Allegro-FM: Sürdürülebilir Malzeme Bilimini İleri Taşıyan AI Simülasyonları

Yapay zeka (AI), malzeme bilimi alanında birçok keşif yapıyor. Bu farklı keşiflerin hiçbiri teorik değil, gerçek ve çeşitli endüstrileri etkiliyor. 

Örneğin, Microsoft (MSFT ) AI (Azure Quantum Elements aracı) ve yüksek performanslı bilişimi kullanarak 32 milyon malzemeyi tarayarak adayları daraltmak¹ sadece 18’e düşürdü, bu süreç normalde birkaç yıl sürerdi. Bilim insanları ayrıca pillerde Lityum kullanımını %70 azaltabilen bir malzeme sentezledi.

Başka bir örnekte, MIT araştırmacıları AI kullanarak yeni proteinler tasarladı², bu proteinler belirli mekanik özelliklere sahip malzemeler üretmek için kullanılabilir. Doğada bulunmayan ancak doğadan ilham alan bu malzemeler, petrol bazlı olanların yerini alabilir ve çok daha düşük bir karbon ayak izine sahip olabilir.

Enerji depolama, batarya yenilikleri ve biyomedikal malzemelerdeki atılımların yanı sıra, AI şirketler ve bilim insanları tarafından yarı iletken teknolojisi, uzay, kimya üretimi ve daha fazlasını ilerletmek için aktif olarak araştırılıyor.

Bilgisayar sistemlerinin genellikle insan zekâsı ile ilişkilendirilen görevleri yerine getirme yeteneğinin bir başka kritik kullanımı, sürdürülebilir ve yeşil malzemelerin yaratılmasında görülüyor.

Bunun bir örneği IBM’in (IBM ) RoboRXN projesidir; AI, otomasyon ve bulutu birleştirerek malzeme keşfini hızlandırıyor. Uzaktan erişilebilen bu kimyasal laboratuvar sayesinde IBM, yeni moleküllerin otonom sentezini ve testini sağlıyor. Laboratuvar, biyobozunur polimerler keşfetmek için kullanılıyor.

Araştırmacılar ayrıca karbon yakalama için metal‑organik çerçeveleri (MOF’ler) taramak amacıyla makine öğrenimini kullanıyor.

Karbon yakalama, endüstriyel tesislerdeki sera gazı (GHG) emisyonlarını azaltmada kilit bir teknolojidir. MOF’ler, karbondioksiti seçici olarak absorbe etme yetenekleri sayesinde umut verici bir aday sunar.

Bu gözenekli malzemelerin molekülleri organik düğümler, inorganik düğümler ve organik bağlayıcılardan oluşur; farklı konfigürasyonlarda düzenlenebilir, bu da sayısız potansiyel MOF konfigürasyonunun tasarlanıp test edilmesini sağlar.

Keşif sürecini hızlandırmak için, ABD Enerji Bakanlığı (DOE) Argonne Ulusal Laboratuvarı araştırmacıları, 30 dakika içinde 120.000’den fazla yeni MOF adayını hızlıca oluşturmak için üretken AI kullandı. Hesaplamalar, en umut verici adaylar üzerinde zaman yoğun moleküler dinamik simülasyonları yürütmek üzere bir süper bilgisayarda çalıştırıldı.

Şimdi, USC Viterbi Mühendislik Okulu araştırmacıları, küresel karbon emisyonlarının yaklaşık %8’ini sorumlu tutan, esas olarak çimento üretiminden kaynaklanan beton endüstrisinin CO2 emisyonlarıyla mücadele ediyor.

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.

Bu son derece sofistike model, aynı anda milyarlarca atomun davranışını simüle edebiliyor ve benzeri görülmemiş bir ölçekte malzeme tasarımı ve keşfi için yeni olanaklar sunuyor.

Sorun ve Çözüm: Betonda Karbon

Her yıl, kuraklık, orman yangınları, yağmur fırtınaları ve kasırgaların sıklığı ve şiddetinde bir artış görüyoruz. Bunun başlıca nedeni, sera gazı emisyonlarının artması sonucu ortaya çıkan küresel ısınmadır.

GHG emisyonları, karbondioksit (CO2), metan (CH4) ve azot oksit (N2O) gibi gazların atmosfere salınması anlamına gelir. Bu gazlar ısıyı tutar ve küresel ısınma ile iklim değişikliğine katkıda bulunur. 

Şu anda, sera gazı emisyonlarının başlıca kaynakları enerji sektörü, ulaşım, elektrik ve ısı üretimi ve tarımdır. Üretim ve inşaat da büyük bir katkı sağlayan bir diğer faktördür; beton ve çelik gibi yapı malzemeleri büyük bir karbon ayak izine sahiptir. 

Modern altyapının temel unsuru olan beton, etrafımızda her yerde bulunur, ancak büyük GHG emisyonları nedeniyle ciddi bir sorun teşkil eder.

Betonun ana bileşeni olan çimento, inşaat sektörünün karbon ayak izinin önemli bir kısmından sorumludur. Çimento üretim süreci, kireçtaşının kalsine edilmesini içerir; bu da büyük miktarda CO2 salınımına yol açar ve fırınlarda yüksek sıcaklıkta ısıtma, önemli enerji gerektirir. 

Su sonrası dünyada en çok tüketilen ürün olan betonun çevre dostu hâle getirilmesi zorunludur; aksi takdirde bu sektör yılda bir milyar metrik tonun üzerinde CO2 ile çevreyi kirletmeye devam edecektir. Bu sorunun potansiyel bir çözümü, zararlı gazı doğrudan betona haps etmektir.

“CO2’yi betona sadece koyabilirsiniz, böylece karbon nötr bir beton elde edilir,” dedi USC Viterbi bilgisayar bilimi, fizik ve astronomi ve kantitatif ve hesaplamalı biyoloji profesörü Aiichiro Nakano.

Bu yüzden Nakano, USC Viterbi’deki meslektaşlarıyla birlikte, atmosferik karbondioksiti yakalayıp depolayan bir süreç olan “CO2 sekestrasyonu” üzerine araştırma yapmaya başladı.

GHG emisyonlarını azaltarak karbon nötrlüğüne ulaşmak için umut vaat eden bir çözüm olmasına rağmen, CO2 sekestrasyonu zorlu bir süreçtir. Çözümü bulmak için araştırmacılar AI’ye yöneldi.

Çalışmalarında, araştırmacılar ekzaskal moleküler dinamik simülasyonları için temel model (FM) sundular. Bunun için E(3) eşdeğer ağ mimarisi (Allegro) adlı bir sinir ağı türünden ve büyük ölçekli organik ve inorganik malzeme veri setlerinden yararlanıyorlar.

Ortaya çıkan model Allegro-FM’dir; çeşitli malzeme simülasyonlarını ve farklı alt görevleri yönetebiliyor.

Temel Modellerin Malzeme Bilimini Dönüştürmesi

AI modelleri için ekip, AI’da bir paradigma değişikliği olduğunu ve model eğitimi yaklaşımlarını dönüştürdüğünü belirten temel modeli (FM) kullandı. 

FM, büyük ve çeşitli bir veri kümesi üzerinde eğitilmiş, farklı alt görevler için uyarlanabilen büyük bir AI modelidir. Bu modeller önceden eğitilmiştir; yani belirli bir görev için ek eğitim gerektirmez. 

Bir FM oluşturmak son derece kaynak yoğun olsa da, sıfırdan başlamak gerekmez; model, isteme (prompt) ya da ince ayar (fine-tuning) yoluyla bireysel bir göreve uyarlanabilir, bu da model geliştirme ve veri üretim maliyetini ve süresini azaltır.

İyi eğitilmiş bir FM, çok daha az kaynakla ince ayar yapılabilir; bu da sınırlı bilişim kaynakları olanların modeli iş akışlarına entegre etmesini sağlar.

Büyük derin öğrenme sinir ağları olarak, FM’ler müşteri desteği, içerik üretimi, görüntü oluşturma ve düzenleme, dil çevirisi, sağlık hizmetleri ve robotik gibi daha özel AI uygulamaları geliştirmek için kullanılabilen genel amaçlı modellerdir.

Dolayısıyla veri bilimcileri, bu modelleri temel alarak kendi makine öğrenimi (ML) modellerini hızlı ve maliyet etkin bir şekilde oluşturabilir.

Microsoft destekli OpenAI’nin GPT’si, FM’in en yaygın örneklerinden biridir. İlk modeli 2018’de 117 milyon parametreyle geliştirildi; GPT-2 ile 1,5 milyar parametreye, bir yıl sonra GPT-3 ile 96 katmanlı sinir ağı ve 175 milyar parametreyle yükseldi; bu parametreler, modellerin giriş ve çıkışı nasıl işlediğini belirleyen ağırlık ve önyargılardır.

Şu anda en yeni modeli GPT-4’ün 1,76 trilyon parametreye sahip olduğu söyleniyor; bu da üretken AI uygulamalarının insan benzeri içerik üretmesini sağlıyor.

Diğer temel model örnekleri arasında Amazon’ un Nova’sı, Anthropic’in Claude’u, Google’un Gemini’si, Meta’nın LLaMA’sı ve Stable Diffusion yer alıyor.

FM’in birçok faydasını göz önünde bulundurarak, USC Viterbi araştırmacıları ekzascal MD simülasyonları için bir temel model olan Allegro-FM’i geliştirdi. Modelleri, ekzascal malzeme uygulamaları için Toplam Enerji Hizalaması (TEA) çerçevesiyle uyumlu, kamuya açık büyük ölçekli Materials Project Trajectory (MPtrj) ve SPICE veri setleri üzerinde eğitildi.

Malzeme simülasyonları, farklı fazlar, faz sınırları ve tane sınırları gibi temel özellikleri ve kimyasal reaksiyonların doğru tanımını sağlamak için genellikle çok sayıda atom gerektirir.

Çalışmaya göre Allegro, büyük bir potansiyele sahip ve milyonlarca hatta milyarlarca atom gerektiren malzeme simülasyonları için özellikle uygundur.

Allegro-FM’in Atılımı: Milyarlarca Atomun Simülasyonu

(AMZN ) (GOOG ) (META )

The Journal of Physical Chemistry Letters’da yayınlanan çalışma, AI modeli Allegro-FM ve üstün yeteneklerini detaylandırıyor. AI destekli simülasyon modeli, aynı anda milyarlarca atomu simüle etme büyük yeteneğine sahip.

Farklı beton kimyalarını pahalı gerçek dünya deneylerinden önce sanal olarak test ederek, Allegro-FM betonu karbon kaynağı değil, karbon yutağı olarak geliştirmeyi ilerletebilir.

Modellerin ölçeklenebilirliği burada kritik öneme sahiptir. Birçok moleküler simülasyon yöntemi zaten mevcut, ancak bunlar sadece milyon, hatta binlerce atomla sınırlıdır.

Buna karşılık, Allegro-FM Aurora’da, saniyede bir kentilyonun üzerindeki hesaplamayı yapabilen ekzascal süper bilgisayarda simüle edildiğinde %97,5 verimlilik göstererek dört milyardan fazla atomu işleyebilir.

Bu büyük bir başarıdır; eski modellerin işleyebileceğinin yaklaşık 1.000 katı bir hesaplama gücünü temsil eder.

Ayrıca yeni model esnek olup 89 kimyasal elementi kapsar. Bu sayede çimento kimyası ve karbon depolama gibi çok çeşitli uygulamalarda moleküler davranışı tahmin etmek için kullanılabilir.

Beton aynı zamanda çok karmaşık bir malzemedir. Birçok element ve farklı fazlar ile ara yüzlerden oluşur. Geleneksel olarak, betonla ilgili fenomenleri simüle etmenin bir yolu yoktu. Ancak şimdi bu Allegro-FM’i kullanarak mekanik (ve) yapısal özellikleri simüle edebiliyoruz.

– Ken-Ichi Nomura, USC Viterbi kimya mühendisliği ve malzeme bilimi profesörü, Nakano ile iki on yılı aşkın süredir iş birliği yapıyor.

Araştırmacıların yürüttüğü simülasyonlar, Allegro-FM’in karbon nötr olduğunu gösteriyor; bu da onu diğer betondan daha uygun bir seçenek yapıyor. İlginç bir şekilde, AI modeli betondaki başka sorunları da çözüyor. 

CO2’nin büyük bir yayılımı olan yangına dayanıklı malzeme ortalama bir yüzyıl kadar dayanır. Modern betondan farklı olarak, antik Roma betonu 2.000 yıldan fazla süredir dayanıyor. 

CO2’nin yeniden yakalanması, betonu daha dayanıklı hâle getirebilir.

CO2’yi, sözde ‘karbonat tabakası’ olarak eklediğinizde, beton daha dayanıklı hâle gelir.

– Nakano 

Dolayısıyla Allegro-FM, mevcut ömründen çok daha uzun sürebilen karbon‑nötr bir betonu simüle edebilir.

Allegro-FM ile AI Destekli Çimento Tasarımı

Deney için ekip, Allegro-FM’i doğada yaygın olarak bulunan bir kalsiyum silikat hidrat (CSH) minerali olan tobermorite 11Å (T11A) kristaline uyguladı. Bu mineral özellikle antik Roma betonda bulunur.

Çimento, mineralizasyon süreciyle karbonu yakalama yeteneği nedeniyle karbon depolama malzemesi olarak büyük ilgi görüyor. CO2 mineralizasyonu, jeokimyasal döngünün doğal bir parçası olarak gerçekleşir. Bunun mekaniksel anlaşılması, uzun vadeli ve güvenli karbon depolamasını sağlamak için hâlâ kritik öneme sahiptir.

Burada, ileri simülasyonlar içgörüler sağlayabilir, ancak ya çok maliyetli ya da kimyasal doğrulukta sınırlıdır. Ölçeklenebilir temel modeller ise çimentonun karbon depolama davranışını doğru bir şekilde modelleme konusunda umut vaat ediyor.

Bu yüzden, genelleştirilebilirlik, ölçeklenebilirlik, öngörülebilirlik ve hesaplama verimliliğiyle donatılmış Allegro-FM, atomik ölçekteki detayları kaybetmeden dinamik simülasyonları mümkün kılma konusunda büyük bir potansiyel gösteriyor.

Çalışmaya göre, çerçeve CSH jelinin nanoyapısını, kendini iyileştiren çimento ve dayanıklı çimento tasarımını araştırmada kullanılabilir; bu da jeofizik bilimi ve inşaat mühendisliği uygulamaları için yeni bir yaklaşım sunar. Şöyle belirtiyor:

Allegro-FM, yapısal, mekanik ve termodinamik özellikleri tanımlamada yüksek seviyeli kuantum kimyası teorileriyle mükemmel bir uyum gösterirken, modelin eğitilmediği yapısal korelasyonlar, reaksiyon kinetiği, mekanik dayanım, kırılma ve katı/ sıvı çözünme gibi ortaya çıkan yetenekleri de sergiliyor. 

Malzeme Araştırmasının Geleceği: AI, Kuantum Mekaniğini Yerine Geçiriyor

AI kullanımı, bilim insanları ve mühendisler için oyunu tamamen değiştirdi. Geleneksel olarak, atom davranışlarını simüle etmek, kesin bir dizi matematiksel formül ya da “derin, karmaşık kuantum mekaniği fenomenleri” gerektirirdi. Bu sadece çok teknik olmakla kalmaz, aynı zamanda yavaştı.

Artık durum böyle değil. Son birkaç yılda teknolojideki ilerlemeler, bilim insanlarının araştırma yapma şeklini dönüştürdü.

Şimdi, bu makine öğrenimi AI atılımı sayesinde, tüm bu kuantum mekaniğini sıfırdan türetmek yerine, araştırmacılar bir eğitim seti oluşturup ardından makine öğrenimi modelini çalıştırma yaklaşımını benimsiyor.

– Nomura 

Modeller artık daha az kaynak kullanarak büyük veri hacimlerini ve daha fazla karmaşıklığı yönetebiliyor. Bu, tüm süreci çok daha hızlı ve verimli hâle getirdi. 

Aslında, Allegro-FM atomlar arasındaki “etkileşim fonksiyonlarını” doğru bir şekilde tahmin edebiliyor. Atomların birbirleriyle nasıl reaksiyon gösterdiği ve etkileştiği genellikle çok sayıda ayrı simülasyon ve sayısız saatlik hesaplama gerektirir.

Ancak tek tek elementler üzerinde, her birinin farklı denklemleri ve çeşitli fonksiyonları olduğu yerine, yeni AI tüm periyodik tabloyu aynı anda simüle ederek etkileşim fonksiyonlarını çalıştırabiliyor; bu da daha hızlı simülasyonlar ve daha fazla malzeme seçeneği demek. Nomura şöyle açıkladı:

Geleneksel yaklaşım, belirli bir malzeme setini simüle etmektir. Örneğin silika camını simüle edebilirsiniz, ancak bir ilaç molekülüyle aynı anda simüle edemezsiniz.

Teknolojik olarak da yeni sistem, büyük bir süper bilgisayar gerektiren hassas hesaplamaları yapabilen AI modelleri sayesinde çok daha verimli. Bu, görevleri basitleştirir ve süper bilgisayarların daha ileri araştırmalar için kullanılmasını sağlar.

Nakano’nun belirttiği gibi, AI “çok, çok daha küçük bilişim kaynaklarıyla kuantum mekanik doğruluğu elde edebilir.”

Bu çalışma bazı parlak sonuçlar gösteriyor, ancak hâlâ yapılacak çok iş var. Nomura’nın söylediği gibi, ekip “daha karmaşık geometriler ve yüzeyler” üzerine çalışarak beton araştırmalarına devam edecek.

Yeşil Kimyaya Yatırım

ABD’nin en büyük kimya şirketlerinden biri olan Dow (DOW ), sürdürülebilir malzemeler ve karbon yakalama teknolojilerine aktif olarak yatırım yapıyor. Allegro-FM gibi AI destekli simülasyonlar, Dow gibi şirketlerin daha yeşil kimyasallar geliştirmesi için mükemmel bir araç sunuyor. 

Dow Inc. (DOW )

Şirket, Ambalaj & Özel Plastikler, Performans Malzemeleri & Kaplamalar ve Endüstriyel Ara Ürünler & Altyapı gibi birkaç farklı segment üzerinden faaliyet göstermektedir.

17,72 milyar dolar piyasa değerine sahip Dow Inc. hisseleri şu anda 25 dolar seviyesinde, YTD %37,53 düşüş gösteriyor. EPS (TTM) 0,40 ve P/E (TTM) 62,66. Mevcut temettü getirisi %5,58.

Bu hafta, Q2 2025 finansal sonuçlarını açıkladı; net satışlarda %7 yıllık düşüşle 10,1 milyar dolar ve hacimde %1 yıllık azalma görüldü. 

Şirketin GAAP net zararı 801 milyon dolar, hisse başına GAAP zararı 1,18 dolar oldu. Faaliyetlerden elde edilen nakit -470 milyon dolar. Bu dönemde Dow, temettüler aracılığıyla hissedarlarına 496 milyon dolar geri ödedi.

Bu yıl, şirket Google ile iş birliği yaparak film plastikleri ve karışık malzemeleri tanımlayan bir AI sınıflandırma sistemi geliştirdi. Sistem, Google’ın ML modellerini, Dow’un malzeme tasarım bilgisini ve Dow’un geri dönüşüm şirketi Circulus’un geri dönüşüm teknolojisini kullanarak, malzemeleri moleküler bileşimlerine göre tanımlayacak.

Dow ayrıca kimyasallar ve malzeme üretim süreçlerini optimize etmek için AI kullanıyor. Teknoloji, değişkenleri gerçek zamanlı izleyip ayarlamasını sağlayarak verimli süreçler ve tutarlı sonuçlar elde ediyor.

Ayrıca, sadece yeni malzemeler keşfetmek değil, mevcut olanları da iyileştirmek amacıyla AR-GE çalışmalarında AI kullanıyor.

Dow Inc. (DOW) Hisse Senedi Haberleri ve Gelişmeleri

Sonuç

Beton, dayanıklılığı, çok yönlülüğü, maliyet etkinliği ve uzun ömrü nedeniyle inşaatta yaygın olarak kullanılan güçlü bir malzemedir. Ancak aynı zamanda önemli miktarda karbondioksit yaydığı için alternatifler aramak kritik hale gelmiştir. 

Allegro-FM aracıyla yapılan son çalışma, malzeme araştırmalarında ölçeklenebilirlikte büyük bir atılım gerçekleştirerek aynı anda milyarlarca atomun simülasyonunu mümkün kıldı; bu da beton gibi günlük olarak bağımlı olduğumuz malzemeleri yeniden düşünmemizi sağlıyor. 

Beton gibi daha temiz ve uzun ömürlü malzemeler tasarlamanın yeni bir yolunu sunarak, AI sadece daha güçlü binalar değil, aynı zamanda daha temiz bir çevre yaratmaya yardımcı olabilir; bu da beton gibi malzemelerin iklim sorununa neden olmak yerine çözüm olduğu bir geleceğe yol açar! 

Betonun eksikliklerini nasıl aşabileceğimizi öğrenmek için buraya tıklayın. 

Referanslar:

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). Yayınlandı online 20 Nisan 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). Yayınlandı online 14 Şubat 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). Yayınlandı online 20 Haziran 2025. https://doi.org/10.1021/acs.jpclett.5c00605