DOE otorga $159M para incorporar IA científica en fusión, diseño de chips e investigación cuántica

Un experimento de fusión, un reservorio geotérmico y un chip diseñado para soportar radiación intensa tienen algo en común: cada uno puede obligar a los investigadores a explorar un enorme espacio de diseños posibles antes de encontrar uno que funcione. Los últimos premios de la Misión Genesis del Departamento de Energía de EE. UU. buscan incorporar IA en ese proceso de búsqueda, ayudando a los científicos a decidir qué simular, construir y probar a continuación.

DOE anunció $159 millones para 12 nuevos proyectos de Fase II el 8 de octubre de 2026, junto con seis premios adicionales de Fase I. El departamento indica que la cohorte del primer año de la misión ya está completa con 297 proyectos. Su cartera más amplia de Fase II incluye 14 proyectos, entre ellos GridFM 2.0 y Prometheus, respaldados por las oficinas de Electricidad y Energía Nuclear.

El alcance es inusualmente amplio. El trabajo seleccionado abarca desde la fusión y la energía geotérmica hasta estructuras de ARN, separación de tierras raras, software científico y computación cuántica. Lo que une los proyectos es una ambición práctica: usar IA para acortar la distancia entre una idea y un resultado científicamente útil.

Qué entiende el DOE por “Super Intelligence”

DOE describe la iniciativa usando el término “Super Intelligence”, abreviado SI. Esa terminología requiere precaución. El anuncio establece una cartera de investigación y sus aplicaciones previstas; no presenta evidencia de que un sistema de IA de propósito general haya superado la capacidad humana en la ciencia.

Las selecciones iniciales de proyectos Genesis anunciadas en julio describen una combinación de modelos avanzados, marcos de agentes, software científico y computación de alto rendimiento. Esa es una forma útil de entender los nuevos premios: como inversiones en sistemas de investigación habilitados por IA, con capacidades adaptadas a disciplinas e infraestructuras particulares.

Existe una distinción importante entre generar una respuesta científica plausible y completar un flujo de trabajo científico fiable. Un modelo puede proponer un material, pero sus propiedades aún requieren medición. Un agente puede generar código de simulación, pero el código debe preservar las ecuaciones y suposiciones que los investigadores pretendían. Un optimizador puede recomendar una configuración de máquina, pero debe respetar los límites operativos.

La cuestión interesante, por lo tanto, es cómo estos proyectos conectan la predicción y el razonamiento con la evidencia. Esa conexión determinará si la inversión genera una ciencia mejor en lugar de simplemente producir resultados de aspecto más científico.

Fusión: un gemelo digital para planificar operaciones de SPARC

Commonwealth Fusion Systems está desarrollando un gemelo digital habilitado por IA para simular y optimizar las operaciones de SPARC. Un gemelo digital es una representación computacional de un sistema físico, útil para explorar cómo podría comportarse ese sistema bajo diferentes condiciones.

La empresa ya cuenta con una base tecnológica relevante. En enero, CFS anunció trabajo con Siemens y NVIDIA combinando herramientas de ingeniería con tecnologías de simulación y visualización. Esa colaboración anterior brinda contexto para el nuevo premio, aunque el anuncio del DOE no establece que cada componente de la arquitectura de enero forme parte del proyecto financiado.

CFS explica en su informe técnico sobre IA y simulación que los modelos sustitutos pueden aprender de simulaciones físicas costosas computacionalmente y aproximar sus resultados más rápidamente. Tales modelos pueden ayudar a los investigadores a explorar muchas condiciones operativas candidatas sin volver a ejecutar el cálculo más exigente para cada una.

Para un tokamak, que utiliza campos magnéticos para confinar plasma caliente, esto crea una herramienta de planificación potencialmente valiosa. Los investigadores pueden examinar escenarios candidatos, identificar experimentos prometedores y comparar las predicciones del modelo con las mediciones. La parte difícil es saber dónde una aproximación rápida sigue siendo confiable y dónde se necesita el cálculo completo de la física.

SPARC es una máquina de demostración de fusión, con CFS apuntando a energía neta de fusión en 2027. Ese objetivo se refiere al rendimiento de la fusión; no debe interpretarse como una afirmación de que SPARC ya está suministrando electricidad a la red. La importancia a corto plazo del proyecto de IA es su potencial para mejorar la planificación y operación experimental.

Geotermia y tierras raras: usar IA para navegar sistemas físicos complejos

El proyecto MAESTRO de UC Irvine adopta un enfoque multiagente para mapear, estimular y gestionar reservorios geotérmicos profundos. El nombre se expande a Multi-agent AI Expert for Subsurface Reasoning and Optimization.

El desafío geológico es considerable. La visión general de sistemas geotérmicos mejorados del DOE explica que un recurso geotérmico productivo necesita calor, fluido y permeabilidad. Cuando las condiciones naturales son insuficientes, la ingeniería puede crear o mejorar vías que permitan al fluido circular a través de la roca caliente y transportar el calor hacia la superficie.

Ese contexto ayuda a explicar por qué un sistema de IA podría ser útil. Las decisiones sobre reservorios implican información subterránea imperfecta y procesos físicos interrelacionados. Una arquitectura multiagente podría dividir el trabajo analítico entre componentes especializados, pero el breve anuncio del DOE no especifica la implementación completa de MAESTRO ni los límites de autonomía.

Nuestra evaluación es que su valor dependerá de qué tan bien el sistema combinado maneje la incertidumbre. Producir una descripción confiada del yacimiento es menos útil que identificar lo que se conoce, lo que sigue siendo incierto y qué medida mejoraría más la siguiente decisión operativa.

El proyecto AXIS de la Universidad de Illinois aplica IA a procesos electroquímicos para extraer elementos de tierras raras de fuentes nacionales. Su enfoque en el diseño de ligandos redox‑activos apunta a la química que rige la separación selectiva.

El problema de diseño subyacente es diferente del de la ingeniería geotérmica, pero la lógica es similar: buscar en un espacio complicado de candidatos respetando las limitaciones físicas. Para la tecnología de separación, una evaluación significativa debe ir más allá de si un candidato parece prometedor en un modelo. La selectividad, la recuperación, el consumo de energía y el desempeño en mezclas realistas serían medidas útiles del progreso. Esos son criterios de evaluación propuestos, no resultados reportados en el anuncio del premio.

Chips para entornos que la electrónica convencional no puede tolerar

El proyecto AXESS de Fermilab se dirige a la microelectrónica para entornos de alta radiación, espaciales y extremadamente fríos. Su nombre, Accelerating Extreme Environment Specs-to-Silicon, refleja la ambición de pasar de los requisitos de ingeniería a los diseños de chips de forma más rápida.

la descripción anterior de Fermilab de la iniciativa explica por qué estos dispositivos son difíciles de desarrollar. Los instrumentos científicos pueden requerir electrónica a medida que opere bajo condiciones fuera de las suposiciones de diseño de los chips comerciales convencionales. El laboratorio describe el uso de IA para acelerar un proceso de diseño tradicionalmente exigente.

El anuncio de octubre coloca a AXESS dentro del nuevo financiamiento Genesis. La oportunidad es automatizar más la exploración y verificación involucradas en el diseño de chips especializados, aprovechando la experiencia de laboratorios, universidades e industria.

La velocidad de diseño y la disponibilidad del dispositivo son hitos separados. Incluso un flujo de trabajo de diseño dramáticamente más rápido aún necesita verificación, fabricación y pruebas físicas. Un chip destinado a un detector de partículas o a un sistema criogénico debe demostrar que su comportamiento soporta las condiciones especificadas para él. Los archivos de diseño generados por IA por sí solos no pueden establecer eso.

Investigación cuántica: hacer que el hardware sea útil y diseñar materiales a la inversa

El proyecto ASQC de Harvard combina IA con hardware cuántico para abordar la corrección de errores mediante co‑diseño consciente de la aplicación. En términos prácticos, el co‑diseño implica considerar la aplicación, el enfoque de corrección de errores y el hardware conjuntamente, en lugar de tratar cada uno como un problema aislado.

Los dispositivos cuánticos son sensibles a los errores. Los esquemas de corrección de errores codifican la información a través de qubits físicos de modo que un qubit lógico sea más fiable. La investigación anterior de procesador cuántico lógico de Harvard brinda antecedentes sobre esa distinción y el esfuerzo por ejecutar cálculos usando qubits codificados.

El nuevo premio no debe interpretarse como un anuncio de que la computación cuántica tolerante a fallos se ha completado. En su lugar, apunta a un problema de optimización difícil: emparejar tareas científicas con los recursos y el comportamiento de errores del hardware real.

El proyecto seleccionado del Laboratorio Nacional Oak Ridge aborda otra frontera cuántica: el diseño inverso informado por la física de imanes cuánticos para detección y electrónica de bajo consumo. El diseño inverso comienza con un comportamiento deseado y busca un sistema que pueda producirlo, invirtiendo el proceso familiar de elegir un material y luego calcular sus propiedades.

Para este tipo de investigación, la modelización informada por la física es importante porque una solución numérica atractiva puede ser físicamente inalcanzable. Un diseño útil debe, en última instancia, conectarse a materiales que puedan fabricarse y medirse. El anuncio establece esa dirección de investigación; no informa de un sensor terminado ni de un dispositivo electrónico comercial.

La infraestructura menos visible detrás de la IA científica

Varios otros premios se refieren a los sistemas que hacen posible la investigación a gran escala. El proyecto del MIT conecta IA y supercomputación con la cromodinámica cuántica de redes, un enfoque computacional para estudiar la interacción fuerte. MOAT-Core del Laboratorio Nacional Lawrence Berkeley desarrolla una plataforma de IA compartida para el diseño y operación de aceleradores. El proyecto de Northeastern aplica asistencia agente al Facility for Rare Isotope Beams.

El esfuerzo AI4HPC de Argonne incluye el desarrollo, la optimización y la verificación del software de computación científica. Ese componente de verificación es crucial: un programa que funciona más rápido pero altera silenciosamente el cálculo científico no constituye una mejora.

La biología también está representada. UC San Diego pretende ampliar una base de datos de estructuras de ARN cinco veces, mientras que la Universidad de Washington trabajará en el diseño de enzimas mediante un modelado mejorado de conjuntos secuencia‑estructura.

Estos proyectos resaltan dos dependencias que a menudo quedan opacadas por los anuncios de modelos: datos confiables y herramientas fiables. La utilidad de un agente científico está limitada por lo que puede acceder y ejecutar. Conectar agentes a motores de simulación, conjuntos de datos curados e instrumentos puede hacerlos más capaces, al tiempo que aumenta la necesidad de rastrear sus acciones y validar sus resultados.

Como ilustra nuestra cobertura de Apoyo de Anthropic para la Misión Genesis, la iniciativa también implica llevar capacidades comerciales de IA al ecosistema científico. Los proyectos financiados deberán establecer cómo esas capacidades se traducen en ganancias de investigación medibles.

Dos inversiones separadas en los investigadores que utilizarán estas herramientas

DOE también anunció un Genesis Mission Graduate Fellowship Pilot. Planea hasta 100 millones de dólares, incluidos 20 millones en el ejercicio fiscal 2027, con financiación posterior condicionada a las asignaciones del Congreso. Se espera que la cohorte inicial apoye a aproximadamente 100 doctorandos a través de trayectorias de cuatro años que combinan IA y una disciplina científica.

Las ubicaciones previstas incluyen tanto un laboratorio o instalación de usuarios del DOE como un entorno industrial. Esa estructura podría ayudar a los investigadores a comprender la brecha entre desarrollar un método de IA y hacerlo útil en un entorno experimental u operativo.

Un anuncio del Programa de Investigación de Primera Carrera cubre $96 millones para 67 científicos, con premios universitarios de aproximadamente $875,000 y premios de laboratorio de $2.75 millones durante cinco años. Su alcance incluye IA, ciencia cuántica y fusión, entre otras áreas de investigación. DOE señala que la selección de los premios sigue sujeta a negociaciones.

Estas cantidades no deben consolidarse en un único paquete Genesis totalmente adjudicado. Los 159 millones de dólares se refieren a los nuevos proyectos de la Fase II; la beca tiene un plan de financiación futura condicional; y el apoyo a investigadores en etapa temprana es un programa separado.

¿Qué se consideraría un éxito?

La prueba más rigurosa de este portafolio será si la IA mejora el trabajo científico bajo condiciones realistas. Eso implica medir el tiempo y los recursos necesarios para alcanzar un resultado validado, la calidad del resultado y la capacidad del sistema para reconocer cuándo sus propios métodos son poco fiables.

Un modelo de fusión útil debería ayudar a planificar mejores experimentos. Un agente de diseño de chips debería producir diseños que superen la verificación y las pruebas físicas. Un sistema geotérmico debería respaldar decisiones que sigan siendo sólidas cuando lleguen nuevas mediciones de campo. Una herramienta de codificación científica debería preservar la corrección a medida que mejora el rendimiento.

Los premios Genesis crean espacio para probar esas proposiciones en disciplinas muy diferentes. Su importancia radica en acercar la IA a la maquinaria, los datos y las limitaciones de la ciencia, y en proporcionar a los investigadores los recursos para descubrir dónde realmente ayuda.