Allegro-FM: Simulaciones de IA que impulsan la ciencia de los materiales sostenibles

La inteligencia artificial (IA) está realizando numerosos descubrimientos en el campo de la ciencia de los materiales. Estos descubrimientos no son teóricos, sino reales, y están impactando a una amplia gama de industrias. 

Por ejemplo, Microsoft (MSFT ) Se utilizó IA (herramienta Azure Quantum Elements) y computación de alto rendimiento para Examinar 32 millones de materiales para reducir la búsqueda¹ Los candidatos a tan solo 18 en tan solo 80 horas, un proceso que normalmente tomaría varios años. Los científicos también sintetizaron un material que puede reducir el uso de litio en las baterías en un 70 %.

En otro caso, los investigadores del MIT Utilizaron IA para diseñar nuevas proteínas², que podrían utilizarse para fabricar materiales con ciertas propiedades mecánicas. Estos materiales, que no están presentes en la naturaleza, pero se inspiran en ella, podrían reemplazar a los derivados del petróleo y tener una huella de carbono significativamente menor.

Además de lograr avances en almacenamiento de energía, innovación en baterías y materiales biomédicos, las empresas y los científicos están explorando activamente la IA para avanzar en la tecnología de semiconductores, la industria aeroespacial, la fabricación de productos químicos y más.

Otro uso crítico de la capacidad de los sistemas computacionales para realizar tareas que normalmente se asocian con la inteligencia humana se observa en la creación de materiales sustentables y ecológicos.

Un ejemplo de esto es IBM, (IBM ) RoboRXN, un proyecto que combina IA, automatización y la nube para acelerar el descubrimiento de materiales. Con este laboratorio químico de acceso remoto, IBM facilita la síntesis y el análisis autónomos de nuevas moléculas. El laboratorio se utiliza para descubrir polímeros biodegradables.

Los investigadores también están utilizando el aprendizaje automático para examinar los marcos metalorgánicos (MOF) para la captura de carbono.

La captura de carbono es una tecnología clave en reducir las emisiones de gases de efecto invernadero (GEI) de instalaciones industriales. Los MOF ofrecen un candidato prometedor, gracias a su capacidad para absorber selectivamente el dióxido de carbono.

Las moléculas de estos materiales porosos tienen nodos orgánicos, nodos inorgánicos y enlaces orgánicos, que pueden organizarse en diferentes configuraciones, lo que permite el diseño y la prueba de numerosas configuraciones potenciales de MOF.

Para acelerar el proceso de descubrimiento, investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) usado³ IA generativa para ensamblar rápidamente más de 120,000 nuevos candidatos a MOF en 30 minutos. Los cálculos se ejecutaron en una supercomputadora, con simulaciones de dinámica molecular que requieren mucho tiempo, realizadas con los candidatos más prometedores.

Ahora, investigadores de la Escuela de Ingeniería Viterbi de la USC están abordando las emisiones de CO2 de la industria del hormigón, que es responsable de aproximadamente el 8% de las emisiones globales de carbono, principalmente a través de la producción de cemento.

La idea es tener un hormigón que no sólo se autorepare y dure aún más, sino que también pueda atrapar el dióxido de carbono de la atmósfera; para ello, los investigadores han desarrollado un revolucionario modelo de IA.

Este modelo altamente sofisticado puede simular el comportamiento de miles de millones de átomos al mismo tiempo, abriendo nuevas posibilidades para el diseño y descubrimiento de materiales a una escala sin precedentes.

El problema y la solución: el carbono en el hormigón

Cada año, observamos un aumento en la frecuencia e intensidad de sequías, incendios forestales, tormentas y huracanes. Un factor importante es el calentamiento global, resultado del aumento de las emisiones de gases de efecto invernadero.

Las emisiones de GEI se refieren a la liberación de gases como el dióxido de carbono (CO₂), el metano (CH₄) y el óxido nitroso (N₂O) a la atmósfera. Estos gases retienen el calor y contribuyen al calentamiento global y al cambio climático. 

Actualmente, las principales fuentes de emisiones de gases de efecto invernadero incluyen el sector energético, el transporte, la producción de electricidad y calor, y la agricultura. La industria manufacturera y la construcción son otro contribuyente importante, y materiales de construcción como el hormigón y el acero tienen una gran huella de carbono. 

El hormigón, un elemento clave de la infraestructura moderna, está en todas partes a nuestro alrededor, pero el problema es que presenta un problema importante debido a las enormes emisiones de GEI.

El cemento, componente clave del hormigón, es responsable de una parte sustancial de la huella de carbono de la industria de la construcción. El proceso de fabricación del cemento implica la calcinación de piedra caliza, que libera grandes cantidades de CO2, y el calentamiento a alta temperatura de los materiales en hornos, lo que requiere un consumo energético considerable. 

Al ser el producto más consumido en la Tierra después del agua, es imperativo fabricar un hormigón ecológico, o el medio ambiente seguirá siendo... contaminado con más de mil millones de toneladas métricas de CO2 anualmente debido a esta industria. Una posible solución a este problema es atrapar el gas nocivo en el propio hormigón.

“Se puede simplemente poner el CO2 dentro del hormigón, y eso produce un hormigón neutro en carbono”, dijo Aiichiro Nakano, profesor de informática, física y astronomía, y biología cuantitativa y computacional de USC Viterbi.

Entonces, Nakano, junto con sus colegas de la USC Viterbi, comenzó a investigar el “secuestro de CO2”, un proceso que captura y almacena el dióxido de carbono atmosférico.

Si bien lograr la neutralidad de carbono mediante la reducción de las emisiones de GEI es una solución prometedora, el secuestro de CO2 es un proceso desafiante. Para encontrar la solución, los investigadores recurrieron a la IA.

En su trabajo, el equipo de investigadores presentó su modelo base (MF) para simulaciones de dinámica molecular a exaescala. Para ello, utilizan la arquitectura de red equivariante E(3) (Allegro), un tipo de red neuronal, y un conjunto de datos de materiales orgánicos e inorgánicos a gran escala.

El modelo resultante es Allegro-FM, que puede manejar diversas simulaciones de materiales para diversas tareas posteriores.

Cómo los modelos de cimentación están transformando la ciencia de los materiales

Para su modelo de IA, el equipo utilizó el modelo fundamental (FM), que, según señala, supone un cambio de paradigma en la IA y ha transformado su forma de entrenar modelos. 

Un modelo de gestión de recursos (FM) es un gran modelo de IA entrenado con un conjunto de datos masivo y diverso, adaptable a diferentes tipos de tareas posteriores. Estos modelos están preentrenados, lo que significa que no requieren entrenamiento adicional para una tarea específica. 

Si bien generar un FM consume muchos recursos, no es necesario comenzar desde cero; en cambio, el modelo se puede adaptar a una tarea individual mediante indicaciones o ajustes, lo que reduce tanto el costo como el tiempo necesarios para el desarrollo del modelo y la generación de datos.

Un FM bien entrenado se puede ajustar con muchos menos recursos, lo que permite que alguien con recursos informáticos modestos incorpore el modelo a su flujo de trabajo.

Como grandes redes neuronales de aprendizaje profundo, los FM son modelos de propósito general que pueden usarse para crear aplicaciones de IA más especializadas, que incluyen atención al cliente, generación de contenido, creación y edición de imágenes, traducción de idiomas, atención médica y robótica.

De este modo, los científicos de datos pueden utilizar estos modelos como base para crear sus propios modelos de aprendizaje automático (ML) de forma rápida y rentable.

El modelo GPT de OpenAI, respaldado por Microsoft, es uno de los ejemplos más comunes de modelado de modelos (FM). Su primer modelo se desarrolló en 2018 con 117 millones de parámetros, cifra que se incrementó a 1.5 millones con GPT-2, lanzado al año siguiente. Posteriormente, en 3, se presentó GPT-2020, que cuenta con una red neuronal de 96 capas y se entrena con 175 XNUMX millones de parámetros, que son valores numéricos ajustables que incluyen ponderaciones y sesgos que determinan cómo los modelos procesan la entrada y la salida.

Ahora, se rumorea que su último modelo, GPT-4, tiene 1.76 billones de parámetros, lo que permite que las aplicaciones de IA generativa produzcan contenido similar al humano.

Otros ejemplos de modelos de base incluyen: Amazon, (AMZN ) Nova, Claude de Anthropic, Google, (GOOG ) Geminis, Meta, (META ) LLaMA y difusión estable.

Dadas las numerosas ventajas de FM, los investigadores de USC Viterbi desarrollaron Allegro-FM, un modelo base para simulaciones MD exaescalares. Su modelo se entrena con conjuntos de datos públicos a gran escala de Materials Project Trajectory (MPtrj) y SPICE, alineados con el marco de Alineación de Energía Total (TEA) para aplicaciones de materiales a exaescala.

La simulación de materiales tiende a requerir una gran cantidad de átomos para describir características clave como fases distintas, límites de fase y límites de grano, así como una descripción precisa de las reacciones químicas. 

Allegro, según el estudio, tiene un gran potencial y es especialmente adecuado para simulaciones de materiales que requieren millones o miles de millones de átomos.

El gran avance de Allegro-FM: la simulación de miles de millones de átomos

Publicado en The Journal of Physical Chemistry Letters, el detalles del estudio⁴ El modelo de IA Allegro-FM y sus capacidades superiores. El modelo de simulación impulsado por IA viene con una gran capacidad para simular miles de millones de átomos a la vez.

Al probar diferentes químicas del hormigón virtualmente antes de probarlas en los costosos experimentos del mundo real, Allegro-FM puede avanzar en el desarrollo del hormigón, no como una fuente de carbono, sino como un sumidero de carbono.

La escalabilidad de los modelos es fundamental en este caso. El problema es que ya existen muchos métodos de simulación molecular, pero se limitan a millones, si no miles, de átomos.

Por el contrario, Allegro-FM puede manejar más de cuatro mil millones de átomos y muestra una eficiencia del 97.5% cuando se simula en Aurora, una supercomputadora a exaescala que puede realizar más de un quintillón de cálculos por segundo.

Esto es una hazaña enorme, que representa una capacidad de procesamiento aproximadamente 1,000 veces mayor que la que pueden manejar los modelos más antiguos.

Además, el nuevo modelo es flexible y abarca 89 elementos químicos. Por lo tanto, puede utilizarse para predecir el comportamiento molecular en una amplia variedad de aplicaciones, como la química del cemento y el almacenamiento de carbono.

El hormigón también es un material muy complejo. Consta de muchos elementos y diferentes fases e interfaces. Por lo tanto, tradicionalmente no teníamos forma de simular fenómenos relacionados con el hormigón. Pero ahora podemos usar este Allegro-FM para simular propiedades mecánicas y estructurales.

– Ken-Ichi Nomura, profesor de ingeniería química y práctica de ciencia de materiales de la USC Viterbi, con quien Nakano ha estado colaborando durante más de dos décadas.

Las simulaciones realizadas por los investigadores muestran que Allegro-FM es carbono neutral, lo que lo convierte en una opción más adecuada que otros hormigones. Curiosamente, el modelo de IA resuelve otros problemas con el hormigón. 

Este material ignífugo, un importante emisor de CO2, solo dura un siglo en promedio. A diferencia del hormigón moderno, el hormigón de la antigua Roma ha durado mucho más, más de 2,000 años. 

La recuperación de CO2 también puede ayudar a que el hormigón sea más duradero.

“Si se añade CO2, la llamada 'capa de carbonato', se vuelve más robusta”.

– Nakano 

De este modo, Allegro-FM puede simular un hormigón neutro en carbono que puede durar mucho más que su vida útil actual.

Diseño de cemento impulsado por IA con Allegro-FM

Para el experimento, el equipo aplicó Allegro-FM a un cristal de tobermorita 11Å (T11A), un mineral de silicato de calcio hidratado (CSH) que se encuentra comúnmente en la naturaleza. Este mineral en particular se encuentra en el hormigón romano antiguo.

El cemento está cobrando gran importancia como material de almacenamiento de carbono debido a su capacidad para retenerlo mediante el proceso de mineralización. La mineralización de CO2 ocurre de forma natural como parte del ciclo geoquímico. Comprender su mecanismo sigue siendo crucial para garantizar un almacenamiento de carbono seguro y a largo plazo. 

En este caso, las simulaciones avanzadas pueden aportar información, pero son computacionalmente costosas o tienen una precisión química limitada. Sin embargo, los modelos escalables de cimentación son prometedores para modelar con precisión el comportamiento del almacenamiento de carbono en el cemento.

Por lo tanto, Allegro-FM, equipado con generalización, escalabilidad, previsibilidad y eficiencia computacional, muestra una promesa significativa al permitir simulaciones dinámicas sin sacrificar los detalles a escala atómica.

Según el estudio, el marco puede utilizarse en la investigación de la nanoestructura del gel CSH, el cemento autorreparador y el diseño de cemento duradero, lo que proporciona un enfoque novedoso para las ciencias geofísicas y las aplicaciones de ingeniería civil. Afirma:

“Allegro-FM muestra una excelente concordancia con las teorías de química cuántica de alto nivel al describir propiedades estructurales, mecánicas y termodinámicas, a la vez que exhibe capacidades emergentes para correlaciones estructurales, cinética de reacción, resistencias mecánicas, fractura y disolución sólido/líquido, para las cuales el modelo no ha sido entrenado”. 

El futuro de la investigación de materiales: la IA sustituye a la mecánica cuántica

El uso de IA ha cambiado por completo el juego para los científicos e ingenieros. Normalmente, simular el comportamiento de los átomos habría requerido una serie precisa de fórmulas matemáticas o «fenómenos de mecánica cuántica profundos y profundos». Y eso no solo era muy técnico, sino también lento.

Pero ya no. La llegada de la IA, y más concretamente los avances tecnológicos de los últimos años, ha transformado la forma en que los científicos realizan sus investigaciones.

Ahora, gracias a este avance en el aprendizaje automático con IA, en lugar de derivar toda esta mecánica cuántica desde cero, los investigadores están adoptando el enfoque de generar un conjunto de entrenamiento y luego dejar que se ejecute el modelo de aprendizaje automático.

– Nomura 

Los modelos ahora pueden manejar grandes volúmenes de datos y mayor complejidad utilizando menos recursos. Esto ha hecho que todo el proceso sea mucho más rápido y eficiente. 

De hecho, Allegro-FM puede predecir con precisión las funciones de interacción entre átomos. Conocer cómo reaccionan e interactúan los átomos entre sí normalmente requiere numerosas simulaciones individuales e incontables horas de cálculo.

Pero en lugar de analizar un elemento a la vez, con cada uno con ecuaciones diferentes y varias funciones únicas, la nueva IA permite simular funciones de interacción con toda la tabla periódica simultáneamente, lo que implica simulaciones más rápidas y más opciones de materiales. Nomura explicó:

El enfoque tradicional consiste en simular un conjunto específico de materiales. Por ejemplo, se puede simular vidrio de sílice, pero no se puede simular con, por ejemplo, una molécula de fármaco. 

Además, tecnológicamente, el nuevo sistema es mucho más eficiente, con modelos de IA capaces de realizar cálculos precisos que antes requerían una gran supercomputadora. Esto simplifica las tareas y permite utilizar las supercomputadoras para investigaciones más avanzadas.

Como señaló Nakano, la IA puede “lograr una precisión mecánica cuántica con recursos computacionales mucho, mucho menores”.

Este estudio muestra resultados brillantes, pero aún queda mucho trabajo por hacer. Como afirmó Nomura, el equipo continuará su investigación sobre el estudio del hormigón, avanzando hacia geometrías y superficies más complejas.

Invertir en química verde

Una de las empresas químicas más grandes de EE. UU., Dow (DOW ), invierte activamente en materiales sostenibles y Captura de carbon tecnologías. La simulación basada en IA como Allegro-FM presenta una herramienta perfecta para que empresas como Dow desarrollen productos químicos más ecológicos. 

Dow Inc. (DOW )

La empresa opera a través de algunos segmentos diferentes, incluidos embalajes y plásticos especiales, materiales de alto rendimiento y recubrimientos, e intermedios industriales e infraestructura.

Con una capitalización bursátil de 17.72 millones de dólares, las acciones de Dow Inc. cotizan a 25 dólares, un 37.53 % menos en lo que va del año. Presenta un BPA (TTM) de 0.40 y un PER (TTM) de 62.66. La rentabilidad por dividendo disponible es del 5.58 %.

Esta semana, informó sus resultados financieros del segundo trimestre de 2, que revelaron una disminución interanual del 2025% en las ventas netas a $ 7 mil millones y una caída interanual del 10.1% en el volumen. 

La pérdida neta según los PCGA de la compañía fue de 801 millones de dólares y la pérdida por acción, según los PCGA, de 1.18 dólares. El flujo de caja de las actividades operativas fue negativo en 470 millones de dólares. Durante este período, Dow devolvió 496 millones de dólares a sus accionistas mediante dividendos.

Este año, la empresa se asoció con Google para desarrollar un sistema de clasificación de IA que identifica plásticos en película y materiales mixtos. El sistema utilizará los modelos de aprendizaje automático de Google, la experiencia en diseño de materiales de Dow y la tecnología de reciclaje de su empresa Circulus para identificar materiales reciclables según su composición molecular.

Dow también utiliza IA para optimizar sus procesos de fabricación de productos químicos y materiales. Esta tecnología le permite monitorear y ajustar variables en tiempo real, garantizando procesos eficientes y resultados consistentes.

Además, emplea IA en sus esfuerzos de I+D con el objetivo no sólo de descubrir nuevos materiales sino también de mejorar los existentes.

Entradas Dow Inc. Noticias y desarrollos de acciones (DOW)

Conclusión

El hormigón es un material resistente, ampliamente utilizado en la construcción debido a su resistencia, versatilidad, rentabilidad y durabilidad. Sin embargo, también es responsable de la emisión de una cantidad significativa de dióxido de carbono, por lo que es crucial buscar alternativas. 

El último estudio con su herramienta Allegro-FM ha logrado un enorme avance en escalabilidad para la investigación de materiales que puede permitir simulaciones de miles de millones de átomos a la vez, lo que nos permite repensar los materiales de los que dependemos todos los días, como el hormigón. 

Al ofrecer una nueva forma de diseñar materiales más limpios y duraderos como el hormigón, la IA puede ayudar a crear no solo edificios más fuertes sino también un ambiente más limpio, lo que conduce a un futuro en el que materiales como el hormigón no sean parte del problema climático sino más bien una solución.

Haga clic aquí para saber cómo podemos superar las deficiencias del hormigón. 

Referencias:

1. Chen, C.; Nguyen, DT; Lee, SJ; Panadero, NA; Karakoti, AS; Lauw, L.; Owen, C.; Mueller, KT; Bilodeau, BA; Murugesan, V.; Troyer, M.; Thien, D.; (...autores adicionales según se enumeran). Aceleración del descubrimiento de materiales computacionales con inteligencia artificial y computación de alto rendimiento en la nube: desde el cribado a gran escala hasta la validación experimental. Preimpresión de arXiv arXiv:2401.04070 (2024). https://doi.org/10.48550/arXiv.2401.04070
2. Anand, N.; Eguchi, RR; Mateo, II; Höhn, M.; Chen, Y.; Pellegrino, J.; Li, J.; Lee, Y.; Parque, J.; Zhang, J.; Baek, M.; Ovchinnikov, S.; panadero, d. Diseño de estructura y secuencia de proteínas con modelos probabilísticos de difusión con eliminación de ruido equivariante. Chem, 9(6), 1646–1664 (2023). Publicado en línea el 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. Un marco de inteligencia artificial generativa basado en un modelo de difusión molecular para el diseño de marcos metalorgánicos para la captura de carbonoQuímica de las Comunicaciones, 7(1), Artículo 21 (2024). Publicado en línea el 14 de febrero 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, RK; Vasishta, P.
Allegro-FM: Hacia un modelo de base equivariante para simulaciones de dinámica molecular a exaescala.
5. La revista de cartas de química física, 16 (25), 6637–? (2025). Publicado en línea el 20 de junio de 2025. https://doi.org/10.1021/acs.jpclett.5c00605