फंडिंग
DOE ने $159M का पुरस्कार दिया वैज्ञानिक AI को फ्यूजन, चिप डिज़ाइन और क्वांटम अनुसंधान में लाने के लिए
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
एक फ्यूजन प्रयोग, एक भू‑तापीय जलाशय, और तीव्र विकिरण सहन करने के लिए निर्मित एक चिप में एक समान बात है: प्रत्येक के लिए शोधकर्ताओं को काम करने योग्य डिज़ाइन मिलने से पहले संभावित डिज़ाइनों के विशाल स्थान की खोज करनी पड़ती है। यू.एस. डिपार्टमेंट ऑफ़ एनर्जी के नवीनतम जेनिसिस मिशन पुरस्कारों का लक्ष्य इस खोज प्रक्रिया में AI को सम्मिलित करना है, जिससे वैज्ञानिक यह तय कर सकें कि अगला क्या सिमुलेट, बनाएं और परीक्षण करें।
DOE ने 8 अक्टूबर, 2026 को $159 मिलियन के लिए 12 नई फेज़ II परियोजनाएँ की घोषणा की, साथ ही छह अतिरिक्त फेज़ I पुरस्कार भी। विभाग कहता है कि मिशन का प्रथम‑वर्षीय समूह अब 297 परियोजनाओं के साथ पूर्ण हो गया है। इसका व्यापक फेज़ II पोर्टफोलियो 14 परियोजनाएँ शामिल करता है, जिनमें GridFM 2.0 और Prometheus शामिल हैं, जो बिजली और परमाणु ऊर्जा कार्यालयों के माध्यम से समर्थित हैं।
परिसर असामान्य रूप से व्यापक है। चयनित कार्य फ्यूजन और भू‑तापीय ऊर्जा से लेकर RNA संरचनाओं, दुर्लभ‑भू तत्वों के पृथक्करण, वैज्ञानिक सॉफ़्टवेयर, और क्वांटम कंप्यूटिंग तक फैला हुआ है। इन परियोजनाओं को जोड़ने वाला व्यावहारिक लक्ष्य है: AI का उपयोग करके विचार और वैज्ञानिक रूप से उपयोगी परिणाम के बीच की दूरी को कम करना।
DOE “सुपर इंटेलिजेंस” से क्या मतलब रखता है
DOE इस पहल को “सुपर इंटेलिजेंस” शब्द से वर्णित करता है, संक्षेप में SI। इस शब्दावली को सावधानी से उपयोग करना आवश्यक है। यह घोषणा एक शोध पोर्टफोलियो और उसके इच्छित अनुप्रयोगों को स्थापित करती है; यह यह प्रमाण नहीं देती कि कोई सामान्य‑उद्देश्य AI प्रणाली विज्ञान में मानव क्षमता से आगे निकल गई है।
जुलाई में घोषित प्रारंभिक जेनिसिस प्रोजेक्ट चयन उन्नत मॉडल, एजेंट फ्रेमवर्क, वैज्ञानिक सॉफ़्टवेयर और हाई‑परफ़ॉर्मेंस कंप्यूटिंग का मिश्रण दर्शाते हैं। यह नई पुरस्कारों को समझने का एक उपयोगी तरीका है: AI‑सक्षम शोध प्रणालियों में निवेश के रूप में, जिनकी क्षमताएँ विशिष्ट अनुशासनों और बुनियादी ढांचे के अनुसार अनुकूलित हैं।
एक संभाव्य वैज्ञानिक उत्तर उत्पन्न करने और एक विश्वसनीय वैज्ञानिक कार्यप्रवाह को पूर्ण करने के बीच एक महत्वपूर्ण अंतर है। एक मॉडल सामग्री का प्रस्ताव कर सकता है, लेकिन उसकी गुणधर्मों को अभी भी मापना आवश्यक है। एक एजेंट सिमुलेशन कोड उत्पन्न कर सकता है, लेकिन कोड को उन समीकरणों और धारणाओं को बरकरार रखना चाहिए जो शोधकर्ता चाहते थे। एक ऑप्टिमाइज़र मशीन सेटिंग की सिफ़ारिश कर सकता है, लेकिन उसे संचालन सीमाओं का सम्मान करना चाहिए।
इसलिए रोचक प्रश्न यह है कि ये परियोजनाएँ भविष्यवाणी और तर्क को साक्ष्य से कैसे जोड़ती हैं। यह कनेक्शन निर्धारित करेगा कि निवेश बेहतर विज्ञान उत्पन्न करता है या केवल अधिक वैज्ञानिक दिखने वाला आउटपुट।
फ्यूजन: SPARC संचालन की योजना बनाने के लिए एक डिजिटल ट्विन
Commonwealth Fusion Systems AI‑सक्षम डिजिटल ट्विन विकसित कर रहा है ताकि SPARC संचालन का सिमुलेशन और अनुकूलन किया जा सके। डिजिटल ट्विन एक भौतिक प्रणाली का कम्प्यूटेशनल प्रतिनिधित्व है, जो विभिन्न परिस्थितियों में प्रणाली के व्यवहार का अन्वेषण करने में उपयोगी है।
कंपनी के पास पहले से ही एक प्रासंगिक तकनीकी आधार है। जनवरी में, CFS ने Siemens और NVIDIA के साथ काम की घोषणा की जिससे इंजीनियरिंग टूल्स को सिमुलेशन और विज़ुअलाइज़ेशन तकनीकों के साथ जोड़ा गया। यह पूर्व सहयोग नई पुरस्कार के लिए संदर्भ प्रदान करता है, हालांकि DOE की घोषणा यह स्थापित नहीं करती कि जनवरी की वास्तुकला के हर घटक फंडेड प्रोजेक्ट का हिस्सा हैं।
CFS अपने AI और सिमुलेशन के तकनीकी विवरण में बताता है कि सरोगेट मॉडल महंगे भौतिक सिमुलेशन से सीख सकते हैं और उनके आउटपुट को तेज़ी से अनुमानित कर सकते हैं। ऐसे मॉडल शोधकर्ताओं को कई संभावित संचालन स्थितियों की खोज करने में मदद कर सकते हैं, बिना प्रत्येक के लिए सबसे कठिन गणना को दोबारा चलाए।
एक टोकामाक के लिए, जो गर्म प्लाज़्मा को संलग्न करने के लिए चुंबकीय क्षेत्रों का उपयोग करता है, यह एक संभावित मूल्यवान योजना उपकरण बनाता है। शोधकर्ता उम्मीदवार परिदृश्यों की जांच कर सकते हैं, आशाजनक प्रयोगों की पहचान कर सकते हैं, और मॉडल भविष्यवाणियों की मापों से तुलना कर सकते हैं। कठिन भाग यह जानना है कि तेज़ अनुमान कब भरोसेमंद रहता है और कब पूर्ण भौतिक गणना आवश्यक है।
SPARC एक फ्यूजन डेमॉन्स्ट्रेशन मशीन है, और CFS 2027 में शुद्ध फ्यूजन ऊर्जा का लक्ष्य रख रहा है। यह लक्ष्य फ्यूजन प्रदर्शन से संबंधित है; इसे यह दावा नहीं समझना चाहिए कि SPARC पहले से ही ग्रिड को बिजली आपूर्ति कर रहा है। AI प्रोजेक्ट का निकट‑कालिक महत्व इसकी क्षमता में निहित है कि वह प्रयोगात्मक योजना और संचालन को बेहतर बना सके।
भू‑तापीय और दुर्लभ पृथ्वी तत्व: जटिल भौतिक प्रणालियों को नेविगेट करने के लिए AI का उपयोग
UC Irvine का MAESTRO प्रोजेक्ट गहरी भू‑तापीय जलाशयों को मानचित्रित, उत्तेजित और प्रबंधित करने के लिए एक बहु‑एजेंट दृष्टिकोण अपनाता है। नाम का विस्तार बहु‑एजेंट AI विशेषज्ञ सतही‑नीचे तर्क और अनुकूलन के लिए है।
भू‑वैज्ञानिक चुनौती काफी बड़ी है। DOE का उन्नत भू‑तापीय प्रणाली का अवलोकन बताता है कि एक उत्पादक भू‑तापीय संसाधन के लिए गर्मी, तरल और पारगम्यता आवश्यक है। जहाँ प्राकृतिक स्थितियाँ अपर्याप्त हैं, वहाँ इंजीनियरिंग ऐसी मार्ग बना या सुधार सकती है जिससे तरल गर्म चट्टान के माध्यम से प्रवाहित हो सके और सतह की ओर गर्मी ले जाए।
यह पृष्ठभूमि यह समझाने में मदद करती है कि AI प्रणाली क्यों उपयोगी हो सकती है। जलाशय निर्णय अधूरे सतही‑नीचे सूचना और परस्पर क्रिया करने वाली भौतिक प्रक्रियाओं को शामिल करते हैं। एक बहु‑एजेंट वास्तुकला विशिष्ट घटकों के बीच विश्लेषणात्मक कार्य को विभाजित कर सकती है, लेकिन DOE की संक्षिप्त घोषणा MAESTRO के पूर्ण कार्यान्वयन या स्वायत्तता सीमाओं को निर्दिष्ट नहीं करती।
हमारा मूल्यांकन है कि इसका मूल्य इस बात पर निर्भर करेगा कि संयुक्त प्रणाली अनिश्चितता को कितनी अच्छी तरह संभालती है। एक भरोसेमंद जलभंडार विवरण बनाना उतना उपयोगी नहीं है जितना यह पहचानना कि क्या ज्ञात है, क्या अनिश्चित बना हुआ है, और कौन सा माप अगले संचालन निर्णय को सबसे अधिक सुधार सकता है।
इलीनॉय विश्वविद्यालय का AXIS प्रोजेक्ट घरेलू स्रोतों से दुर्लभ-धातु तत्वों को निकालने के लिए इलेक्ट्रोकेमिकल प्रक्रियाओं पर एआई लागू करता है। रेडॉक्स‑सक्रिय लिगैंड डिज़ाइन पर इसका फोकस चयनात्मक विभाजन को नियंत्रित करने वाली रसायन विज्ञान की ओर इशारा करता है।
मूल डिजाइन समस्या भू‑तापीय इंजीनियरिंग से अलग है, लेकिन तर्क समान है: भौतिक प्रतिबंधों का सम्मान करते हुए उम्मीदवारों के जटिल स्थान की खोज करना। विभाजन तकनीक के लिए, सार्थक मूल्यांकन को केवल यह देखना पर्याप्त नहीं है कि मॉडल में कोई उम्मीदवार आशाजनक दिखता है या नहीं। चयनात्मकता, पुनर्प्राप्ति, ऊर्जा खपत, और वास्तविक मिश्रणों में प्रदर्शन प्रगति के उपयोगी माप होंगे। ये प्रस्तावित मूल्यांकन मानदंड हैं, पुरस्कार घोषणा में रिपोर्ट किए गए परिणाम नहीं।
ऐसे वातावरण के लिए चिप्स जिन्हें सामान्य इलेक्ट्रॉनिक्स सहन नहीं कर सकते
Fermilab का AXESS प्रोजेक्ट उच्च‑रेडिएशन, अंतरिक्ष, और अत्यंत ठंडे वातावरण के लिए माइक्रोइलेक्ट्रॉनिक्स को लक्षित करता है। इसका नाम, Accelerating Extreme Environment Specs-to-Silicon, इंजीनियरिंग आवश्यकताओं से चिप डिज़ाइनों तक तेज़ी से पहुँचने की महत्वाकांक्षा को दर्शाता है।
Fermilab का पहले का पहल विवरण समझाता है कि ये उपकरण विकसित करना क्यों कठिन है। वैज्ञानिक उपकरणों को कस्टम इलेक्ट्रॉनिक्स की आवश्यकता हो सकती है जो मुख्यधारा के व्यावसायिक चिप्स के डिजाइन धारणाओं से बाहर स्थितियों में काम करते हैं। प्रयोगशाला एआई का उपयोग करके पारंपरिक रूप से मांगपूर्ण डिजाइन प्रक्रिया को तेज़ करने का वर्णन करती है।
यह अक्टूबर घोषणा AXESS को नई Genesis फंडिंग के भीतर रखती है। अवसर यह है कि विशेषीकृत चिप डिज़ाइन में शामिल अन्वेषण और जाँच के अधिक हिस्से को स्वचालित किया जाए, प्रयोगशालाओं, विश्वविद्यालयों और उद्योग के बीच विशेषज्ञता को जोड़ते हुए।
डिज़ाइन गति और डिवाइस की तत्परता अलग-अलग मील के पत्थर हैं। यहाँ तक कि बहुत तेज़ डिज़ाइन वर्कफ़्लो को भी सत्यापन, निर्माण, और भौतिक परीक्षण की आवश्यकता होती है। कण डिटेक्टर या क्रायोजेनिक सिस्टम के लिए अभिप्रेत चिप को यह सिद्ध करना चाहिए कि उसका व्यवहार निर्दिष्ट स्थितियों में टिकता है। केवल एआई‑जनित डिज़ाइन फ़ाइलें यह स्थापित नहीं कर सकतीं।
क्वांटम अनुसंधान: हार्डवेयर को उपयोगी बनाना और सामग्री को उल्टे क्रम में डिजाइन करना
Harvard का ASQC प्रोजेक्ट एआई को क्वांटम हार्डवेयर के साथ मिलाकर त्रुटि सुधार को एप्लिकेशन‑जानकारी सह‑डिज़ाइन के माध्यम से संबोधित करता है। व्यावहारिक रूप से, सह‑डिज़ाइन का अर्थ है एप्लिकेशन, त्रुटि‑सुधार विधि, और हार्डवेयर को एक साथ विचार करना, बजाय प्रत्येक को अलग समस्या मानने के।
क्वांटम उपकरण त्रुटियों के प्रति संवेदनशील होते हैं। त्रुटि‑सुधार योजनाएँ जानकारी को भौतिक क्यूबिट्स में एन्कोड करती हैं ताकि एक लॉजिकल क्यूबिट अधिक विश्वसनीय हो सके। Harvard का पहले के लॉजिकल क्वांटम प्रोसेसर शोध इस अंतर और एन्कोडेड क्यूबिट्स का उपयोग करके गणनाएँ चलाने के प्रयास पर पृष्ठभूमि प्रदान करता है।
नया पुरस्कार यह नहीं माना जाना चाहिए कि त्रुटि‑प्रतिरोधी क्वांटम कंप्यूटिंग पूरी हो गई है। बल्कि, यह एक कठिन अनुकूलन समस्या को लक्षित करता है: वैज्ञानिक कार्यों को वास्तविक हार्डवेयर के संसाधनों और त्रुटि व्यवहार के साथ मिलाना।
Oak Ridge National Laboratory के चयनित प्रोजेक्ट एक और क्वांटम सीमा को संबोधित करता है: सेंसरिंग और कम‑शक्ति इलेक्ट्रॉनिक्स के लिए क्वांटम मैग्नेट्स का भौतिकी‑सूचित उल्टा डिज़ाइन। उल्टा डिज़ाइन एक इच्छित व्यवहार से शुरू होता है और ऐसे सिस्टम की खोज करता है जो उसे उत्पन्न कर सके, जिससे सामग्री चुनने और उसके गुणों की गणना करने की परिचित प्रक्रिया उलट जाती है।
ऐसे प्रकार के अनुसंधान के लिए, भौतिकी‑सूचित मॉडलिंग महत्वपूर्ण है क्योंकि एक आकर्षक संख्यात्मक समाधान भौतिक रूप से असंभव हो सकता है। एक उपयोगी डिज़ाइन को अंततः उन सामग्रियों से जुड़ना चाहिए जिन्हें बनाया और मापा जा सके। घोषणा इस शोध दिशा को निर्धारित करती है; यह कोई समाप्त सेंसर या व्यावसायिक इलेक्ट्रॉनिक डिवाइस रिपोर्ट नहीं करती।
वैज्ञानिक एआई के पीछे कम दिखाई देने वाली बुनियादी ढांचा
कई अन्य पुरस्कार उन प्रणालियों से संबंधित हैं जो बड़े पैमाने पर अनुसंधान को संभव बनाते हैं। MIT का प्रोजेक्ट एआई और सुपरकम्प्यूटिंग को लैटिस क्वांटम क्रोमैडायनेमिक्स से जोड़ता है, जो मजबूत अंतःक्रिया का अध्ययन करने की एक गणनात्मक विधि है। Lawrence Berkeley National Laboratory का MOAT-Core एक्सेलेरेटर डिजाइन और संचालन के लिए एक साझा एआई प्लेटफ़ॉर्म विकसित करता है। Northeastern का प्रोजेक्ट दुर्लभ आयसोटोपी बीम सुविधा में एजेंटिक सहायता लागू करता है।
Argonne का AI4HPC प्रयास वैज्ञानिक कंप्यूटिंग सॉफ़्टवेयर के विकास, अनुकूलन और सत्यापन को शामिल करता है। वह सत्यापन घटक महत्वपूर्ण है: एक प्रोग्राम जो तेज़ चलता है लेकिन चुपचाप वैज्ञानिक गणना को बदल देता है, वह सुधार नहीं है।
जैव विज्ञान भी प्रतिनिधित्व किया गया है। UC San Diego का लक्ष्य RNA संरचना डेटाबेस को पाँच गुना बढ़ाना है, जबकि University of Washington एंजाइम डिज़ाइन पर बेहतर अनुक्रम‑संरचना एन्सेम्बल मॉडलिंग के माध्यम से काम करेगा।
ये परियोजनाएँ दो निर्भरताओं को उजागर करती हैं जो अक्सर मॉडल घोषणाओं द्वारा अनदेखी रह जाती हैं: विश्वसनीय डेटा और भरोसेमंद उपकरण। एक वैज्ञानिक एजेंट की उपयोगिता इस बात से सीमित होती है कि वह क्या एक्सेस कर सकता है और क्या निष्पादित कर सकता है। एजेंटों को सिमुलेशन इंजन, चयनित डेटासेट और उपकरणों से जोड़ने से उनकी क्षमता बढ़ सकती है, जबकि उनके कार्यों को ट्रैक करने और उनके आउटपुट को सत्यापित करने की आवश्यकता भी बढ़ जाती है।
जैसा कि हमारा कवरेज Anthropic का Genesis Mission के लिए समर्थन दर्शाता है, यह पहल व्यावसायिक AI क्षमताओं को वैज्ञानिक इकोसिस्टम में लाने को भी शामिल करती है। वित्तपोषित परियोजनाओं को यह स्थापित करना होगा कि ये क्षमताएँ मापनीय शोध लाभों में कैसे परिवर्तित होती हैं।
इन उपकरणों का उपयोग करने वाले शोधकर्ताओं के लिए दो अलग-अलग निवेश
DOE ने एक Genesis Mission स्नातक छात्रवृत्ति पायलट की भी घोषणा की। यह अधिकतम $100 मिलियन की योजना बना रहा है, जिसमें वित्तीय वर्ष 2027 में $20 मिलियन शामिल है, और आगे का फंडिंग कांग्रेस की आवंटन पर निर्भर होगी। प्रारंभिक समूह से अपेक्षा है कि वह लगभग 100 डॉक्टरेट छात्रों को AI और एक वैज्ञानिक अनुशासन को मिलाकर चार साल की मार्गों के माध्यम से समर्थन देगा।
योजना में दोनों DOE प्रयोगशाला या उपयोगकर्ता सुविधा और उद्योग सेटिंग शामिल हैं। यह संरचना शोधकर्ताओं को AI विधि के विकास और उसे प्रयोगात्मक या परिचालन वातावरण में उपयोगी बनाने के बीच के अंतर को समझने में मदद कर सकती है।
एक अलग Early Career Research Program घोषणा 67 वैज्ञानिकों के लिए $96 मिलियन को कवर करती है, जिसमें विश्वविद्यालय पुरस्कार लगभग $875,000 और प्रयोगशाला पुरस्कार पाँच वर्षों में $2.75 मिलियन हैं। इसका दायरा AI, क्वांटम विज्ञान और फ्यूजन सहित अन्य शोध क्षेत्रों को शामिल करता है। DOE ने नोट किया कि पुरस्कार चयन अभी भी वार्तालापों के अधीन हैं।
इन राशियों को एक एकल पूर्ण रूप से प्रदान किए गए Genesis पैकेज में नहीं मिलाया जाना चाहिए। $159 मिलियन नई चरण II परियोजनाओं से संबंधित है; छात्रवृत्ति का भविष्य में शर्तीय फंडिंग योजना है; और शुरुआती‑करियर समर्थन एक अलग कार्यक्रम है।
सफलता को कैसे परिभाषित किया जाएगा?
इस पोर्टफ़ोलियो की सबसे कड़ी परीक्षा यह होगी कि क्या AI वास्तविक परिस्थितियों में वैज्ञानिक कार्य को बेहतर बनाता है। इसका अर्थ है मान्य परिणाम तक पहुँचने के लिए आवश्यक समय और संसाधनों को मापना, परिणाम की गुणवत्ता, और यह प्रणाली की क्षमता कि वह कब अपनी स्वयं की विधियों को अविश्वसनीय मानती है, इसे पहचान सके।
एक उपयोगी फ्यूजन मॉडल को बेहतर प्रयोगों की योजना बनाने में मदद करनी चाहिए। एक चिप‑डिज़ाइन एजेंट को ऐसे डिज़ाइन बनाने चाहिए जो सत्यापन और भौतिक परीक्षण पास कर सकें। एक भू‑तापीय प्रणाली को ऐसे निर्णयों का समर्थन करना चाहिए जो नई फील्ड मापों के आने पर भी सटीक रहें। एक वैज्ञानिक कोडिंग टूल को प्रदर्शन में सुधार के साथ सहीपन को बनाए रखना चाहिए।
Genesis पुरस्कार विभिन्न अत्यंत अलग-अलग विषयों में इन प्रस्तावों का परीक्षण करने के लिए स्थान बनाते हैं। उनका महत्व AI को विज्ञान की मशीनरी, डेटा और प्रतिबंधों के करीब लाने में है—और शोधकर्ताओं को यह पता लगाने के लिए संसाधन प्रदान करना कि यह वास्तव में कहाँ मदद करता है।
