DOE Mengalokasikan $159M untuk Membawa AI Ilmiah ke dalam Fusi, Desain Chip, dan Penelitian Kuantum

Sebuah eksperimen fusi, sebuah reservoir geotermal, dan sebuah chip yang dirancang untuk bertahan dari radiasi intens memiliki satu kesamaan: masing‑masing dapat mengharuskan peneliti menjelajahi ruang desain yang sangat besar sebelum menemukan yang berhasil. Penghargaan misi Genesis terbaru dari Departemen Energi Amerika Serikat bertujuan menempatkan AI dalam proses pencarian tersebut, membantu ilmuwan memutuskan apa yang harus disimulasikan, dibangun, dan diuji selanjutnya.

DOE mengumumkan $159 juta untuk 12 proyek Phase II baru pada 8 Oktober 2026, bersamaan dengan enam penghargaan Phase I tambahan. Departemen menyatakan bahwa kohort tahun pertama misi kini selesai dengan 297 proyek. Portofolio Phase II yang lebih luas mencakup 14 proyek, termasuk GridFM 2.0 dan Prometheus, yang didukung melalui kantor Listrik dan Energi Nuklir.

Ruang lingkupnya sangat luas. Pekerjaan yang dipilih mencakup dari fusi dan energi geotermal hingga struktur RNA, pemisahan logam tanah jarang, perangkat lunak ilmiah, dan komputasi kuantum. Yang menghubungkan proyek‑proyek ini adalah ambisi praktis: menggunakan AI untuk memperpendek jarak antara sebuah ide dan hasil yang berguna secara ilmiah.

Apa yang Dimaksud DOE dengan “Super Intelligence”

DOE menggambarkan inisiatif ini dengan istilah “Super Intelligence,” disingkat SI. Terminologi tersebut memerlukan kehati‑hatian. Pengumuman ini menetapkan portofolio riset dan aplikasi yang dimaksudkan; tidak menyajikan bukti bahwa sistem AI tujuan umum telah melampaui kemampuan manusia dalam ilmu pengetahuan.

pemilihan proyek Genesis awal yang diumumkan pada Juli menggambarkan campuran model canggih, kerangka kerja agen, perangkat lunak ilmiah, dan komputasi berkinerja tinggi. Itu merupakan cara yang berguna untuk memahami penghargaan baru: sebagai investasi dalam sistem riset yang didukung AI, dengan kemampuan yang disesuaikan untuk disiplin dan infrastruktur tertentu.

Ada perbedaan penting antara menghasilkan jawaban ilmiah yang masuk akal dan menyelesaikan alur kerja ilmiah yang dapat diandalkan. Sebuah model dapat mengusulkan suatu material, tetapi sifat‑sifatnya masih perlu diukur. Sebuah agen dapat menghasilkan kode simulasi, namun kode tersebut harus mempertahankan persamaan dan asumsi yang dimaksudkan peneliti. Sebuah optimizer dapat merekomendasikan pengaturan mesin, tetapi harus menghormati batas operasional.

Pertanyaan menariknya adalah bagaimana proyek‑proyek ini menghubungkan prediksi dan penalaran dengan bukti. Koneksi itu akan menentukan apakah investasi menghasilkan ilmu yang lebih baik daripada sekadar output yang tampak lebih ilmiah.

Fusi: digital twin untuk merencanakan operasi SPARC

Commonwealth Fusion Systems sedang mengembangkan digital twin yang didukung AI untuk mensimulasikan dan mengoptimalkan operasi SPARC. Digital twin adalah representasi komputasional dari sistem fisik, berguna untuk mengeksplorasi bagaimana sistem tersebut dapat berperilaku di bawah berbagai kondisi.

Perusahaan tersebut sudah memiliki fondasi teknologi yang relevan. Pada bulan Januari, CFS mengumumkan kerja sama dengan Siemens dan NVIDIA yang menggabungkan alat rekayasa dengan teknologi simulasi dan visualisasi. Kolaborasi sebelumnya memberikan konteks bagi penghargaan baru ini, meskipun pengumuman DOE tidak menyatakan bahwa setiap komponen arsitektur Januari termasuk dalam proyek yang didanai.

CFS menjelaskan dalam laporan teknis tentang AI dan simulasi bahwa model surrogate dapat belajar dari simulasi fisika yang memakan banyak komputasi dan memperkirakan outputnya lebih cepat. Model semacam itu dapat membantu peneliti mengeksplorasi banyak kondisi operasi kandidat tanpa harus menjalankan kembali perhitungan paling berat untuk masing‑masing.

Untuk tokamak, yang menggunakan medan magnet untuk menahan plasma panas, ini menciptakan alat perencanaan yang berpotensi berharga. Peneliti dapat memeriksa skenario kandidat, mengidentifikasi eksperimen yang menjanjikan, dan membandingkan prediksi model dengan pengukuran. Bagian yang sulit adalah mengetahui di mana pendekatan cepat masih dapat dipercaya dan di mana perhitungan fisika lengkap diperlukan.

SPARC adalah mesin demonstrasi fusi, dengan CFS menargetkan energi bersih fusi pada 2027. Target tersebut berkaitan dengan kinerja fusi; tidak boleh diartikan sebagai klaim bahwa SPARC sudah memasok listrik ke jaringan. Signifikansi jangka pendek proyek AI ini terletak pada potensinya untuk meningkatkan perencanaan dan operasi eksperimental.

Geotermal dan logam tanah jarang: menggunakan AI untuk menavigasi sistem fisik yang kompleks

Proyek MAESTRO dari UC Irvine mengambil pendekatan multi‑agen untuk memetakan, merangsang, dan mengelola reservoir geotermal dalam. Nama tersebut merupakan singkatan dari Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Tantangan geologisnya cukup besar. ikhtisar sistem geotermal yang ditingkatkan dari DOE menjelaskan bahwa sumber daya geotermal yang produktif membutuhkan panas, fluida, dan permeabilitas. Di mana kondisi alami tidak memadai, rekayasa dapat menciptakan atau memperbaiki jalur yang memungkinkan fluida mengalir melalui batuan panas dan membawa panas ke permukaan.

Latar belakang tersebut membantu menjelaskan mengapa sistem AI dapat berguna. Keputusan reservoir melibatkan informasi bawah permukaan yang tidak sempurna dan proses fisik yang saling berinteraksi. Arsitektur multi‑agen dapat membagi pekerjaan analitis ke antara komponen khusus, namun pengumuman singkat DOE tidak menjelaskan secara lengkap implementasi atau batas otonomi MAESTRO.

Penilaian kami adalah bahwa nilainya akan bergantung pada seberapa baik sistem gabungan menangani ketidakpastian. Menghasilkan deskripsi reservoir yang yakin kurang berguna dibandingkan mengidentifikasi apa yang sudah diketahui, apa yang masih tidak pasti, dan pengukuran mana yang paling meningkatkan keputusan operasional berikutnya.

Proyek AXIS dari University of Illinois menerapkan AI pada proses elektrokimia untuk mengekstraksi unsur tanah jarang dari sumber domestik. Fokusnya pada desain ligan yang aktif redoks mengarah pada kimia yang mengatur pemisahan selektif.

Masalah desain yang mendasari berbeda dari rekayasa geotermal, tetapi logikanya serupa: mencari ruang kandidat yang rumit sambil menghormati batasan fisik. Untuk teknologi pemisahan, evaluasi yang bermakna harus melampaui apakah kandidat tampak menjanjikan dalam model. Selektivitas, pemulihan, konsumsi energi, dan kinerja dalam campuran realistis akan menjadi ukuran kemajuan yang berguna. Itu adalah kriteria evaluasi yang diusulkan, bukan hasil yang dilaporkan dalam pengumuman penghargaan.

Chip untuk lingkungan yang tidak dapat ditoleransi oleh elektronik biasa

Proyek AXESS dari Fermilab menargetkan mikroelektronik untuk lingkungan dengan radiasi tinggi, ruang angkasa, dan suhu sangat rendah. Namanya, Accelerating Extreme Environment Specs-to-Silicon, mencerminkan ambisi untuk mempercepat transisi dari persyaratan teknik ke desain chip.

Deskripsi awal inisiatif oleh Fermilab menjelaskan mengapa perangkat ini sulit dikembangkan. Instrumen ilmiah dapat memerlukan elektronik khusus yang beroperasi di bawah kondisi di luar asumsi desain chip komersial mainstream. Laboratorium tersebut menjelaskan penggunaan AI untuk mempercepat proses desain yang secara tradisional menuntut.

Pengumuman Oktober menempatkan AXESS dalam pendanaan Genesis yang baru. Kesempatan ini adalah mengotomatisasi lebih banyak eksplorasi dan pemeriksaan yang terlibat dalam desain chip khusus, dengan memanfaatkan keahlian lintas laboratorium, universitas, dan industri.

Kecepatan desain dan kesiapan perangkat adalah tonggak terpisah. Bahkan alur kerja desain yang jauh lebih cepat tetap memerlukan verifikasi, fabrikasi, dan pengujian fisik. Sebuah chip yang ditujukan untuk detektor partikel atau sistem kriogenik harus menunjukkan bahwa perilakunya bertahan dalam kondisi yang ditentukan. File desain yang dihasilkan AI saja tidak dapat membuktikannya.

Penelitian kuantum: membuat perangkat keras berguna dan merancang material secara terbalik

Proyek ASQC dari Harvard menggabungkan AI dengan perangkat keras kuantum untuk menangani koreksi kesalahan melalui co‑design yang sadar aplikasi. Dalam istilah praktis, co‑design berarti mempertimbangkan aplikasi, pendekatan koreksi kesalahan, dan perangkat keras secara bersamaan, bukan memperlakukan masing‑masing sebagai masalah terpisah.

Perangkat kuantum sensitif terhadap kesalahan. Skema koreksi kesalahan mengkodekan informasi di seluruh qubit fisik sehingga qubit logis dapat lebih dapat diandalkan. Penelitian prosesor kuantum logis sebelumnya dari Harvard memberikan latar belakang tentang perbedaan tersebut dan upaya menjalankan komputasi menggunakan qubit yang terkodekan.

Penghargaan baru ini tidak boleh ditafsirkan sebagai pengumuman bahwa komputasi kuantum toleran kesalahan telah selesai. Sebaliknya, ia menargetkan masalah optimasi yang sulit: mencocokkan tugas ilmiah dengan sumber daya dan perilaku kesalahan perangkat keras nyata.

Proyek terpilih dari Oak Ridge National Laboratory menangani frontier kuantum lain: desain terbalik berbasis fisika untuk magnet kuantum yang digunakan dalam sensor dan elektronik berdaya rendah. Desain terbalik dimulai dengan perilaku yang diinginkan dan mencari sistem yang dapat menghasilkan perilaku tersebut, membalik proses biasa memilih material lalu menghitung sifatnya.

Untuk jenis penelitian ini, pemodelan berbasis fisika penting karena solusi numerik yang menarik mungkin tidak dapat dicapai secara fisik. Desain yang berguna pada akhirnya harus terhubung dengan material yang dapat dibuat dan diukur. Pengumuman tersebut menetapkan arah penelitian itu; ia tidak melaporkan sensor selesai atau perangkat elektronik komersial.

Infrastruktur yang kurang terlihat di balik AI ilmiah

Beberapa penghargaan lain berkaitan dengan sistem yang memungkinkan penelitian berskala besar. Proyek MIT menghubungkan AI dan superkomputer dengan lattice quantum chromodynamics, pendekatan komputasi untuk mempelajari interaksi kuat. MOAT‑Core dari Lawrence Berkeley National Laboratory mengembangkan platform AI bersama untuk desain dan operasi akselerator. Proyek Northeastern menerapkan bantuan agen pada Facility for Rare Isotope Beams.

Upaya AI4HPC dari Argonne mencakup pengembangan, optimalisasi, dan verifikasi perangkat lunak komputasi ilmiah. Komponen verifikasi itu penting: program yang berjalan lebih cepat tetapi secara diam‑diam mengubah perhitungan ilmiah bukanlah perbaikan.

Biologi juga terwakili. UC San Diego bertujuan memperluas basis data struktur RNA lima kali lipat, sementara University of Washington akan bekerja pada desain enzim melalui pemodelan ensemble urutan‑struktur yang ditingkatkan.

Proyek-proyek ini menyoroti dua ketergantungan yang sering terabaikan oleh pengumuman model: data yang dapat dipercaya dan alat yang dapat diandalkan. Kegunaan agen ilmiah terbatas pada apa yang dapat diakses dan dijalankannya. Menghubungkan agen ke mesin simulasi, dataset terkurasi, dan instrumen dapat membuat mereka lebih mampu, sambil meningkatkan kebutuhan untuk melacak tindakan mereka dan memvalidasi outputnya.

Sebagaimana liputan kami tentang dukungan Anthropic untuk Misi Genesis mengilustrasikan, inisiatif ini juga melibatkan membawa kemampuan AI komersial ke dalam ekosistem ilmiah. Proyek-proyek yang didanai harus menetapkan bagaimana kemampuan tersebut diterjemahkan menjadi keuntungan penelitian yang dapat diukur.

Dua investasi terpisah untuk peneliti yang akan menggunakan alat ini

DOE juga mengumumkan Pilot Beasiswa Pascasarjana Misi Genesis. Program ini merencanakan hingga $100 juta, termasuk $20 juta pada tahun fiskal 2027, dengan pendanaan selanjutnya bergantung pada alokasi kongres. Kohort awal diperkirakan akan mendukung sekitar 100 penerima beasiswa doktoral melalui jalur empat tahun yang menggabungkan AI dan disiplin ilmiah.

Penempatan yang direncanakan mencakup baik laboratorium atau fasilitas pengguna DOE maupun lingkungan industri. Struktur tersebut dapat membantu peneliti memahami kesenjangan antara mengembangkan metode AI dan menjadikannya berguna dalam lingkungan eksperimental atau operasional.

Sebuah pengumuman terpisah pengumuman Early Career Research Program mencakup $96 juta untuk 67 ilmuwan, dengan penghargaan universitas sekitar $875.000 dan penghargaan laboratorium sebesar $2,75 juta selama lima tahun. Cakupannya meliputi AI, ilmu kuantum, dan fusi, di antara bidang penelitian lainnya. DOE mencatat bahwa pemilihan penghargaan masih tergantung pada negosiasi.

Jumlah ini tidak boleh digabungkan menjadi satu paket Genesis yang sepenuhnya diberikan. $159 juta tersebut berkaitan dengan proyek Phase II baru; beasiswa memiliki rencana pendanaan masa depan yang bersyarat; dan dukungan karir awal merupakan program terpisah.

Apa yang akan dianggap sebagai keberhasilan?

Uji terkuat dari portofolio ini adalah apakah AI meningkatkan pekerjaan ilmiah dalam kondisi realistis. Itu berarti mengukur waktu dan sumber daya yang diperlukan untuk mencapai hasil yang tervalidasi, kualitas hasil tersebut, serta kemampuan sistem untuk mengenali ketika metode yang digunakannya tidak dapat diandalkan.

Model fusi yang berguna harus membantu merencanakan eksperimen yang lebih baik. Agen perancangan chip harus menghasilkan desain yang lolos verifikasi dan pengujian fisik. Sistem geotermal harus mendukung keputusan yang tetap tepat ketika pengukuran lapangan baru tiba. Alat pengkodean ilmiah harus mempertahankan kebenaran sambil meningkatkan kinerja.

Penghargaan Genesis memberikan ruang untuk menguji proposisi tersebut di berbagai disiplin yang sangat berbeda. Signifikansinya terletak pada mendekatkan AI ke mesin, data, dan batasan ilmu pengetahuan—serta memberikan peneliti sumber daya untuk menemukan di mana AI benar‑benar membantu.