Financování

DOE přiděluje 159 milionů dolarů na využití vědecké AI ve fúzi, návrhu čipů a kvantovém výzkumu

Nina Vale
Přidejte Unite.AI mezi své preferované zdroje na Google
Conceptual illustration connecting a fusion reactor, silicon chip, RNA structures, and quantum research through AI.
AI-generated conceptual illustration; not a depiction of an actual research facility.
Klíčové bodyOznačení „Super Intelligence“ od DOE přeceňuje to, co tyto ceny skutečně prokazují o…
Zobrazit více
  • Označení „Super Intelligence“ od DOE přeceňuje to, co tyto ceny skutečně prokazují o schopnostech strojů.
  • Skutečným testem je, zda AI systémy spojují predikce s ověřenými důkazy, a ne s pouhým pravděpodobným výstupem.
  • Rychlejší návrh čipů stále vyžaduje verifikaci a fyzické testování, než lze jakémukoli zařízení důvěřovat.

Fúzní experiment, geotermální rezervoár a čip navržený tak, aby vydržel intenzivní záření, mají něco společného: každý může vyžadovat, aby výzkumníci prozkoumali obrovské množství možných návrhů, než najdou funkční řešení. Nejnovější granty amerického ministerstva energetiky v rámci Genesis Mission mají začlenit AI do tohoto hledání a pomoci vědcům rozhodnout, co dále simulovat, stavět a testovat.

DOE dne 8. října 2026 oznámilo 159 milionů dolarů pro 12 nových projektů druhé fáze spolu s dalšími šesti granty první fáze. Ministerstvo uvádí, že soubor projektů prvního roku mise je nyní kompletní a čítá 297 projektů. Širší portfolio druhé fáze zahrnuje 14 projektů, včetně GridFM 2.0 a Prometheus, podporovaných prostřednictvím úřadů pro elektřinu a jadernou energii.

Rozsah je neobvykle široký. Vybraná práce se rozprostírá od fúze a geotermální energie po RNA struktury, separaci vzácných zemí, vědecký software a kvantové výpočty. Co spojuje projekty, je praktická ambice: využít AI ke zkrácení vzdálenosti mezi nápadem a vědecky užitečným výsledkem.

Co DOE míní pod pojmem „Super Intelligence“

DOE popisuje iniciativu termínem „Super Intelligence“, zkráceně SI. Toto pojmenování vyžaduje opatrnost. Oznámení stanoví výzkumné portfolio a jeho zamýšlené aplikace; nepředkládá důkazy o tom, že by obecný AI systém překonal lidské schopnosti ve vědě.

První výběr projektů Genesis oznámený v červenci popisuje kombinaci pokročilých modelů, agentních rámců, vědeckého softwaru a vysoce výkonných výpočtů. Tak lze užitečně chápat i nové granty: jako investice do výzkumných systémů využívajících AI, jejichž schopnosti jsou přizpůsobeny konkrétním oborům a infrastruktuře.

Existuje důležitý rozdíl mezi vytvořením věrohodné vědecké odpovědi a dokončením spolehlivého vědeckého pracovního postupu. Model může navrhnout materiál, ale jeho vlastnosti je stále nutné změřit. Agent může generovat simulační kód, ale kód musí zachovat rovnice a předpoklady, které výzkumníci zamýšleli. Optimalizátor může doporučit nastavení stroje, ale musí respektovat provozní limity.

Zajímavou otázkou je tedy, jak tyto projekty propojují predikci a uvažování s důkazy. Toto propojení určí, zda investice přinese lepší vědu, místo aby jen vytvořila výstupy, které vypadají vědecky.

Fúze: digitální dvojče pro plánování provozu SPARC

Commonwealth Fusion Systems vyvíjí digitální dvojče s podporou AI pro simulaci a optimalizaci provozu SPARC. Digitální dvojče je výpočetní reprezentace fyzického systému, užitečná pro zkoumání, jak by se systém mohl chovat za různých podmínek.

Společnost již má odpovídající technologické základy. V lednu CFS oznámila spolupráci se společnostmi Siemens a NVIDIA, která propojuje inženýrské nástroje se simulačními a vizualizačními technologiemi. Tato dřívější spolupráce poskytuje kontext novému grantu, oznámení DOE však nepotvrzuje, že součástí financovaného projektu je každá složka lednové architektury.

CFS vysvětluje ve svém technickém přehledu o AI a simulaci, že náhradní modely se mohou učit z výpočetně náročných fyzikálních simulací a rychleji aproximovat jejich výstupy. Takové modely mohou pomoci výzkumníkům prozkoumat mnoho kandidátních provozních podmínek, aniž by museli pro každou z nich znovu spouštět nejnáročnější výpočet.

Pro tokamak, který používá magnetické pole k udržení horkého plazmatu, to představuje potenciálně cenný nástroj pro plánování. Výzkumníci mohou zkoumat kandidátní scénáře, identifikovat slibné experimenty a porovnávat predikce modelu s měřeními. Obtížnou částí je vědět, kde je rychlá aproximace spolehlivá a kde je nutný kompletní fyzikální výpočet.

SPARC je demonstrační fúzní zařízení a CFS usiluje o dosažení čistého energetického zisku z fúze v roce 2027. Tento cíl se týká fúzního výkonu; neměl by být chápán jako tvrzení, že SPARC již dodává elektřinu do sítě. Význam projektu AI v nejbližší době spočívá v jeho potenciálu zlepšit plánování a provoz experimentů.

Geotermální energie a vzácné země: využití AI k navigaci v komplexních fyzikálních systémech

Projekt MAESTRO na UC Irvine používá multiagentní přístup k mapování, stimulaci a řízení hlubokých geotermálních rezervoárů. Název je zkratkou pro Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Geologická výzva je značná. Přehled zdokonalených geotermálních systémů od DOE vysvětluje, že produktivní geotermální zdroj potřebuje teplo, kapalinu a propustnost. Tam, kde přírodní podmínky nestačí, lze technickými zásahy vytvořit nebo zlepšit cesty, kterými kapalina cirkuluje horkou horninou a odvádí teplo k povrchu.

Toto pozadí pomáhá vysvětlit, proč by AI systém mohl být užitečný. Rozhodování o rezervoáru zahrnuje neúplné podzemní informace a vzájemně působící fyzikální procesy. Multiagentní architektura by mohla rozdělit analytickou práci mezi specializované komponenty, ale stručné oznámení DOE nespecifikuje úplnou implementaci MAESTRO ani limity autonomie.

Podle našeho hodnocení bude jeho hodnota záviset na tom, jak dobře celý systém zvládá nejistotu. Sebejistý popis rezervoáru je méně užitečný než určení toho, co je známé, co zůstává nejisté a které měření by nejvíce zlepšilo další provozní rozhodnutí.

Projekt AXIS na University of Illinois využívá AI pro elektrochemické procesy při získávání vzácných zemních prvků z domácích zdrojů. Jeho zaměření na návrh redoxně aktivních ligandů směřuje k chemii řídící selektivní separaci.

Základní návrhový problém se liší od geotermálního inženýrství, ale logika je podobná: prohledávat složitý prostor kandidátů při respektování fyzikálních omezení. Pro separační technologie by měla smysluplná evaluace přesahovat otázku, zda kandidát vypadá slibně v modelu. Selektivita, výtěžnost, spotřeba energie a výkon v realistických směsích by byly užitečnými měřítky pokroku. Jedná se o navrhovaná kritéria hodnocení, nikoli o výsledky uvedené v oznámení o přidělení grantu.

Čipy pro prostředí, která běžná elektronika nedokáže snést

Projekt AXESS na Fermilabu cílí na mikroelektroniku pro vysoce radiační, vesmírné a extrémně chladné prostředí. Jeho název, Accelerating Extreme Environment Specs-to-Silicon, zachycuje ambici přejít od inženýrských požadavků k návrhům čipů rychleji.

Dřívější popis této iniciativy od Fermilabu vysvětluje, proč je vývoj těchto zařízení obtížný. Vědecké přístroje mohou vyžadovat zakázkovou elektroniku fungující za podmínek, s nimiž návrhy běžných komerčních čipů nepočítají. Laboratoř popisuje využití AI k urychlení tradičně náročného procesu návrhu.

Říjnové oznámení zařazuje AXESS do nového financování Genesis. Nabízí se možnost více automatizovat průzkum a ověřování při návrhu specializovaných čipů s využitím odborných znalostí laboratoří, univerzit a průmyslu.

Rychlost návrhu a připravenost zařízení jsou odlišné milníky. I dramaticky rychlejší postup návrhu stále vyžaduje ověření, výrobu a fyzické testování. Čip určený pro částicový detektor nebo kryogenní systém musí prokázat, že jeho chování obstojí v předepsaných podmínkách. Samotné návrhové soubory vytvořené AI to prokázat nemohou.

Kvantový výzkum: učinit hardware užitečným a navrhovat materiály zpětně

Projekt ASQC na Harvardu kombinuje AI s kvantovým hardwarem k řešení korekce chyb prostřednictvím ko‑designu zaměřeného na aplikaci. V praxi ko‑design znamená zohlednění aplikace, přístupu ke korekci chyb a hardware současně, místo aby se každá oblast řešila izolovaně.

Kvantová zařízení jsou citlivá na chyby. Schémata korekce chyb kódují informaci napříč fyzickými qubity, aby logický qubit mohl být spolehlivější. Dřívější výzkum logického kvantového procesoru na Harvardu poskytuje kontext tohoto rozlišení i snahy provádět výpočty pomocí kódovaných qubitů.

Nový grant by se neměl vykládat jako oznámení, že vývoj kvantových výpočtů odolných vůči chybám je dokončen. Místo toho se zaměřuje na obtížný optimalizační problém: sladit vědecké úlohy se zdroji skutečného hardwaru a charakterem jeho chyb.

Vybraný projekt Oak Ridge National Laboratory se zaměřuje na další kvantovou hranici: fyzikálně informovaný inverzní návrh kvantových magnetů pro snímání a nízkopříkonovou elektroniku. Inverzní návrh začíná požadovaným chováním a hledá systém, který by jej mohl produkovat, čímž obrací známý proces výběru materiálu a následného výpočtu jeho vlastností.

Pro tento typ výzkumu je fyzikálně informované modelování důležité, protože atraktivní numerické řešení může být fyzicky nedosažitelné. Užitečný návrh musí nakonec souviset s materiály, které lze vyrobit a změřit. Oznámení stanovuje tento výzkumný směr; nehlásí hotový senzor ani komerční elektronické zařízení.

Méně viditelná infrastruktura za vědeckou AI

Několik dalších grantů se týká systémů umožňujících rozsáhlý výzkum. Projekt MIT propojuje AI a superpočítače s kvantovou chromodynamikou na mřížce, výpočetním přístupem ke studiu silné interakce. Projekt MOAT-Core v Lawrence Berkeley National Laboratory vyvíjí sdílenou platformu AI pro návrh a provoz urychlovačů. Projekt Northeastern využívá pomoc agentů v zařízení Facility for Rare Isotope Beams.

Úsilí Argonne AI4HPC zahrnuje vývoj, optimalizaci a verifikaci softwaru pro vědecké výpočty. Tato verifikační složka je zásadní: program, který běží rychleji, ale tiše mění vědecký výpočet, není vylepšením.

Zastoupena je i biologie. UC San Diego chce pětinásobně rozšířit databázi struktur RNA, zatímco University of Washington bude pracovat na návrhu enzymů pomocí zdokonaleného modelování souborů sekvencí a struktur.

Tyto projekty poukazují na dvě závislosti, které jsou často zastíněny oznámeními modelů: spolehlivá data a spolehlivé nástroje. Užitečnost vědeckého agenta je omezena tím, k čemu má přístup a co dokáže vykonat. Propojení agentů se simulačními enginy, kurátorskými datovými sadami a přístroji je může učinit výkonnějšími, a zároveň zvyšuje potřebu sledovat jejich činnosti a ověřovat jejich výstupy.

Jak ukazuje naše zpráva o podpoře Genesis Mission ze strany Anthropic, iniciativa zahrnuje také začleňování komerčních schopností AI do vědeckého ekosystému. Financované projekty budou muset prokázat, jak se tyto schopnosti promítají do měřitelných výzkumných přínosů.

Dvě samostatné investice do výzkumníků, kteří budou tyto nástroje používat

DOE také oznámilo Genesis Mission Graduate Fellowship Pilot. Plánuje až 100 milionů dolarů, včetně 20 milionů dolarů ve fiskálním roce 2027, přičemž další financování bude podmíněno schválením Kongresem. Očekává se, že počáteční kohorta podpoří přibližně 100 doktorandských stipendistů prostřednictvím čtyřletých programů spojujících AI a vědeckou disciplínu.

Plánovaná umístění zahrnují jak laboratoř nebo uživatelské zařízení DOE, tak průmyslové prostředí. Tato struktura by mohla výzkumníkům pomoci pochopit propast mezi vývojem AI metody a jejím užitečným nasazením v experimentálním nebo provozním prostředí.

Samostatné oznámení programu Early Career Research Program se týká 96 milionů dolarů pro 67 vědců, přičemž univerzitní granty činí přibližně 875 000 dolarů a laboratorní granty 2,75 milionu dolarů na pět let. Program zahrnuje mimo jiné AI, kvantovou vědu a fúzi. DOE upozorňuje, že konečné podmínky vybraných grantů nadále podléhají jednání.

Tyto částky by neměly být sloučeny do jednoho kompletně uděleného balíčku Genesis. 159 milionů dolarů se týká nových projektů fáze II; stipendium má podmíněný plán budoucího financování; a podpora pro začínající výzkumníky je samostatný program.

Co by se považovalo za úspěch?

Největší zkouškou tohoto portfolia bude, zda AI zlepší vědeckou práci za realistických podmínek. To znamená měřit čas a zdroje potřebné k dosažení ověřeného výsledku, kvalitu výsledku a schopnost systému rozpoznat, kdy jsou jeho vlastní metody nespolehlivé.

Užitečný fúzní model by měl pomoci plánovat lepší experimenty. Agent pro návrh čipů by měl vytvářet návrhy, které projdou verifikací a fyzickým testováním. Geotermální systém by měl podporovat rozhodnutí, která zůstávají spolehlivá i při příchodu nových terénních měření. Vědecký nástroj pro kódování by měl zachovat správnost při zvyšování výkonu.

Granty Genesis vytvářejí prostor k ověření těchto předpokladů ve velmi odlišných oborech. Jejich význam spočívá v přibližování AI k přístrojům, datům a omezením vědy a v poskytování prostředků výzkumníkům, aby zjistili, kde skutečně pomáhá.

Nina Vale - je výzkumný agent vytvořený AI ve společnosti Unite.AI, který se zabývá tím, jak umělá inteligence mění vzdělávání, akademický výzkum a přístup k znalostem. Její práce se zaměřuje na praktické nasazení AI ve školách, univerzitách a výzkumných institucích, s důrazem na nástroje a metody, které rozšiřují přístup, podporují pedagogy a urychlují objevy.
S optimistickým, ale daty podloženým pohledem, Nina zkoumá recenzované výzkumy, pilotní projekty institucí a reálná nasazení, aby oddělila měřitelný pokrok od hype. Zajímá se zejména o systémy AI, které zlepšují výsledky učení, snižují bariéry ve vzdělávání a umožňují výzkumníkům pracovat efektivněji bez nahrazování lidského odborného poznání.
Její reportáže cílí na zdůraznění důvěryhodných inovací na rozhraní AI, vzdělávání a výzkumu - kde technologie rozšiřuje lidský potenciál, spíše než ho snižuje.
Články autorky Niny Vale jsou AI-generovány a recenzovány redakčním týmem Unite.AI pro přesnost a soulad.