DOE vergibt $159 Millionen, um wissenschaftliche KI in Fusion, Chip‑Design und Quantenforschung zu integrieren

Ein Fusionsexperiment, ein geothermisches Reservoir und ein Chip, der extreme Strahlung überstehen kann, haben etwas gemeinsam: Jeder erfordert von Forschern, einen riesigen Raum möglicher Entwürfe zu durchsuchen, bevor ein funktionierender gefunden wird. Die neuesten Genesis‑Mission‑Auszeichnungen des US-Energieministeriums zielen darauf ab, KI in diesen Suchprozess zu integrieren und Wissenschaftlern zu helfen, zu entscheiden, was als Nächstes simuliert, gebaut und getestet werden soll.

DOE kündigte $159 Millionen für 12 neue Phase‑II‑Projekte am 8. Oktober 2026 an, zusammen mit sechs zusätzlichen Phase‑I‑Auszeichnungen. Das Ministerium sagt, dass die Erstjahreskohorte der Mission nun 297 Projekte umfasst. Das breitere Phase‑II‑Portfolio enthält 14 Projekte, darunter GridFM 2.0 und Prometheus, unterstützt durch die Büros für Elektrizität und Kernenergie.

Der Umfang ist ungewöhnlich breit. Die ausgewählten Arbeiten reichen von Fusion und Geothermie bis hin zu RNA‑Strukturen, Seltenen‑Erden‑Trennung, wissenschaftlicher Software und Quantencomputing. Was die Projekte verbindet, ist ein praktisches Ziel: KI zu nutzen, um die Distanz zwischen einer Idee und einem wissenschaftlich nützlichen Ergebnis zu verkürzen.

Was DOE unter “Superintelligenz” versteht

DOE beschreibt die Initiative mit dem Begriff “Superintelligenz”, abgekürzt SI. Diese Terminologie erfordert Vorsicht. Die Ankündigung etabliert ein Forschungsportfolio und dessen beabsichtigte Anwendungen; sie liefert keinen Nachweis dafür, dass ein allgemein einsetzbares KI‑System die menschlichen Fähigkeiten in der Wissenschaft übertroffen hat.

Die ersten Genesis‑Projekt‑Auswahlen, die im Juli angekündigt wurden beschreiben eine Mischung aus fortschrittlichen Modellen, Agenten‑Frameworks, wissenschaftlicher Software und Hochleistungsrechnen. Das ist ein hilfreicher Ansatz, die neuen Auszeichnungen zu verstehen: als Investitionen in KI‑gestützte Forschungssysteme, deren Fähigkeiten auf bestimmte Fachbereiche und Infrastrukturen zugeschnitten sind.

Es gibt einen wichtigen Unterschied zwischen der Erzeugung einer plausiblen wissenschaftlichen Antwort und dem Abschluss eines zuverlässigen wissenschaftlichen Workflows. Ein Modell kann ein Material vorschlagen, aber dessen Eigenschaften müssen noch gemessen werden. Ein Agent kann Simulationscode erzeugen, doch der Code muss die von den Forschern beabsichtigten Gleichungen und Annahmen bewahren. Ein Optimierer kann eine Maschineneinstellung empfehlen, muss jedoch die Betriebsgrenzen einhalten.

Die interessante Frage ist daher, wie diese Projekte Vorhersage und Argumentation mit Evidenz verknüpfen. Diese Verknüpfung wird bestimmen, ob die Investition zu besserer Wissenschaft führt und nicht nur zu einer wissenschaftlicher aussehenden, aber wenig substanziellen Ausgabe.

Fusion: ein digitaler Zwilling zur Planung von SPARC‑Operationen

Commonwealth Fusion Systems entwickelt einen KI‑gestützten digitalen Zwilling, um SPARC‑Operationen zu simulieren und zu optimieren. Ein digitaler Zwilling ist eine rechnerische Darstellung eines physischen Systems und nützlich, um zu untersuchen, wie sich dieses System unter verschiedenen Bedingungen verhalten könnte.

Das Unternehmen verfügt bereits über eine relevante Technologiegrundlage. Im Januar kündigte CFS eine Zusammenarbeit mit Siemens und NVIDIA an, bei der Engineering‑Tools mit Simulations‑ und Visualisierungstechnologien kombiniert wurden. Diese frühere Zusammenarbeit liefert Kontext für die neue Auszeichnung, obwohl die DOE‑Ankündigung nicht festlegt, dass jede Komponente der Januar‑Architektur Teil des geförderten Projekts ist.

CFS erläutert in seiner technischen Darstellung von KI und Simulation, dass Surrogat‑Modelle aus rechenintensiven physikalischen Simulationen lernen und deren Ergebnisse schneller approximieren können. Solche Modelle können Forschern helfen, zahlreiche mögliche Betriebsbedingungen zu untersuchen, ohne für jede die aufwändigste Berechnung erneut durchführen zu müssen.

Für einen Tokamak, der magnetische Felder nutzt, um heißes Plasma zu halten, schafft dies ein potenziell wertvolles Planungsinstrument. Forschende können Kandidatenszenarien prüfen, vielversprechende Experimente identifizieren und Modellvorhersagen mit Messungen vergleichen. Der schwierige Teil besteht darin zu wissen, wo eine schnelle Approximation noch vertrauenswürdig ist und wo die vollständige physikalische Berechnung erforderlich ist.

SPARC ist eine Fusions‑Demonstrationsanlage, wobei CFS bis 2027 Netto‑Fusionsenergie anstrebt. Dieses Ziel bezieht sich auf die Fusion‑Leistung; es sollte nicht als Behauptung verstanden werden, dass SPARC bereits Strom ins Netz liefert. Die kurzfristige Bedeutung des KI‑Projekts liegt in seinem Potenzial, die experimentelle Planung und den Betrieb zu verbessern.

Geothermie und Seltene Erden: KI zur Navigation in komplexen physikalischen Systemen

Das MAESTRO‑Projekt der UC Irvine verfolgt einen Multi‑Agent‑Ansatz zum Kartieren, Anregen und Verwalten tiefer geothermischer Reservoirs. Der Name steht für Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Die geologische Herausforderung ist erheblich. Die DOE‑Übersicht über erweiterte geothermische Systeme erklärt, dass ein produktives geothermisches Reservoir Wärme, Fluid und Permeabilität benötigt. Wo natürliche Bedingungen unzureichend sind, kann die Technik Wege schaffen oder verbessern, die es dem Fluid ermöglichen, durch heißes Gestein zu zirkulieren und Wärme zur Oberfläche zu transportieren.

Dieser Hintergrund hilft zu erklären, warum ein KI‑System nützlich sein könnte. Entscheidungen über Reservoirs beinhalten unvollständige Untergrundinformationen und interagierende physikalische Prozesse. Eine Multi‑Agent‑Architektur könnte die analytische Arbeit auf spezialisierte Komponenten verteilen, doch die knappe DOE‑Ankündigung gibt keine Auskunft über die vollständige Implementierung oder die Autonomielimits von MAESTRO.

Unsere Einschätzung ist, dass sein Wert davon abhängt, wie gut das kombinierte System mit Unsicherheit umgeht. Eine sichere Reservoir‑Beschreibung zu erzeugen ist weniger nützlich, als zu identifizieren, was bekannt ist, was weiterhin unsicher bleibt und welche Messung die nächste betriebliche Entscheidung am meisten verbessern würde.

Das AXIS‑Projekt der University of Illinois wendet KI auf elektrochemische Prozesse zur Gewinnung von Seltenen Erden aus heimischen Quellen an. Der Schwerpunkt auf dem Design redox‑aktiver Liganden weist auf die Chemie hin, die die selektive Trennung steuert.

Das zugrunde liegende Designproblem unterscheidet sich von der Geothermie‑Ingenieurtechnik, aber die Logik ist ähnlich: Ein komplexes Kandidatenfeld zu durchsuchen, wobei physikalische Zwänge beachtet werden. Bei Trenntechnologien sollte eine sinnvolle Bewertung über die bloße Modell‑Vielversprechend‑Bewertung eines Kandidaten hinausgehen. Selektivität, Ausbeute, Energieverbrauch und die Leistung in realistischen Mischungen wären nützliche Fortschrittsmaße. Dies sind vorgeschlagene Bewertungskriterien, keine in der Förderankündigung berichteten Ergebnisse.

Chips für Umgebungen, die herkömmliche Elektronik nicht verträgt

Das AXESS‑Projekt von Fermilab zielt auf Mikroelektronik für Hochstrahlungs‑, Weltraum‑ und extrem kalte Umgebungen ab. Sein Name, Accelerating Extreme Environment Specs-to-Silicon, fasst das Bestreben zusammen, schneller von technischen Vorgaben zu Chip‑Designs zu gelangen.

Fermilab’s frühere Beschreibung der Initiative erklärt, warum diese Geräte schwer zu entwickeln sind. Wissenschaftliche Instrumente können kundenspezifische Elektronik erfordern, die unter Bedingungen arbeitet, die außerhalb der Designannahmen gängiger kommerzieller Chips liegen. Das Labor beschreibt den Einsatz von KI, um einen traditionell anspruchsvollen Designprozess zu beschleunigen.

Die Oktober‑Ankündigung ordnet AXESS in die neue Genesis‑Förderung ein. Die Chance besteht darin, mehr von der Exploration und Prüfung im spezialisierten Chip‑Design zu automatisieren und dabei Fachwissen aus Laboren, Universitäten und der Industrie zu nutzen.

Designgeschwindigkeit und Gerätebereitschaft sind getrennte Meilensteine. Selbst ein deutlich schnellerer Design‑Workflow erfordert weiterhin Verifikation, Fertigung und physikalische Tests. Ein für einen Teilchendetektor oder ein kryogenes System vorgesehener Chip muss nachweisen, dass sein Verhalten die dafür festgelegten Bedingungen übersteht. KI‑generierte Design‑Dateien allein können das nicht belegen.

Quantenforschung: Hardware nützlich machen und Materialien rückwärts entwerfen

Das ASQC‑Projekt von Harvard kombiniert KI mit Quanten‑Hardware, um die Fehlkorrektur durch anwendungsbewusstes Co‑Design anzugehen. Praktisch bedeutet Co‑Design, Anwendung, Fehlkorrektur‑Ansatz und Hardware gemeinsam zu berücksichtigen, anstatt jedes als isoliertes Problem zu behandeln.

Quanten­geräte sind fehlerempfindlich. Fehlkorrekturschemata kodieren Informationen über physikalische Qubits, sodass ein logisches Qubit zuverlässiger sein kann. Harvards frühere Forschung zu logischen Quantenprozessoren liefert Hintergrund zu dieser Unterscheidung und zu den Bemühungen, Berechnungen mit kodierten Qubits durchzuführen.

Die neue Förderung sollte nicht als Ankündigung interpretiert werden, dass fehlertolerierendes Quanten‑Computing abgeschlossen ist. Stattdessen zielt sie auf ein schwieriges Optimierungsproblem ab: Wissenschaftliche Aufgaben mit den Ressourcen und dem Fehlverhalten realer Hardware abzustimmen.

Das ausgewählte Projekt des Oak Ridge National Laboratory behandelt eine weitere Quanten‑Grenze: physik‑informiertes inverses Design von Quantenmagneten für Sensorik und energieeffiziente Elektronik. Inverses Design beginnt mit einem gewünschten Verhalten und sucht nach einem System, das dieses erzeugen kann, wodurch der bekannte Prozess, ein Material auszuwählen und anschließend seine Eigenschaften zu berechnen, umgekehrt wird.

Für diese Art von Forschung ist physik‑informiertes Modellieren wichtig, weil eine attraktive numerische Lösung physikalisch nicht realisierbar sein kann. Ein nützliches Design muss letztlich mit Materialien verknüpft sein, die hergestellt und gemessen werden können. Die Ankündigung legt diese Forschungsrichtung fest; sie berichtet nicht über einen fertigen Sensor oder ein kommerzielles elektronisches Gerät.

Die weniger sichtbare Infrastruktur hinter wissenschaftlicher KI

Mehrere weitere Förderungen betreffen die Systeme, die groß angelegte Forschung ermöglichen. Das MIT‑Projekt verknüpft KI und Supercomputing mit der Gitter‑Quantenchromodynamik, einem rechnerischen Ansatz zur Untersuchung der starken Wechselwirkung. Das MOAT‑Core‑Projekt des Lawrence Berkeley National Laboratory entwickelt eine gemeinsame KI‑Plattform für das Design und den Betrieb von Teilchenbeschleunigern. Das Projekt von Northeastern wendet agentenbasierte Unterstützung auf die Facility for Rare Isotope Beams an.

Argonnes AI4HPC‑Initiative umfasst die Entwicklung, Optimierung und Verifizierung von Software für wissenschaftliches Rechnen. Diese Verifizierungskomponente ist entscheidend: Ein Programm, das schneller läuft, aber stillschweigend die wissenschaftliche Berechnung ändert, stellt keine Verbesserung dar.

Biologie ist ebenfalls vertreten. Die UC San Diego plant, eine RNA‑Strukturdatenbank um das Fünffache zu erweitern, während die University of Washington an Enzymdesign mittels verbesserter Sequenz‑Struktur‑Ensemble‑Modellierung arbeiten wird.

Diese Projekte verdeutlichen zwei Abhängigkeiten, die bei Modellankündigungen häufig übersehen werden: vertrauenswürdige Daten und verlässliche Werkzeuge. Der Nutzen eines wissenschaftlichen Agenten ist begrenzt durch das, worauf er zugreifen und was er ausführen kann. Die Anbindung von Agenten an Simulations‑Engines, kuratierte Datensätze und Instrumente kann sie leistungsfähiger machen, gleichzeitig steigt der Bedarf, ihre Aktionen zu verfolgen und ihre Ergebnisse zu validieren.

Wie unsere Berichterstattung über Anthropic’s Unterstützung für die Genesis-Mission zeigt, beinhaltet die Initiative zudem die Einführung kommerzieller KI‑Fähigkeiten in das wissenschaftliche Ökosystem. Die geförderten Projekte müssen ermitteln, wie sich diese Fähigkeiten in messbare Forschungserfolge übersetzen lassen.

Zwei separate Investitionen in die Forschenden, die diese Werkzeuge nutzen werden

DOE kündigte außerdem einen Genesis Mission Graduate Fellowship Pilot an. Es sind bis zu 100 Millionen US‑Dollar geplant, darunter 20 Millionen US‑Dollar im Haushaltsjahr 2027, wobei spätere Mittel von den Kongresszuweisungen abhängen. Es wird erwartet, dass die Anfangskoorte etwa 100 Doktorand*innen durch vierjährige Programme unterstützt, die KI mit einer wissenschaftlichen Disziplin verbinden.

Die geplanten Platzierungen umfassen sowohl ein DOE‑Labor oder eine Nutzer‑Einrichtung als auch ein Industrieumfeld. Diese Struktur könnte Forschenden helfen, die Lücke zwischen der Entwicklung einer KI‑Methode und ihrer Nutzbarmachung in einem experimentellen oder betrieblichen Umfeld zu verstehen.

Eine separate Ankündigung des Early Career Research Program umfasst 96 Millionen US‑Dollar für 67 Wissenschaftler*innen, mit Universitätszuschüssen von etwa 875.000 US‑Dollar und Laborzuschüssen von 2,75 Millionen US‑Dollar über fünf Jahre. Der Umfang umfasst KI, Quantenwissenschaft und Fusion sowie weitere Forschungsbereiche. DOE weist darauf hin, dass die Vergabe der Auszeichnungen weiterhin verhandelbar bleibt.

Diese Beträge sollten nicht zu einem einzigen vollständig bewilligten Genesis‑Paket zusammengefasst werden. Die 159 Millionen US‑Dollar betreffen die neuen Phase‑II‑Projekte; das Stipendium hat einen bedingten zukünftigen Finanzierungsplan; und die Unterstützung für Nachwuchsforscher ist ein separates Programm.

Was würde als Erfolg gelten?

Der entscheidendste Test dieses Portfolios wird sein, ob KI die wissenschaftliche Arbeit unter realistischen Bedingungen verbessert. Das bedeutet, die benötigte Zeit und Ressourcen bis zum Erreichen eines validierten Ergebnisses zu messen, die Qualität des Ergebnisses zu bewerten und die Fähigkeit des Systems zu prüfen, zu erkennen, wann seine eigenen Methoden unzuverlässig sind.

Ein nützliches Fusionsmodell sollte dabei helfen, bessere Experimente zu planen. Ein Chip‑Design‑Agent sollte Entwürfe erzeugen, die Verifikation und physikalische Tests bestehen. Ein Geothermie‑System sollte Entscheidungen unterstützen, die auch bei neuen Feldmessungen weiterhin fundiert bleiben. Ein wissenschaftliches Codierungs‑Tool sollte die Korrektheit bewahren, während es die Leistung steigert.

Die Genesis‑Auszeichnungen schaffen Spielraum, um diese Annahmen in sehr unterschiedlichen Disziplinen zu prüfen. Ihre Bedeutung liegt darin, KI näher an die Geräte, Daten und Zwänge der Wissenschaft zu bringen – und Forschenden die Ressourcen zu geben, herauszufinden, wo sie tatsächlich nützlich ist.