Le DOE attribue 159 M$ pour intégrer l’IA scientifique à la fusion, à la conception de puces et à la recherche quantique

Une expérience de fusion, un réservoir géothermique et une puce conçue pour résister à une forte radiation ont un point commun : chacune peut obliger les chercheurs à explorer un vaste espace de conceptions possibles avant d’en trouver une qui fonctionne. Les dernières subventions de la Mission Genesis du Département de l’Énergie des États‑Unis visent à intégrer l’IA dans ce processus de recherche, aidant les scientifiques à décider quoi simuler, construire et tester ensuite.

Le DOE a annoncé $159 million pour 12 nouveaux projets Phase II le 8 octobre 2026, parallèlement à six subventions supplémentaires de Phase I. Le département indique que la cohorte de première année de la mission compte désormais 297 projets. Son portefeuille plus large de Phase II comprend 14 projets, dont GridFM 2.0 et Prometheus, soutenus par les bureaux de l’Électricité et de l’Énergie nucléaire.

Le champ d’application est exceptionnellement large. Les travaux sélectionnés s’étendent de la fusion et de l’énergie géothermique aux structures d’ARN, à la séparation des terres rares, aux logiciels scientifiques et à l’informatique quantique. Ce qui relie les projets est une ambition pratique : utiliser l’IA pour réduire l’écart entre une idée et un résultat scientifiquement utile.

Ce que le DOE entend par « Super Intelligence »

Le DOE décrit l’initiative en utilisant le terme « Super Intelligence », abrégé SI. Cette terminologie mérite prudence. L’annonce établit un portefeuille de recherche et ses applications prévues ; elle ne fournit aucune preuve qu’un système d’IA à usage général aurait dépassé les capacités humaines dans tous les domaines scientifiques.

Les sélections initiales des projets Genesis annoncées en juillet décrivent un mélange de modèles avancés, de cadres d’agents, de logiciels scientifiques et de calcul haute performance. C’est une façon utile de comprendre les nouvelles subventions : comme des investissements dans des systèmes de recherche dotés d’IA, avec des capacités adaptées à des disciplines et à des infrastructures spécifiques.

Il existe une distinction importante entre la génération d’une réponse scientifique plausible et la réalisation d’un flux de travail scientifique fiable. Un modèle peut proposer un matériau, mais ses propriétés doivent encore être mesurées. Un agent peut générer du code de simulation, mais le code doit préserver les équations et les hypothèses que les chercheurs ont prévues. Un optimiseur peut recommander un réglage de machine, mais il doit respecter les limites opérationnelles.

La question intéressante est donc de savoir comment ces projets relient prédiction et raisonnement aux preuves. Cette connexion déterminera si l’investissement produit une science meilleure plutôt que simplement des résultats qui semblent plus scientifiques.

Fusion : un jumeau numérique pour planifier les opérations de SPARC

Commonwealth Fusion Systems développe un jumeau numérique doté d’IA pour simuler et optimiser les opérations de SPARC. Un jumeau numérique est une représentation informatique d’un système physique, utile pour explorer comment ce système pourrait se comporter dans différentes conditions.

L’entreprise possède déjà une base technologique pertinente. En janvier, CFS a annoncé une collaboration avec Siemens et NVIDIA combinant outils d’ingénierie avec des technologies de simulation et de visualisation. Cette collaboration antérieure fournit un contexte pour la nouvelle subvention, bien que l’annonce du DOE ne précise pas que chaque composant de l’architecture de janvier fait partie du projet financé.

CFS explique dans son exposé technique de l’IA et de la simulation que les modèles de substitution peuvent apprendre à partir de simulations physiques coûteuses en calcul et approximer leurs résultats plus rapidement. De tels modèles peuvent aider les chercheurs à explorer de nombreuses conditions de fonctionnement candidates sans devoir relancer le calcul le plus exigeant pour chacune d’elles.

Pour un tokamak, qui utilise des champs magnétiques pour confiner le plasma chaud, cela crée un outil de planification potentiellement précieux. Les chercheurs peuvent examiner des scénarios candidats, identifier des expériences prometteuses et comparer les prédictions du modèle avec les mesures. La partie difficile consiste à savoir où une approximation rapide reste fiable et où le calcul complet de la physique est nécessaire.

SPARC est une machine de démonstration de fusion, CFS visant une énergie nette de fusion d’ici 2027. Cet objectif concerne la performance de la fusion ; il ne faut pas le lire comme une affirmation selon laquelle SPARC fournit déjà de l’électricité au réseau. L’importance à court terme du projet d’IA réside dans son potentiel à améliorer la planification et l’exploitation expérimentales.

Géothermie et terres rares : utiliser l’IA pour naviguer dans des systèmes physiques complexes

Le projet MAESTRO de l’UC Irvine adopte une approche multi‑agents pour cartographier, stimuler et gérer les réservoirs géothermiques profonds. Le nom se développe en Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Le défi géologique est considérable. L’aperçu des systèmes géothermiques améliorés du DOE explique qu’une ressource géothermique productive nécessite de la chaleur, du fluide et de la perméabilité. Lorsque les conditions naturelles sont insuffisantes, l’ingénierie peut créer ou améliorer des voies permettant au fluide de circuler à travers la roche chaude et de transporter la chaleur vers la surface.

Ce contexte aide à expliquer pourquoi un système d’IA pourrait être utile. Les décisions concernant les réservoirs impliquent des informations souterraines imparfaites et des processus physiques interactifs. Une architecture multi‑agents pourrait répartir le travail analytique entre des composants spécialisés, mais l’annonce brève du DOE ne précise pas la mise en œuvre complète de MAESTRO ni les limites d’autonomie.

Notre évaluation est que sa valeur dépendra de la capacité du système combiné à gérer l’incertitude. Produire une description fiable du réservoir est moins utile que d’identifier ce qui est connu, ce qui demeure incertain, et quelle mesure améliorerait le plus la prochaine décision opérationnelle.

Le projet AXIS de l’Université de l’Illinois applique l’IA aux processus électrochimiques pour extraire les terres rares de sources nationales. Son orientation vers la conception de ligands redox‑actifs vise la chimie qui régit la séparation sélective.

Le problème de conception sous‑jacent diffère de l’ingénierie géothermique, mais la logique est similaire : explorer un espace complexe de candidats tout en respectant les contraintes physiques. Pour la technologie de séparation, une évaluation pertinente doit aller au-delà de l’apparence prometteuse d’un candidat dans un modèle. La sélectivité, le rendement, la consommation d’énergie et les performances dans des mélanges réalistes seraient des mesures utiles du progrès. Il s’agit de critères d’évaluation proposés, et non de résultats présentés dans l’annonce de l’attribution.

Puces pour des environnements que l’électronique ordinaire ne peut tolérer

Le projet AXESS de Fermilab vise la microélectronique pour des environnements à haute radiation, spatiaux et extrêmement froids. Son nom, Accelerating Extreme Environment Specs-to-Silicon, reflète l’ambition d’accélérer le passage des exigences d’ingénierie aux conceptions de puces.

description antérieure de l’initiative de Fermilab explique pourquoi ces dispositifs sont difficiles à développer. Les instruments scientifiques peuvent nécessiter des électroniques sur mesure fonctionnant dans des conditions qui dépassent les hypothèses de conception des puces commerciales grand public. Le laboratoire décrit l’utilisation de l’IA pour accélérer un processus de conception traditionnellement exigeant.

L’annonce d’octobre place AXESS dans le nouveau financement Genesis. L’opportunité est d’automatiser davantage l’exploration et la vérification impliquées dans la conception de puces spécialisées, en s’appuyant sur l’expertise des laboratoires, des universités et de l’industrie.

La vitesse de conception et la disponibilité du dispositif sont des jalons distincts. Même un flux de conception nettement plus rapide nécessite toujours vérification, fabrication et tests physiques. Une puce destinée à un détecteur de particules ou à un système cryogénique doit démontrer que son comportement survit aux conditions qui lui sont imposées. Les fichiers de conception générés par l’IA ne peuvent pas à eux seuls établir cela.

Recherche quantique : rendre le matériel utile et concevoir les matériaux à rebours

Le projet ASQC de Harvard combine l’IA avec le matériel quantique pour aborder la correction d’erreurs grâce à une co‑conception consciente de l’application. En pratique, la co‑conception consiste à considérer conjointement l’application, la méthode de correction d’erreurs et le matériel, plutôt que de traiter chacun comme un problème isolé.

Les dispositifs quantiques sont sensibles aux erreurs. Les schémas de correction d’erreurs codent l’information sur plusieurs qubits physiques afin qu’un qubit logique soit plus fiable. La recherche antérieure sur les processeurs quantiques logiques de Harvard fournit le contexte de cette distinction et les efforts visant à exécuter des calculs en utilisant des qubits encodés.

La nouvelle subvention ne doit pas être interprétée comme une annonce selon laquelle l’informatique quantique tolérante aux fautes serait achevée. Au contraire, elle vise un problème d’optimisation difficile : faire correspondre les tâches scientifiques aux ressources et au comportement d’erreur du matériel réel.

Le projet sélectionné du Oak Ridge National Laboratory aborde une autre frontière quantique : la conception inverse informée par la physique de magnets quantiques pour le capteur et l’électronique à faible consommation. La conception inverse part d’un comportement souhaité et recherche un système capable de le produire, inversant le processus habituel de sélection d’un matériau puis de calcul de ses propriétés.

Pour ce type de recherche, la modélisation informée par la physique est importante car une solution numérique attrayante peut être physiquement irréalisable. Une conception utile doit finalement être liée à des matériaux pouvant être fabriqués et mesurés. L’annonce définit cette orientation de recherche ; elle ne rapporte pas de capteur fini ni de dispositif électronique commercial.

L’infrastructure moins visible derrière l’IA scientifique

D’autres subventions concernent les systèmes qui rendent la recherche à grande échelle possible. Le projet du MIT relie l’IA et le supercalculateur à la chromodynamique quantique sur réseau, une approche computationnelle de l’étude de l’interaction forte. Le MOAT-Core du Lawrence Berkeley National Laboratory développe une plateforme IA partagée pour la conception et l’exploitation d’accélérateurs. Le projet de Northeastern applique une assistance agentique à la Facility for Rare Isotope Beams.

L’initiative AI4HPC d’Argonne comprend le développement, l’optimisation et la vérification de logiciels de calcul scientifique. Cette composante de vérification est cruciale : un programme qui s’exécute plus rapidement mais modifie silencieusement le calcul scientifique n’est pas une amélioration.

La biologie est également représentée. L’UC San Diego vise à multiplier par cinq une base de données de structures d’ARN, tandis que l’Université de Washington travaillera sur la conception d’enzymes grâce à une modélisation améliorée des ensembles séquence‑structure.

Ces projets mettent en évidence deux dépendances souvent éclipsées par les annonces de modèles : des données fiables et des outils fiables. L’utilité d’un agent scientifique est limitée par ce qu’il peut accéder et exécuter. Connecter les agents à des moteurs de simulation, des ensembles de données curés et des instruments peut les rendre plus performants, tout en augmentant le besoin de suivre leurs actions et de valider leurs sorties.

Comme le montre notre couverture de le soutien d’Anthropic à la Genesis Mission, l’initiative implique également d’introduire des capacités d’IA commerciales dans l’écosystème scientifique. Les projets financés devront déterminer comment ces capacités se traduisent en gains de recherche mesurables.

Deux investissements distincts pour les chercheurs qui utiliseront ces outils

Le DOE a également annoncé un Programme pilote de bourse d’études supérieures Genesis Mission. Il prévoit jusqu’à $100 million, dont $20 million pour l’exercice 2027, le financement ultérieur étant conditionné aux crédits du Congrès. La cohorte initiale devrait soutenir environ 100 doctorants au cours de parcours de quatre ans combinant IA et une discipline scientifique.

Les affectations prévues comprennent à la fois un laboratoire ou une installation utilisateur du DOE et un cadre industriel. Cette structure pourrait aider les chercheurs à comprendre l’écart entre le développement d’une méthode d’IA et son utilité dans un environnement expérimental ou opérationnel.

Une annonce du Early Career Research Program distincte couvre $96 million pour 67 scientifiques, avec des subventions universitaires d’environ $875,000 et des subventions de laboratoire de $2.75 million sur cinq ans. Son champ d’application comprend l’IA, la science quantique et la fusion, entre autres domaines de recherche. Le DOE indique que la sélection des prix reste soumise à des négociations.

Ces montants ne doivent pas être regroupés en un seul package Genesis entièrement attribué. Les $159 million concernent les nouveaux projets de phase II ; la bourse comporte un plan de financement futur conditionnel ; et le soutien aux jeunes chercheurs constitue un programme distinct.

Qu’est-ce qui serait considéré comme un succès ?

Le test le plus exigeant de ce portefeuille sera de déterminer si l’IA améliore le travail scientifique dans des conditions réalistes. Cela implique de mesurer le temps et les ressources nécessaires pour obtenir un résultat validé, la qualité du résultat, et la capacité du système à reconnaître quand ses propres méthodes sont peu fiables.

Un modèle de fusion utile devrait aider à planifier de meilleures expériences. Un agent de conception de puces devrait produire des conceptions qui passent la vérification et les tests physiques. Un système géothermique devrait soutenir des décisions qui restent solides lorsque de nouvelles mesures de terrain arrivent. Un outil de codage scientifique devrait préserver la justesse tout en améliorant les performances.

Les prix Genesis offrent la possibilité de tester ces hypothèses dans des disciplines très différentes. Leur importance réside dans le fait de rapprocher l’IA de la machinerie, des données et des contraintes de la science — et de fournir aux chercheurs les ressources nécessaires pour découvrir où elle est réellement utile.