DOE χορηγεί $159 εκατομμύρια για την ενσωμάτωση επιστημονικής τεχνητής νοημοσύνης στη σύντηξη, το σχεδιασμό μικροκυκλωμάτων και την κβαντική έρευνα

Ένα πείραμα σύντηξης, ένας γεωθερμικός δεξαμενός και ένα μικροκύκλωμα σχεδιασμένο να αντέχει έντονη ακτινοβολία έχουν κάτι κοινό: το καθένα μπορεί να απαιτήσει από τους ερευνητές να εξερευνήσουν έναν τεράστιο χώρο πιθανών σχεδίων πριν βρουν ένα που λειτουργεί. Οι τελευταίες βραβεύσεις της αποστολής Genesis του Υπουργείου Ενέργειας των Η.Π.Α. στοχεύουν να ενσωματώσουν την τεχνητή νοημοσύνη σε αυτή τη διαδικασία αναζήτησης, βοηθώντας τους επιστήμονες να αποφασίσουν τι θα προσομοιωθεί, θα κατασκευαστεί και θα δοκιμαστεί στη συνέχεια.

DOE ανακοίνωσε $159 εκατομμύρια για 12 νέα έργα Φάσης II στις 8 Οκτωβρίου 2026, μαζί με 6 επιπλέον βραβεύσεις Φάσης I. Το υπουργείο αναφέρει ότι η πρώτη ετήσια ομάδα της αποστολής έχει πλέον ολοκληρωθεί με 297 έργα. Το ευρύτερο χαρτοφυλάκιο Φάσης II περιλαμβάνει 14 έργα, μεταξύ των οποίων τα GridFM 2.0 και Prometheus, υποστηριζόμενα από τις υπηρεσίες Ηλεκτρισμού και Πυρηνικής Ενέργειας.

Το εύρος είναι ασυνήθιστα ευρύ. Η επιλεγμένη εργασία εκτείνεται από τη σύντηξη και την γεωθερμική ενέργεια έως τις δομές RNA, τον διαχωρισμό σπάνιων γαιών, το επιστημονικό λογισμικό και την κβαντική υπολογιστική. Αυτό που ενώνει τα έργα είναι μια πρακτική φιλοδοξία: η χρήση τεχνητής νοημοσύνης για τη μείωση της απόστασης μεταξύ μιας ιδέας και ενός επιστημονικά χρήσιμου αποτελέσματος.

Τι εννοεί το DOE με το «Super Intelligence»

Το DOE περιγράφει την πρωτοβουλία χρησιμοποιώντας τον όρο «Super Intelligence», συντομογραφία SI. Αυτή η ορολογία απαιτεί προσοχή. Η ανακοίνωση καθιερώνει ένα ερευνητικό χαρτοφυλάκιο και τις προοριζόμενες εφαρμογές του· δεν παρουσιάζει αποδείξεις ότι ένα γενικού σκοπού σύστημα τεχνητής νοημοσύνης έχει ξεπεράσει τις ανθρώπινες ικανότητες σε όλη την επιστήμη.

Οι αρχικές επιλογές έργων Genesis που ανακοινώθηκαν τον Ιούλιο περιγράφουν ένα μείγμα προηγμένων μοντέλων, πλαισίων πρακτόρων, επιστημονικού λογισμικού και υπολογιστών υψηλών επιδόσεων. Αυτό είναι ένας χρήσιμος τρόπος να κατανοήσουμε τα νέα βραβεύματα: ως επενδύσεις σε ερευνητικά συστήματα με ενσωματωμένη τεχνητή νοημοσύνη, με δυνατότητες προσαρμοσμένες σε συγκεκριμένα πεδία και υποδομές.

Υπάρχει μια σημαντική διάκριση μεταξύ της δημιουργίας μιας πειστικής επιστημονικής απάντησης και της ολοκλήρωσης μιας αξιόπιστης επιστημονικής ροής εργασίας. Ένα μοντέλο μπορεί να προτείνει ένα υλικό, αλλά οι ιδιότητές του χρειάζονται ακόμη μέτρηση. Ένας πράκτορας μπορεί να δημιουργήσει κώδικα προσομοίωσης, αλλά ο κώδικας πρέπει να διατηρεί τις εξισώσεις και τις υποθέσεις που προοριζόταν από τους ερευνητές. Ένας βελτιστοποιητής μπορεί να προτείνει μια ρύθμιση μηχανής, αλλά πρέπει να σέβεται τα όρια λειτουργίας.

Το ενδιαφέρον ερώτημα, λοιπόν, είναι πώς αυτά τα έργα συνδέουν την πρόβλεψη και τη λογική με τα αποδεικτικά στοιχεία. Αυτή η σύνδεση θα καθορίσει αν η επένδυση θα παράγει καλύτερη επιστήμη αντί για απλώς πιο επιστημονικά εμφανή αποτελέσματα.

Σύντηξη: ψηφιακό δίδυμο για τον προγραμματισμό των λειτουργιών του SPARC

Commonwealth Fusion Systems αναπτύσσει ένα ψηφιακό δίδυμο με ενσωματωμένη τεχνητή νοημοσύνη για τη προσομοίωση και βελτιστοποίηση των λειτουργιών του SPARC. Ένα ψηφιακό δίδυμο είναι μια υπολογιστική αναπαράσταση ενός φυσικού συστήματος, χρήσιμη για την εξερεύνηση του πώς το σύστημα μπορεί να συμπεριφέρεται υπό διαφορετικές συνθήκες.

Η εταιρεία διαθέτει ήδη μια σχετική τεχνολογική βάση. Τον Ιανουάριο, η CFS ανακοίνωσε συνεργασία με τη Siemens και τη NVIDIA συνδυάζοντας εργαλεία μηχανικής με τεχνολογίες προσομοίωσης και οπτικοποίησης. Η προηγούμενη συνεργασία αυτή παρέχει πλαίσιο για το νέο βραβείο, αν και η ανακοίνωση του DOE δεν καθορίζει ότι κάθε στοιχείο της αρχιτεκτονικής του Ιανουαρίου αποτελεί μέρος του χρηματοδοτούμενου έργου.

Η CFS εξηγεί στην τεχνική παρουσίαση της τεχνητής νοημοσύνης και της προσομοίωσης ότι τα υποκατάστατα μοντέλα μπορούν να μάθουν από υπολογιστικά δαπανηρές φυσικές προσομοιώσεις και να προσεγγίζουν τα αποτελέσματά τους πιο γρήγορα. Τέτοια μοντέλα μπορούν να βοηθήσουν τους ερευνητές να εξερευνήσουν πολλές υποψήφιες συνθήκες λειτουργίας χωρίς να επαναλάβουν τον πιο απαιτητικό υπολογισμό για καθεμία.

Για ένα τοκάμακ, που χρησιμοποιεί μαγνητικά πεδία για τη σύσφιξη του θερμού πλάσματος, αυτό δημιουργεί ένα δυνητικά πολύτιμο εργαλείο προγραμματισμού. Οι ερευνητές μπορούν να εξετάσουν υποψήφιες σενάρια, να εντοπίσουν πολλά υποσχόμενα πειράματα και να συγκρίνουν τις προβλέψεις των μοντέλων με μετρήσεις. Το δύσκολο μέρος είναι η γνώση του πού μια γρήγορη προσέγγιση παραμένει αξιόπιστη και πού απαιτείται ο πλήρης φυσικός υπολογισμός.

Το SPARC είναι μια μηχανή επίδειξης σύντηξης, με την CFS να στοχεύει στην καθαρή ενέργεια σύντηξης το 2027. Αυτός ο στόχος αφορά την απόδοση της σύντηξης· δεν πρέπει να ερμηνευθεί ως ισχυρισμός ότι το SPARC ήδη παρέχει ηλεκτρική ενέργεια στο δίκτυο. Η βραχυπρόθεσμη σημασία του έργου τεχνητής νοημοσύνης είναι η δυνατότητά του να βελτιώσει τον προγραμματισμό και τη λειτουργία των πειραμάτων.

Γεωθερμία και σπάνια γαία: χρήση τεχνητής νοημοσύνης για την πλοήγηση σε σύνθετα φυσικά συστήματα

Το έργο MAESTRO του UC Irvine υιοθετεί μια πολυπρακτορική προσέγγιση για τη χαρτογράφηση, τη διέγερση και τη διαχείριση βαθιών γεωθερμικών δεξαμενών. Το όνομα αποτελεί συντομογραφία του Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Η γεωλογική πρόκληση είναι σημαντική. Η επισκόπηση των ενισχυμένων γεωθερμικών συστημάτων του DOE εξηγεί ότι ένας παραγωγικός γεωθερμικός πόρος χρειάζεται θερμότητα, υγρό και διαπερατότητα. Όταν οι φυσικές συνθήκες είναι ανεπαρκείς, η μηχανική μπορεί να δημιουργήσει ή να βελτιώσει διαδρόμους που επιτρέπουν στο υγρό να κυκλοφορεί μέσα από το ζεστό βράχο και να μεταφέρει τη θερμότητα προς την επιφάνεια.

Αυτό το υπόβαθρο βοηθά στην εξήγηση του γιατί ένα σύστημα τεχνητής νοημοσύνης θα μπορούσε να είναι χρήσιμο. Οι αποφάσεις για τις δεξαμενές περιλαμβάνουν ατελή υποεπιφανειακή πληροφορία και αλληλεπιδραστικές φυσικές διεργασίες. Μια πολυπρακτορική αρχιτεκτονική θα μπορούσε να διανείμει την αναλυτική εργασία μεταξύ εξειδικευμένων στοιχείων, αλλά η σύντομη ανακοίνωση του DOE δεν καθορίζει την πλήρη υλοποίηση ή τα όρια αυτονομίας του MAESTRO.

Η εκτίμησή μας είναι ότι η αξία του θα εξαρτηθεί από το πόσο καλά το συνδυασμένο σύστημα διαχειρίζεται την αβεβαιότητα. Η παραγωγή μιας εμπιστευτικής περιγραφής του κοιτάσματος είναι λιγότερο χρήσιμη από το να προσδιορίζονται τι είναι γνωστό, τι παραμένει αβέβαιο και ποια μέτρηση θα βελτίωνε περισσότερο την επόμενη λειτουργική απόφαση.

Το έργο AXIS του Πανεπιστημίου του Ιλινόις εφαρμόζει την τεχνητή νοημοσύνη σε ηλεκτροχημικές διεργασίες εξαγωγής σπάνιων γαιών από εγχώριες πηγές. Η εστίασή του στον σχεδιασμό ερυθο-ενεργών λιγανδών οδηγεί στη χημεία που διέπει την επιλεκτική διαχωριστική διαδικασία.

Το υποκείμενο πρόβλημα σχεδιασμού διαφέρει από τη γεωθερμική μηχανική, αλλά η λογική είναι παρόμοια: αναζήτηση ενός πολύπλοκου χώρου υποψηφίων ενώ τηρούνται οι φυσικοί περιορισμοί. Για την τεχνολογία διαχωρισμού, η ουσιαστική αξιολόγηση πρέπει να υπερβαίνει το ερώτημα εάν ένας υποψήφιος φαίνεται υποσχόμενος σε ένα μοντέλο. Η επιλεκτικότητα, η απόδοση, η κατανάλωση ενέργειας και η απόδοση σε ρεαλιστικά μίγματα θα ήταν χρήσιμα μέτρα προόδου. Αυτά είναι προτεινόμενα κριτήρια αξιολόγησης, όχι αποτελέσματα που αναφέρθηκαν στην ανακοίνωση της επιχορήγησης.

Chip για περιβάλλοντα που η κοινή ηλεκτρονική δεν μπορεί να αντέξει

Το έργο AXESS του Fermilab στοχεύει σε μικροηλεκτρονικά για περιβάλλοντα υψηλής ακτινοβολίας, διαστήματος και εξαιρετικά ψυχρά. Το όνομά του, Accelerating Extreme Environment Specs-to-Silicon, αποτυπώνει την φιλοδοξία να μεταβούμε από τις απαιτήσεις μηχανικής σε σχεδιασμούς chip πιο γρήγορα.

Η προηγούμενη περιγραφή του Fermilab για την πρωτοβουλία εξηγεί γιατί αυτές οι συσκευές είναι δύσκολο να αναπτυχθούν. Τα επιστημονικά όργανα μπορεί να απαιτούν προσαρμοσμένα ηλεκτρονικά που λειτουργούν υπό συνθήκες εκτός των σχεδιαστικών υποθέσεων των κυρίως εμπορικών chip. Το εργαστήριο περιγράφει τη χρήση τεχνητής νοημοσύνης για την επιτάχυνση μιας παραδοσιακά απαιτητικής διαδικασίας σχεδιασμού.

Η απόφαση του Οκτωβρίου εντάσσει το AXESS στη νέα χρηματοδότηση Genesis. Η ευκαιρία είναι να αυτοματοποιηθεί περισσότερο η εξερεύνηση και ο έλεγχος που εμπλέκονται στον εξειδικευμένο σχεδιασμό chip, αξιοποιώντας την τεχνογνωσία από εργαστήρια, πανεπιστήμια και βιομηχανία.

Η ταχύτητα σχεδιασμού και η ετοιμότητα της συσκευής είναι ξεχωριστά ορόσημα. Ακόμη και μια δραματικά ταχύτερη ροή εργασίας σχεδιασμού απαιτεί επαλήθευση, κατασκευή και φυσικές δοκιμές. Ένα chip που προορίζεται για ανιχνευτή σωματιδίων ή κρυογενικό σύστημα πρέπει να αποδείξει ότι η συμπεριφορά του αντέχει τις καθορισμένες συνθήκες. Τα αρχεία σχεδίασης που παράγονται από AI από μόνα τους δεν μπορούν να το αποδείξουν.

Κβαντική έρευνα: καθιστώντας το υλικό χρήσιμο και σχεδιάζοντας υλικά ανάποδα

Το έργο ASQC του Harvard συνδυάζει AI με κβανικό υλικό για την αντιμετώπιση της διόρθωσης σφαλμάτων μέσω συν-σχεδίου ευαισθητοποιημένου στην εφαρμογή. Στην πράξη, το συν-σχέδιο σημαίνει ότι λαμβάνονται υπόψη ταυτόχρονα η εφαρμογή, η προσέγγιση διόρθωσης σφαλμάτων και το υλικό, αντί να αντιμετωπίζονται ως απομονωμένα προβλήματα.

Οι κβαντικές συσκευές είναι ευαίσθητες σε σφάλματα. Τα σχήματα διόρθωσης σφαλμάτων κωδικοποιούν πληροφορίες σε φυσικά qubits ώστε ένα λογικό qubit να είναι πιο αξιόπιστο. Η προηγούμενη έρευνα του Harvard για λογικούς κβαντικούς επεξεργαστές παρέχει το υπόβαθρο για αυτή τη διάκριση και την προσπάθεια εκτέλεσης υπολογισμών χρησιμοποιώντας κωδικοποιημένα qubits.

Η νέα επιχορήγηση δεν πρέπει να ερμηνευθεί ως ανακοίνωση ότι η ανθεκτική σε σφάλματα κβαντική υπολογιστική έχει ολοκληρωθεί. Αντίθετα, στοχεύει σε ένα δύσκολο πρόβλημα βελτιστοποίησης: την αντιστοίχιση επιστημονικών εργασιών με τους πόρους και τη συμπεριφορά σφαλμάτων του πραγματικού υλικού.

Το επιλεγμένο έργο του Εθνικού Εργαστηρίου Oak Ridge αντιμετωπίζει ένα άλλο κβαντικό μέτωπο: τον φυσικά‑πληροφοριακό αντίστροφο σχεδιασμό κβαντικών μαγνητών για ανίχνευση και ηλεκτρονικά χαμηλής κατανάλωσης. Ο αντίστροφος σχεδιασμός ξεκινά από την επιθυμητή συμπεριφορά και αναζητά ένα σύστημα που θα μπορούσε να την παράγει, αντιστρέφοντας τη γνωστή διαδικασία επιλογής υλικού και υπολογισμού των ιδιοτήτων του.

Για αυτό το είδος έρευνας, η φυσικά‑πληροφοριακή μοντελοποίηση έχει σημασία επειδή μια ελκυστική αριθμητική λύση μπορεί να είναι φυσικά αδύνατη. Ένας χρήσιμος σχεδιασμός πρέπει τελικά να συνδέεται με υλικά που μπορούν να παραχθούν και να μετρηθούν. Η ανακοίνωση θέτει αυτή την ερευνητική κατεύθυνση· δεν αναφέρει ολοκληρωμένο αισθητήρα ή εμπορική ηλεκτρονική συσκευή.

Η λιγότερο ορατή υποδομή πίσω από την επιστημονική AI

Αρκετές άλλες επιχορηγήσεις αφορούν τα συστήματα που καθιστούν δυνατή την έρευνα μεγάλης κλίμακας. Το έργο του MIT συνδέει AI και υπερυπολογιστές με το lattice quantum chromodynamics, μια υπολογιστική προσέγγιση για τη μελέτη της ισχυρής αλληλεπίδρασης. Το MOAT-Core του Εθνικού Εργαστηρίου Lawrence Berkeley αναπτύσσει μια κοινή πλατφόρμα AI για το σχεδιασμό και τη λειτουργία επιταχυντών. Το έργο του Northeastern εφαρμόζει βοηθητική πράξη σε πράκτορα στο Facility for Rare Isotope Beams.

Η προσπάθεια AI4HPC του Argonne περιλαμβάνει την ανάπτυξη, βελτιστοποίηση και επαλήθευση λογισμικού επιστημονικών υπολογισμών. Αυτό το στοιχείο επαλήθευσης είναι καθοριστικό: ένα πρόγραμμα που τρέχει γρηγορότερα αλλά αλλάζει σιωπηλά τον επιστημονικό υπολογισμό δεν αποτελεί βελτίωση.

Η βιολογία επίσης εκπροσωπείται. Το UC San Diego στοχεύει στην πενταπλάσια επέκταση μιας βάσης δεδομένων δομών RNA, ενώ το Πανεπιστήμιο της Washington θα εργαστεί στον σχεδιασμό ενζύμων μέσω βελτιωμένης μοντελοποίησης συνόλου αλληλουχίας‑δομής.

Αυτά τα έργα αναδεικνύουν δύο εξαρτήσεις που συχνά παραβλέπονται στις ανακοινώσεις μοντέλων: αξιόπιστα δεδομένα και αξιόπιστα εργαλεία. Η χρησιμότητα ενός επιστημονικού πράκτορα περιορίζεται από το τι μπορεί να προσπελάσει και να εκτελέσει. Η σύνδεση των πρακτόρων με μηχανές προσομοίωσης, επιμελημένα σύνολα δεδομένων και όργανα μπορεί να τους κάνει πιο ικανούς, ενώ αυξάνει την ανάγκη παρακολούθησης των ενεργειών τους και επαλήθευσης των αποτελεσμάτων τους.

Καθώς δείχνει η κάλυψή μας του η υποστήριξη του Anthropic για το Genesis Mission, η πρωτοβουλία περιλαμβάνει επίσης την ενσωμάτωση εμπορικών δυνατοτήτων AI στο επιστημονικό οικοσύστημα. Τα χρηματοδοτούμενα έργα θα πρέπει να καθορίσουν πώς αυτές οι δυνατότητες μεταφράζονται σε μετρήσιμα ερευνητικά οφέλη.

Δύο ξεχωριστές επενδύσεις στους ερευνητές που θα χρησιμοποιήσουν αυτά τα εργαλεία

Το DOE ανακοίνωσε επίσης ένα Pilot του Μεταπτυχιακού Υποτροφίου Genesis Mission. Προβλέπει έως $100 εκατομμύρια, συμπεριλαμβανομένων $20 εκατομμυρίων για το οικονομικό έτος 2027, με μελλοντική χρηματοδότηση υπό προϋπόθεση ορκωδών εκχωρήσεων. Η αρχική ομάδα αναμένεται να υποστηρίξει περίπου 100 διδακτορικούς υποψήφιους μέσω τετραετών διαδρομών που συνδυάζουν AI και μια επιστημονική ειδικότητα.

Οι προγραμματισμένες τοποθετήσεις περιλαμβάνουν τόσο ένα εργαστήριο ή εγκατάσταση χρήστη του DOE όσο και ένα βιομηχανικό περιβάλλον. Αυτή η δομή θα μπορούσε να βοηθήσει τους ερευνητές να κατανοήσουν το χάσμα μεταξύ της ανάπτυξης μιας μεθόδου AI και της χρήσης της σε πειραματικό ή λειτουργικό περιβάλλον.

Μια ξεχωριστή ανακοίνωση του Early Career Research Program καλύπτει $96 εκατομμύρια για 67 επιστήμονες, με βραβεία πανεπιστημίων περίπου $875.000 και βραβεία εργαστηρίων $2,75 εκατομμύρια σε πέντε χρόνια. Το πεδίο της περιλαμβάνει AI, κβαντική επιστήμη και σύντηξη, μεταξύ άλλων ερευνητικών τομέων. Το DOE σημειώνει ότι οι επιλογές των βραβείων παραμένουν υπό διαπραγμάτευση.

Αυτά τα ποσά δεν πρέπει να συγχωνεύονται σε ένα ενιαίο πλήρως χορηγούμενο πακέτο Genesis. Τα $159 εκατομμύρια αφορούν τα νέα έργα Φάσης II· η υποτροφία έχει ένα υπό όρους σχέδιο μελλοντικής χρηματοδότησης· και η υποστήριξη νέων ερευνητών αποτελεί ξεχωριστό πρόγραμμα.

Τι θα θεωρηθεί επιτυχία;

Η πιο σκληρή δοκιμή αυτού του χαρτοφυλακίου θα είναι αν το AI βελτιώσει την επιστημονική εργασία υπό ρεαλιστικές συνθήκες. Αυτό σημαίνει τη μέτρηση του χρόνου και των πόρων που απαιτούνται για την επίτευξη ενός επικυρωμένου αποτελέσματος, την ποιότητα του αποτελέσματος, και την ικανότητα του συστήματος να αναγνωρίζει πότε οι δικές του μέθοδοι είναι αναξιόπιστες.

Ένα χρήσιμο μοντέλο σύντηξης θα πρέπει να βοηθά στον προγραμματισμό καλύτερων πειραμάτων. Ένας πράκτορας σχεδιασμού τσιπ θα πρέπει να παράγει σχέδια που περνούν επαλήθευση και φυσικές δοκιμές. Ένα γεωθερμικό σύστημα θα πρέπει να υποστηρίζει αποφάσεις που παραμένουν αξιόπιστες όταν φτάνουν νέες μετρήσεις πεδίου. Ένα επιστημονικό εργαλείο κωδικοποίησης θα πρέπει να διατηρεί τη σωστή λειτουργία καθώς βελτιώνει την απόδοση.

Τα βραβεία Genesis δημιουργούν χώρο για να δοκιμαστούν αυτές οι προτάσεις σε πολύ διαφορετικούς κλάδους. Η σημασία τους έγκειται στο να φέρνουν το AI πιο κοντά στη μηχανή, τα δεδομένα και τους περιορισμούς της επιστήμης—και να παρέχουν στους ερευνητές τους πόρους για να ανακαλύψουν πού βοηθά πραγματικά.