DOE tildeler $159 million for at integrere videnskabelig AI i fusion, chipdesign og kvanteforskning

Et fusionsforsøg, et geotermisk reservoir og en chip, der er bygget til at overleve intens stråling, har noget til fælles: hver af dem kan kræve, at forskere udforsker et enormt rum af mulige design, før de finder et, der fungerer. Det amerikanske energiministeriums seneste Genesis Mission‑tildelinger har til formål at integrere AI i denne søgeproces og hjælpe videnskabsfolk med at beslutte, hvad der skal simuleres, bygges og testes næste gang.

DOE annoncerede $159 million for 12 nye Phase II-projekter den 8. oktober 2026, sammen med seks yderligere Phase I‑tildelinger. Ministeriet siger, at missionens første‑års kohorte nu er fuldført med 297 projekter. Den bredere Phase II‑portefølje indeholder 14 projekter, herunder GridFM 2.0 og Prometheus, støttet gennem kontorerne for elektricitet og kernekraft.

Omfanget er usædvanligt bredt. Det udvalgte arbejde spænder fra fusion og geotermisk energi til RNA‑strukturer, sjældne‑jord‑separation, videnskabelig software og kvantecomputing. Det, der binder projekterne sammen, er en praktisk ambition: at bruge AI til at forkorte afstanden mellem en idé og et videnskabeligt brugbart resultat.

Hvad DOE mener med “Super Intelligence”

DOE beskriver initiativet med udtrykket “Super Intelligence”, forkortet SI. Denne terminologi kræver omhu. Meddelelsen fastlægger en forskningsportefølje og dens tilsigtede anvendelser; den fremlægger ikke beviser for, at et generelt AI‑system har overgået menneskelig kapacitet på tværs af videnskaben.

De første Genesis‑projektudvælgelsesannoncer i juli beskriver en blanding af avancerede modeller, agent‑rammer, videnskabelig software og højtydende beregning. Det er en nyttig måde at forstå de nye tildelinger på: som investeringer i AI‑drevede forskningssystemer med funktioner tilpasset specifikke discipliner og infrastruktur.

Der er en vigtig sondring mellem at generere et plausibelt videnskabeligt svar og at fuldføre en pålidelig videnskabelig arbejdsproces. En model kan foreslå et materiale, men dets egenskaber skal stadig måles. En agent kan generere simuleringskode, men koden skal bevare de ligninger og antagelser, som forskerne har tiltænkt. En optimizer kan anbefale en maskineindstilling, men den skal respektere driftsgrænser.

Det interessante spørgsmål er derfor, hvordan disse projekter forbinder forudsigelse og ræsonnement med evidens. Denne forbindelse vil afgøre, om investeringen giver bedre videnskab i stedet for blot mere videnskabeligt udseende output.

Fusion: en digital tvilling til planlægning af SPARC‑operationer

Commonwealth Fusion Systems udvikler en AI‑drevet digital tvilling til at simulere og optimere SPARC‑operationer. En digital tvilling er en beregningsmæssig repræsentation af et fysisk system, der er nyttig til at undersøge, hvordan systemet kan opføre sig under forskellige betingelser.

Virksomheden har allerede et relevant teknologisk fundament. I januar, CFS annoncerede samarbejde med Siemens og NVIDIA kombinerer ingeniørværktøjer med simulerings‑ og visualiseringsteknologier. Dette tidligere samarbejde giver kontekst for den nye tildeling, selvom DOE‑meddelelsen ikke fastslår, at hver komponent i januar‑arkitekturen er en del af det finansierede projekt.

CFS forklarer i sin tekniske redegørelse for AI og simulering, at surrogate‑modeller kan lære af beregningstunge fysiksimuleringer og hurtigt tilnærme deres resultater. Sådanne modeller kan hjælpe forskere med at udforske mange mulige driftsforhold uden at skulle gentage den mest krævende beregning for hver enkelt.

For en tokamak, som bruger magnetfelter til at indeholde varm plasma, skaber dette et potentielt værdifuldt planlægningsværktøj. Forskere kan undersøge mulige scenarier, identificere lovende eksperimenter og sammenligne modelforudsigelser med målinger. Den vanskelige del er at vide, hvornår en hurtig tilnærmelse stadig er pålidelig, og hvornår den fulde fysikberegning er nødvendig.

SPARC er en fusionsdemonstrationsmaskine, hvor CFS sigter mod netto‑fusionsenergi i 2027. Dette mål vedrører fusionsydelsen; det bør ikke forstås som en påstand om, at SPARC allerede leverer elektricitet til nettet. Den kortsigtede betydning af AI‑projektet er dets potentiale til at forbedre eksperimentel planlægning og drift.

Geotermisk energi og sjældne jordarter: brug af AI til at navigere i komplekse fysiske systemer

UC Irvines MAESTRO‑projekt anvender en multi‑agent‑tilgang til kortlægning, stimulering og styring af dybe geotermiske reservoirer. Navnet udvides til Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Den geologiske udfordring er betydelig. DOE’s oversigt over forbedrede geotermiske systemer forklarer, at en produktiv geotermisk ressource kræver varme, væske og permeabilitet. Hvor naturlige forhold er utilstrækkelige, kan ingeniørkunst skabe eller forbedre kanaler, der tillader væske at cirkulere gennem varmt sten og transportere varme mod overfladen.

Denne baggrund hjælper med at forklare, hvorfor et AI‑system kan være nyttigt. Beslutninger om reservoirer involverer ufuldstændige underjordiske oplysninger og interagerende fysiske processer. En multi‑agent‑arkitektur kunne fordele den analytiske arbejdsbyrde på specialiserede komponenter, men DOE’s korte meddelelse specificerer ikke MAESTRO’s fulde implementering eller autonomigrænser.

Vores vurdering er, at værdien vil afhænge af, hvor godt det samlede system håndterer usikkerhed. At producere en sikker beskrivelse af reservoiret er mindre nyttigt end at identificere, hvad der er kendt, hvad der stadig er usikkert, og hvilken måling der mest ville forbedre den næste operationelle beslutning.

University of Illinois’ AXIS-projekt anvender AI på elektrokemiske processer for udvinding af sjældne jordarter fra indenlandske kilder. Fokus på design af redox‑aktive ligander peger på den kemi, der styrer selektiv separation.

Det underliggende designproblem er anderledes end geotermisk ingeniørkunst, men logikken er ens: at søge i et kompliceret kandidatrum, mens fysiske begrænsninger respekteres. For separations‑teknologi bør meningsfuld evaluering gå ud over, om en kandidat ser lovende ud i en model. Selektivitet, udbytte, energiforbrug og ydeevne i realistiske blandinger ville være nyttige mål for fremskridt. Det er foreslåede evalueringskriterier, ikke resultater rapporteret i tildelingsmeddelelsen.

Chips til miljøer, som almindelig elektronik ikke kan tåle

Fermilabs AXESS-projekt sigter mod mikroelektronik til høj‑stråling, rum‑ og ekstremt kolde miljøer. Navnet, Accelerating Extreme Environment Specs‑to‑Silicon, indkapsler ambitionen om at gå fra ingeniørkrav til chipdesign hurtigere.

Fermilabs tidligere beskrivelse af initiativet forklarer, hvorfor disse enheder er svære at udvikle. Videnskabelige instrumenter kan kræve specialtilpasset elektronik, der fungerer under forhold, som ligger uden for designantagelserne for almindelige kommercielle chips. Laboratoriet beskriver brug af AI til at accelerere en traditionelt krævende designproces.

Den oktober‑annoncering placerer AXESS inden for den nye Genesis‑finansiering. Muligheden er at automatisere mere af udforskningen og kontrollen, der er involveret i specialiseret chipdesign, ved at trække på ekspertise fra laboratorier, universiteter og industri.

Designhastighed og enhedens klarhed er separate milepæle. Selv en dramatisk hurtigere designarbejdsproces kræver stadig verifikation, fremstilling og fysisk testning. En chip beregnet til en partikel‑detektor eller et kryogenisk system skal demonstrere, at dens opførsel overlever de specificerede betingelser. AI‑genererede designfiler alene kan ikke fastslå dette.

Kvantematerialeforskning: gøre hardware brugbar og designe materialer baglæns

Harvards ASQC-projekt kombinerer AI med kvantehardware for at tackle fejlkorrigering gennem applikations‑bevidst co‑design. I praksis betyder co‑design, at man overvejer applikationen, fejlkorrigeringsmetoden og hardwaren sammen i stedet for at behandle hver som et isoleret problem.

Kvantematerialer er følsomme over for fejl. Fejlkorrigerende ordninger koder information på tværs af fysiske qubits, så en logisk qubit kan blive mere pålidelig. Harvards tidligere forskning i logisk kvanteprocessor giver baggrund for denne sondring og bestræbelsen på at køre beregninger ved hjælp af kodede qubits.

Den nye tildeling bør ikke fortolkes som en meddelelse om, at fejltolerant kvantecomputing er fuldført. I stedet sigter den mod et vanskeligt optimeringsproblem: at matche videnskabelige opgaver med ressourcerne og fejladfærden i reel hardware.

Oak Ridge National Laboratories udvalgte projekt adresserer en anden kvantefront: fysik‑informeret invers design af kvantemagneter til sensorer og lav‑effekt‑elektronik. Invers design starter med en ønsket opførsel og søger efter et system, der kan producere den, hvilket vender den velkendte proces med at vælge et materiale og derefter beregne dets egenskaber på hovedet.

For denne type forskning er fysik‑informeret modellering vigtig, fordi en attraktiv numerisk løsning kan være fysisk uopnåelig. Et brugbart design skal i sidste ende kobles til materialer, der kan fremstilles og måles. Meddelelsen fastsætter denne forskningsretning; den rapporterer ikke om en færdig sensor eller kommerciel elektronisk enhed.

Den mindre synlige infrastruktur bag videnskabelig AI

Flere andre tildelinger vedrører de systemer, der muliggør stor‑skala forskning. MIT’s projekt forbinder AI og supercomputing med lattice‑kvante‑kromodynamik, en beregningsmæssig tilgang til at studere den stærke interaktion. Lawrence Berkeley National Laboratories MOAT‑Core udvikler en delt AI‑platform til accelerator‑design og -drift. Northeastern’s projekt anvender agent‑assistance til Facility for Rare Isotope Beams.

Argonnes AI4HPC‑indsats omfatter udvikling, optimering og verifikation af videnskabelig beregningssoftware. Denne verifikationskomponent er væsentlig: et program, der kører hurtigere men stille ændrer den videnskabelige beregning, er ikke en forbedring.

Biologi er også repræsenteret. UC San Diego sigter mod at udvide en RNA‑strukturdatabase femfold, mens University of Washington vil arbejde med enzymdesign gennem forbedret sekvens‑struktur‑ensemble‑modellering.

Disse projekter fremhæver to afhængigheder, der ofte overskygges af modelmeddelelser: pålidelige data og pålidelige værktøjer. En videnskabelig agents nytte er begrænset af, hvad den kan få adgang til og udføre. At forbinde agenter til simuleringsmotorer, kuraterede datasæt og instrumenter kan gøre dem mere kapable, samtidig med at behovet for at spore deres handlinger og validere deres output øges.

Som vores dækning af Anthropic’s støtte til Genesis Mission viser, involverer initiativet også at bringe kommercielle AI‑kapaciteter ind i det videnskabelige økosystem. De finansierede projekter skal fastlægge, hvordan disse kapaciteter omsættes til målbare forskningsgevinster.

To separate investeringer i de forskere, der vil bruge disse værktøjer

DOE annoncerede også en Genesis Mission Graduate Fellowship Pilot. Den planlægger op til $100 millioner, herunder $20 millioner i regnskabsåret 2027, med senere finansiering betinget af kongressens bevillinger. Den første kohorte forventes at støtte cirka 100 doktorander gennem fireårige forløb, der kombinerer AI og en videnskabelig disciplin.

De planlagte placeringer omfatter både et DOE‑laboratorium eller en brugeranlæg og en industrielt miljø. Denne struktur kan hjælpe forskere med at forstå kløften mellem at udvikle en AI‑metode og gøre den anvendelig i et eksperimentelt eller operationelt miljø.

En separat Early Career Research Program meddelelse dækker $96 millioner for 67 forskere, med universitetspræmier på omkring $875,000 og laboratoriepræmier på $2,75 millioner over fem år. Dens omfang omfatter AI, kvantefysik og fusion, blandt andre forskningsområder. DOE bemærker, at tildelingsudvælgelsen fortsat er underlagt forhandlinger.

Disse beløb bør ikke sammenlægges til én samlet tildelt Genesis‑pakke. De $159 millioner vedrører de nye fase‑II‑projekter; fellowship‑programmet har en betinget fremtidig finansieringsplan; og støtte til tidlige karrierer er et separat program.

Hvad vil tælle som succes?

Den stærkeste test af denne portefølje vil være, om AI forbedrer videnskabeligt arbejde under realistiske forhold. Det betyder at måle den tid og de ressourcer, der kræves for at opnå et valideret resultat, resultatets kvalitet samt systemets evne til at genkende, hvornår dets egne metoder er upålidelige.

En brugbar fusionsmodel bør hjælpe med at planlægge bedre eksperimenter. En chip‑design‑agent bør producere designs, der bestå verificering og fysisk test. Et geotermisk system bør understøtte beslutninger, der forbliver holdbare, når nye feltnmålinger ankommer. Et videnskabeligt kodningsværktøj bør bevare korrektheden, mens det forbedrer ydeevnen.

Genesis‑priserne giver plads til at teste disse påstande på tværs af meget forskellige discipliner. Deres betydning ligger i at bringe AI tættere på videnskabens maskineri, data og begrænsninger – og give forskerne de ressourcer, der er nødvendige for at finde ud af, hvor AI faktisk hjælper.