanong kongkreto ay tumatagal nang mas matagal, higit sa 2,000 taon. 

Ang muling pagkuha ng CO2 ay maaari ring makatulong upang gawing mas matibay ang kongkreto.

“Kung ilalagay mo ang CO2, ang tinatawag na ‘carbonate layer,’ nagiging mas matibay ito.”

– Nakano 

Kaya, maaaring magsimula ang Allegro-FM ng carbon-neutral na kongkreto na maaaring tumagal nang mas mahaba kaysa sa kasalukuyang buhay nito.

Disenyo ng Semento na Pinapagana ng AI gamit ang Allegro-FM

Para sa eksperimento, inilapat ng pangkat ang Allegro-FM sa isang tobermorite 11Å (T11A) crystal, isang calcium silicate hydrate (CSH) mineral na karaniwang matatagpuan sa kalikasan. Ang partikular na mineral na ito ay matatagpuan sa sinaunang Romanong kongkreto.

Ang semento ay nakakatanggap ng maraming pansin bilang isang carbon-storage na materyal dahil sa kakayahan nitong mahuli ang carbon sa pamamagitan ng proseso ng mineralization. Ang mineralization ng CO2 ay nangyayari nang natural bilang bahagi ng geochemical cycle. Ang mekanistikong pag-unawa sa prosesong ito ay mahalaga pa rin upang matiyak ang pangmatagalan at ligtas na pag-iimbak ng carbon. 

Dito, ang mga advanced na simulation ay maaaring magbigay ng mga insight, ngunit ito ay maaaring maging napakamahal sa computation o limitado sa kemikal na katumpakan. Ang scalable na foundation models, gayunpaman, ay nagpapakita ng pangako para sa tumpak na pagmomodelo ng pag-uugali ng carbon storage ng semento.

So, ang Allegro-FM, na may kasamang generalizability, scalability, predictability, at computational efficiency, ay nagpapakita ng malaking pangako sa pagpapahintulot ng dinamika na simulation nang hindi isinasakripisyo ang mga detalye sa antas ng atom.

Ayon sa pag-aaral, maaaring gamitin ang framework sa pagsisiyasat ng nanostructure ng CSH gel, self-healing na semento, at disenyo ng matibay na semento, na nagbibigay ng isang bagong paraan para sa agham ng geophysical at mga aplikasyon ng civil engineering. Ito ay nagsabi:

“Ang Allegro-FM ay nagpapakita ng mahusay na pagkakatugma sa mga high-level na teorya ng quantum chemistry sa paglalarawan ng mga estruktural, mekanikal, at thermodynamic na katangian, habang nagpapakita ng mga emergent na kakayahan para sa structural correlations, reaction kinetics, mechanical strengths, fracture, at solid/liquid dissolution, na hindi pa nasanay ang modelo.” 

Ang Hinaharap ng Pananaliksik sa Materyales: AI na Pinapalitan ang Quantum Mechanics

Ang paggamit ng AI ay ganap na nagbago ng laro para sa mga siyentipiko at inhinyero. Karaniwan, ang pagsasagawa ng simulation ng pag-uugali ng mga atom ay mangangailangan ng isang tumpak na serye ng mga matematikal na pormula o “malalim, malalim na quantum mechanics phenomena.” At hindi lamang ito napakateknikal kundi mabagal din.

Ngunit hindi na ngayon. Ang pagdating ng AI, lalo na ang pag-unlad ng teknolohiya sa nakaraang ilang taon, ay nagbago kung paano isinasagawa ng mga siyentipiko ang kanilang pananaliksik.

“Ngayon, dahil sa breakthrough ng machine-learning AI na ito, sa halip na i-derive ang lahat ng quantum mechanics mula sa simula, ang mga mananaliksik ay gumagamit ng pamamaraan ng pagbuo ng training set at pagkatapos ay hayaan ang machine learning model na tumakbo.”

– Nomura 

Ang mga modelo ay ngayon kayang humawak ng napakalaking dami ng data pati na rin ng mas kumplikadong gawain habang gumagamit ng mas kaunting resources. Ito ay nagpadali at nagpagaling ng buong proseso. 

Sa katunayan, kayang hulaan ng Allegro-FM ang mga “interaction functions” sa pagitan ng mga atom nang tumpak. Ang kung paano nagre-react at nag-iinteract ang mga atom sa isa’t isa ay karaniwang nangangailangan ng maraming indibidwal na simulation at hindi mabilang na oras ng kalkulasyon.

Ngunit sa halip na gawin isa-isang elemento, na bawat isa ay may iba’t ibang ekwasyon at ilang natatanging function, ang bagong AI ay nagpapahintulot sa simulation ng interaction functions gamit ang buong periodic table nang sabay-sabay, na nangangahulugang mas mabilis na simulation at mas maraming opsyon sa materyales. Ipinaliwanag ni Nomura:

“Ang tradisyunal na pamamaraan ay magsimula ng isang tiyak na hanay ng mga materyales. Halimbawa, maaari mong simulan ang silica glass, ngunit hindi mo maaaring simulan iyon kasama, halimbawa, isang drug molecule.” 

Sa teknolohikal na aspeto, ang bagong sistema ay mas epektibo dahil ang mga AI model ay kayang gumawa ng tumpak na kalkulasyon na dati ay nangangailangan ng malaking supercomputer. Pinapasimple nito ang mga gawain at nagpapahintulot sa mga supercomputer na magamit para sa mas advanced na pananaliksik.

Ayon kay Nakano, ang AI ay maaaring “makamit ang quantum mechanical na katumpakan gamit ang mas maliit na computing resources.”

Ipinapakita ng pag-aaral na ito ang ilang kahanga-hangang resulta, ngunit marami pang trabaho ang kailangang gawin. Ayon kay Nomura, ipagpapatuloy ng koponan ang kanilang pananaliksik sa kongkreto, lumilipat sa “mas kumplikadong geometry at mga ibabaw.”

Pamumuhunan sa Green Chemistry

Isa sa pinakamalaking kumpanya ng kemikal sa U.S., ang Dow (DOW ) ay aktibong namumuhunan sa napapanatiling mga materyales at mga teknolohiya ng carbon capture. Ang AI-driven simulation tulad ng Allegro-FM ay nagiging perpektong kasangkapan para sa mga kumpanyang tulad ng Dow upang makabuo ng mas berde na kemikal. 

Dow Inc. (DOW )

Ang kumpanya ay nagpapatakbo sa ilang iba’t ibang segment, kabilang ang Packaging & Specialty Plastics, Performance Materials & Coatings, at Industrial Intermediates & Infrastructure.

Sa market cap na $17.72 bilyon, ang mga shares ng Dow Inc. ay nagte-trade sa $25, bumaba ng 37.53% YTD. Mayroon itong EPS (TTM) na 0.40 at P/E (TTM) na 62.66. Ang dividend yield na available ay 5.58%.

Sa linggong ito, iniulat nito ang Q2 2025 financial results, na nagpakita ng 7% YoY na pagbaba sa net sales sa $10.1 bilyon at 1% YoY na pagbaba sa volume. 

Ang GAAP net loss ng kumpanya ay $801 milyon at GAAP loss per share na $1.18. Ang cash mula sa operating activities ay negatibo $470 milyon. Sa panahong ito, nagbalik ang Dow ng $496 milyon sa mga shareholders nito sa pamamagitan ng dividends.

Sa taong ito, nakipagtulungan ang kumpanya sa Google upang bumuo ng AI sorting system para tukuyin ang film plastics at mixed materials. Gagamitin ng system ang ML models ng Google, kaalaman sa disenyo ng materyales ng Dow, at teknolohiya ng recycling mula sa recycling company ng Dow na Circulus, upang tukuyin ang mga recyclable na materyales batay sa kanilang molecular composition.

Gumagamit din ang Dow ng AI upang i-optimize ang mga proseso ng paggawa ng kemikal at materyales nito. Ang teknolohiya ay nagpapahintulot na subaybayan at i-adjust ang mga variable sa real-time, na nagsisiguro ng epektibong proseso at pare-parehong resulta.

Bukod pa rito, ginagamit nito ang AI sa mga pagsisikap ng R&D na layuning hindi lamang tuklasin ang mga bagong materyales kundi pati na rin pagbutihin ang mga kasalukuyang mayroon ito.

Pinakabagong Dow Inc. (DOW) Stock News and Developments

Konklusyon

Ang kongkreto ay isang makapangyarihang materyal, na malawakang ginagamit sa konstruksyon dahil sa tibay, kakayahang magamit sa iba’t ibang paraan, pagiging cost-effective, at tibay. Ngunit ito rin ay responsable sa paglabas ng malaking dami ng carbon dioxide, kaya mahalagang humanap ng mga alternatibo. 

Ang pinakabagong pag-aaral gamit ang tool na Allegro-FM ay nakamit ang isang napakalaking breakthrough sa scalability para sa pananaliksik ng materyales na maaaring magbigay-daan sa mga simulation ng bilyong atom nang sabay-sabay, na nagpapahintulot sa atin na muling pag-isipan ang mga materyales na ating ginagamit araw-araw, tulad ng kongkreto. 

Sa pamamagitan ng pag-aalok ng bagong paraan upang magdisenyo ng mas malinis, mas matagal na materyales tulad ng kongkreto, maaaring makatulong ang AI na lumikha hindi lamang ng mas matibay na gusali kundi pati na rin ng mas malinis na kapaligiran, na magdadala sa isang hinaharap kung saan ang mga materyales tulad ng kongkreto ay hindi bahagi ng problema sa klima kundi isang solusyon!

I-click dito upang malaman kung paano natin malalampasan ang mga kahinaan ng kongkreto. 

Mga Sanggunian:

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). Pagpapabilis ng computational na pagtuklas ng materyales gamit ang artificial intelligence at cloud high‑performance computing: mula sa large‑scale screening hanggang 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. Estruktura ng protina at disenyo ng sekwensya gamit ang equivariant denoising diffusion probabilistic models. Chem, 9(6), 1646–1664 (2023). Na-publish online Abril 20, 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. Isang generative artificial intelligence framework batay sa molecular diffusion model para sa disenyo ng metal‑organic frameworks para sa carbon capture. Communications Chemistry, 7(1), Article 21 (2024). Na-publish online Pebrero 14, 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: Patungo sa isang Equivariant Foundation Model para sa Exascale Molecular Dynamics Simulations.
5. Ang Journal ng Physical Chemistry Letters, 16 (25), 6637–? (2025). Na-publish online Hunyo 20, 2025. https://doi.org/10.1021/acs.jpclett.5c00605