Il DOE assegna $159 milioni per introdurre l’IA scientifica nella fusione, nella progettazione di chip e nella ricerca quantistica

Un esperimento di fusione, un serbatoio geotermico e un chip progettato per sopportare radiazioni intense hanno qualcosa in comune: ognuno può richiedere ai ricercatori di esplorare un enorme spazio di possibili progetti prima di trovarne uno funzionante. I più recenti premi della Genesis Mission del Dipartimento dell’Energia degli Stati Uniti mirano a inserire l’IA in quel processo di ricerca, aiutando gli scienziati a decidere cosa simulare, costruire e testare successivamente.

Il DOE ha annunciato $159 milioni per 12 nuovi progetti di Fase II l’8 ottobre 2026, insieme a sei premi aggiuntivi di Fase I. Il dipartimento afferma che la coorte del primo anno della missione è ora completa con 297 progetti. Il suo più ampio portafoglio di Fase II comprende 14 progetti, tra cui GridFM 2.0 e Prometheus, supportati attraverso gli uffici di Energia Elettrica e Energia Nucleare.

L’ambito è insolitamente ampio. Il lavoro selezionato spazia dalla fusione e dall’energia geotermica alle strutture di RNA, alla separazione di terre rare, al software scientifico e al calcolo quantistico. Ciò che collega i progetti è un’ambizione pratica: usare l’IA per ridurre la distanza tra un’idea e un risultato scientificamente utile.

Cosa intende il DOE per “Super Intelligence”

Il DOE descrive l’iniziativa usando il termine “Super Intelligence”, abbreviato SI. Tale terminologia richiede cautela. L’annuncio stabilisce un portafoglio di ricerca e le sue applicazioni previste; non presenta prove che un sistema di IA a scopo generale abbia superato le capacità umane in tutti i campi della scienza.

Le selezioni iniziali dei progetti Genesis annunciate a luglio descrivono un mix di modelli avanzati, framework di agenti, software scientifici e calcolo ad alte prestazioni. Questo è un modo utile per comprendere i nuovi premi: come investimenti in sistemi di ricerca abilitati all’IA, con capacità adattate a discipline e infrastrutture specifiche.

Esiste una distinzione importante tra generare una risposta scientifica plausibile e completare un flusso di lavoro scientifico affidabile. Un modello può proporre un materiale, ma le sue proprietà devono ancora essere misurate. Un agente può generare codice di simulazione, ma il codice deve preservare le equazioni e le ipotesi che i ricercatori intendevano. Un ottimizzatore può raccomandare un’impostazione della macchina, ma deve rispettare i limiti operativi.

La domanda interessante è quindi come questi progetti colleghino previsione e ragionamento alle evidenze. Tale collegamento determinerà se l’investimento produrrà una scienza migliore anziché semplicemente un output più simile a quello scientifico.

Fusione: un gemello digitale per la pianificazione delle operazioni di SPARC

Commonwealth Fusion Systems sta sviluppando un gemello digitale abilitato all’IA per simulare e ottimizzare le operazioni di SPARC. Un gemello digitale è una rappresentazione computazionale di un sistema fisico, utile per esplorare come quel sistema potrebbe comportarsi in diverse condizioni.

L’azienda ha già una base tecnologica rilevante. A gennaio, CFS ha annunciato lavoro con Siemens e NVIDIA combinando strumenti di ingegneria con tecnologie di simulazione e visualizzazione. Tale collaborazione precedente fornisce contesto per il nuovo premio, sebbene l’annuncio del DOE non stabilisca che ogni componente dell’architettura di gennaio faccia parte del progetto finanziato.

CFS spiega nella sua relazione tecnica su IA e simulazione che i modelli surrogati possono apprendere da simulazioni fisiche computazionalmente costose e approssimare i loro risultati più rapidamente. Tali modelli possono aiutare i ricercatori a esplorare molte condizioni operative candidate senza rieseguire il calcolo più impegnativo per ciascuna.

Per un tokamak, che utilizza campi magnetici per confinare plasma caldo, ciò crea potenzialmente uno strumento di pianificazione prezioso. I ricercatori possono esaminare scenari candidati, identificare esperimenti promettenti e confrontare le previsioni del modello con le misurazioni. La parte difficile è sapere dove un’approssimazione veloce rimane affidabile e dove è necessario il calcolo fisico completo.

SPARC è una macchina dimostrativa di fusione, con CFS che punta a un’energia netta di fusione entro il 2027. Tale obiettivo riguarda le prestazioni della fusione; non deve essere interpretato come un’affermazione che SPARC fornisca già elettricità alla rete. L’importanza a breve termine del progetto IA è il suo potenziale di migliorare la pianificazione e l’operatività sperimentale.

Geotermia e terre rare: usare l’IA per navigare sistemi fisici complessi

Il progetto MAESTRO dell’UC Irvine adotta un approccio multi‑agente per mappare, stimolare e gestire serbatoi geotermici profondi. Il nome è l’acronimo di Multi‑agent AI Expert for Subsurface Reasoning and Optimization.

La sfida geologica è notevole. La panoramica dei sistemi geotermici avanzati del DOE spiega che una risorsa geotermica produttiva richiede calore, fluido e permeabilità. Dove le condizioni naturali sono insufficienti, l’ingegneria può creare o migliorare percorsi che permettano al fluido di circolare attraverso la roccia calda e trasportare calore verso la superficie.

Questo contesto aiuta a spiegare perché un sistema IA potrebbe essere utile. Le decisioni sul serbatoio coinvolgono informazioni sotterranee imperfette e processi fisici interagenti. Un’architettura multi‑agente potrebbe suddividere il lavoro analitico tra componenti specializzate, ma il breve annuncio del DOE non specifica l’implementazione completa di MAESTRO né i limiti di autonomia.

La nostra valutazione è che il suo valore dipenderà da quanto bene il sistema combinato gestisce l’incertezza. Produrre una descrizione sicura del serbatoio è meno utile che identificare ciò che è noto, ciò che rimane incerto e quale misura migliorerebbe maggiormente la prossima decisione operativa.

Il progetto AXIS dell’Università dell’Illinois applica l’IA ai processi elettrochimici per l’estrazione di terre rare da fonti nazionali. Il suo focus sulla progettazione di ligandi redox‑attivi punta alla chimica che governa la separazione selettiva.

Il problema di progettazione di base è diverso da quello dell’ingegneria geotermica, ma la logica è simile: cercare uno spazio complesso di candidati rispettando i vincoli fisici. Per la tecnologia di separazione, una valutazione significativa dovrebbe andare oltre il semplice aspetto promettente di un candidato in un modello. Selettività, recupero, consumo energetico e prestazioni in miscele realistiche sarebbero misure utili di progresso. Questi sono criteri di valutazione proposti, non risultati riportati nell’annuncio del premio.

Chip per ambienti che l’elettronica ordinaria non può tollerare

Il progetto AXESS di Fermilab mira a microelettronica per ambienti ad alta radiazione, spaziali e estremamente freddi. Il suo nome, Accelerating Extreme Environment Specs-to-Silicon, racchiude l’ambizione di passare più rapidamente dai requisiti ingegneristici ai progetti di chip.

la descrizione precedente dell’iniziativa di Fermilab spiega perché questi dispositivi sono difficili da sviluppare. Gli strumenti scientifici possono richiedere elettronica personalizzata che opera in condizioni al di fuori delle ipotesi di progetto dei chip commerciali tradizionali. Il laboratorio descrive l’uso dell’IA per accelerare un processo di progettazione tradizionalmente impegnativo.

L’annuncio di ottobre colloca AXESS nel nuovo finanziamento Genesis. L’opportunità è automatizzare una parte maggiore dell’esplorazione e della verifica coinvolte nella progettazione di chip specializzati, attingendo all’expertise di laboratori, università e industria.

La velocità di progettazione e la prontezza del dispositivo sono traguardi separati. Anche un flusso di lavoro di progettazione drasticamente più veloce richiede comunque verifica, fabbricazione e test fisici. Un chip destinato a un rivelatore di particelle o a un sistema criogenico deve dimostrare che il suo comportamento sopravvive alle condizioni specificate per esso. I file di progettazione generati dall’IA da soli non possono stabilirlo.

Ricerca quantistica: rendere l’hardware utile e progettare i materiali al contrario

Il progetto ASQC di Harvard combina IA e hardware quantistico per affrontare la correzione degli errori mediante co‑progettazione consapevole dell’applicazione. In termini pratici, la co‑progettazione significa considerare insieme l’applicazione, l’approccio di correzione degli errori e l’hardware, anziché trattare ciascuno come un problema isolato.

I dispositivi quantistici sono sensibili agli errori. Gli schemi di correzione degli errori codificano l’informazione su più qubit fisici in modo che un qubit logico possa essere più affidabile. La precedente ricerca sui processori quantistici logici di Harvard fornisce il contesto di tale distinzione e lo sforzo di eseguire calcoli usando qubit codificati.

Il nuovo premio non deve essere interpretato come un annuncio che il calcolo quantistico tollerante agli errori sia stato completato. Al contrario, mira a un problema di ottimizzazione difficile: abbinare i compiti scientifici alle risorse e al comportamento di errore dell’hardware reale.

Il progetto selezionato dal Oak Ridge National Laboratory affronta un’altra frontiera quantistica: la progettazione inversa informata dalla fisica di magneti quantistici per sensori e elettronica a basso consumo. La progettazione inversa parte da un comportamento desiderato e ricerca un sistema che possa produrlo, invertendo il consueto processo di scelta di un materiale e successivo calcolo delle sue proprietà.

Per questo tipo di ricerca, la modellazione informata dalla fisica è importante perché una soluzione numerica attraente può essere fisicamente irrealizzabile. Un progetto utile deve alla fine collegarsi a materiali che possano essere prodotti e misurati. L’annuncio indica questa direzione di ricerca; non riporta un sensore finito o un dispositivo elettronico commerciale.

L’infrastruttura meno visibile dietro l’IA scientifica

Altri premi riguardano i sistemi che rendono possibile la ricerca su larga scala. Il progetto del MIT collega IA e supercalcolo alla cromodinamica quantistica su reticolo, un approccio computazionale allo studio dell’interazione forte. Il MOAT‑Core del Lawrence Berkeley National Laboratory sviluppa una piattaforma IA condivisa per la progettazione e l’operazione di acceleratori. Il progetto del Northeastern applica assistenza agentica al Facility for Rare Isotope Beams.

Lo sforzo AI4HPC di Argonne comprende lo sviluppo, l’ottimizzazione e la verifica del software di calcolo scientifico. Questo componente di verifica è decisivo: un programma che gira più velocemente ma modifica silenziosamente il calcolo scientifico non rappresenta un miglioramento.

Anche la biologia è rappresentata. L’UC San Diego punta a espandere di cinque volte un database di strutture RNA, mentre l’Università di Washington lavorerà sulla progettazione di enzimi mediante un migliorato modello di ensemble sequenza‑struttura.

Questi progetti evidenziano due dipendenze spesso oscurate dagli annunci dei modelli: dati affidabili e strumenti affidabili. L’utilità di un agente scientifico è limitata da ciò a cui può accedere e da ciò che può eseguire. Collegare gli agenti a motori di simulazione, set di dati curati e strumenti può renderli più capaci, aumentando al contempo la necessità di monitorare le loro azioni e convalidare i loro risultati.

Come dimostra la nostra copertura di Il supporto di Anthropic per la Genesis Mission, l’iniziativa prevede anche l’introduzione di capacità di IA commerciali nell’ecosistema scientifico. I progetti finanziati dovranno stabilire in che modo tali capacità si traducano in guadagni di ricerca misurabili.

Due investimenti separati per i ricercatori che utilizzeranno questi strumenti

Il DOE ha anche annunciato un Pilota della Genesis Mission Graduate Fellowship. Prevede fino a 100 milioni di dollari, di cui 20 milioni nel FY 2027, con finanziamenti successivi subordinati alle approvazioni del Congresso. La coorte iniziale dovrebbe supportare circa 100 dottorandi attraverso percorsi quadriennali che combinano IA e una disciplina scientifica.

Le collocazioni previste includono sia un laboratorio o una struttura di utenti del DOE sia un contesto industriale. Tale struttura potrebbe aiutare i ricercatori a comprendere il divario tra lo sviluppo di un metodo di IA e la sua utilità in un ambiente sperimentale o operativo.

Un annuncio del Early Career Research Program separato copre 96 milioni di dollari per 67 scienziati, con premi universitari di circa 875 000 $ e premi per laboratori di 2,75 milioni di dollari su cinque anni. Il suo ambito comprende IA, scienza quantistica e fusione, tra le altre aree di ricerca. Il DOE osserva che le selezioni dei premi rimangono soggette a negoziazioni.

Queste somme non dovrebbero essere consolidate in un unico pacchetto Genesis completamente assegnato. I 159 milioni di dollari riguardano i nuovi progetti di Fase II; la borsa di studio prevede un piano di finanziamento futuro condizionato; e il supporto per i giovani ricercatori è un programma separato.

Cosa potrebbe considerarsi un successo?

Il test più incisivo di questo portafoglio sarà verificare se l’IA migliora il lavoro scientifico in condizioni realistiche. Ciò implica misurare il tempo e le risorse necessari per ottenere un risultato convalidato, la qualità del risultato e la capacità del sistema di riconoscere quando i propri metodi sono inaffidabili.

Un modello di fusione utile dovrebbe aiutare a pianificare esperimenti migliori. Un agente per la progettazione di chip dovrebbe produrre design che superino la verifica e i test fisici. Un sistema geotermico dovrebbe supportare decisioni che rimangano valide quando arrivano nuove misurazioni sul campo. Uno strumento di programmazione scientifica dovrebbe preservare la correttezza man mano che ne migliora le prestazioni.

I premi Genesis creano spazio per testare queste ipotesi in discipline molto diverse. La loro importanza risiede nel avvicinare l’IA alla strumentazione, ai dati e ai vincoli della scienza, fornendo ai ricercatori le risorse per scoprire dove essa sia realmente utile.