DOE, 과학 AI를 융합, 칩 설계 및 양자 연구에 도입하기 위해 $159M를 수여

융합 실험, 지열 저수지, 그리고 강렬한 방사선에도 견딜 수 있도록 설계된 칩은 공통점이 있다: 각각은 작동하는 설계를 찾기 전에 가능한 설계들의 방대한 공간을 탐색해야 할 수 있다. 미국 에너지부의 최신 Genesis Mission 수상은 AI를 그 탐색 과정에 투입하여 과학자들이 다음에 무엇을 시뮬레이션하고, 구축하며, 테스트할지 결정하도록 돕는 것을 목표로 한다.

DOE는 2026년 10월 8일에 $159 백만 12개의 새로운 Phase II 프로젝트를 발표했으며, 추가로 6개의 Phase I 상을 수여했다. 부서는 이번 미션의 첫 해 코호트가 현재 297개 프로젝트로 완료되었다고 밝혔다. 보다 넓은 Phase II 포트폴리오에는 GridFM 2.0 및 Prometheus를 포함한 14개 프로젝트가 있으며, 전력 및 원자력 에너지 사무소를 통해 지원된다.

범위는 이례적으로 넓다. 선정된 작업은 융합 및 지열 에너지에서 RNA 구조, 희토류 분리, 과학 소프트웨어, 양자 컴퓨팅에 이르기까지 다양하다. 이 프로젝트들을 연결하는 것은 실용적인 야망이다: AI를 활용해 아이디어와 과학적으로 유용한 결과 사이의 거리를 단축하는 것이다.

DOE가 말하는 “Super Intelligence”란

DOE는 이 이니셔티브를 “Super Intelligence”(줄여서 SI)라는 용어로 설명한다. 이러한 용어 사용에는 주의가 필요하다. 발표는 연구 포트폴리오와 그 의도된 적용 분야를 설정하지만, 범용 AI 시스템이 과학 전반에서 인간 능력을 초월했다는 증거를 제시하지는 않는다.

7월에 발표된 초기 Genesis 프로젝트 선정은 첨단 모델, 에이전트 프레임워크, 과학 소프트웨어, 고성능 컴퓨팅의 혼합을 설명한다. 이는 새로운 수상을 이해하는 유용한 방법이다: 특정 분야와 인프라에 맞춘 AI 기반 연구 시스템에 대한 투자로 본다.

그럴듯한 과학적 답변을 생성하는 것과 신뢰할 수 있는 과학적 워크플로를 완성하는 것 사이에는 중요한 차이가 있다. 모델이 물질을 제안할 수는 있지만 그 특성은 여전히 측정이 필요하다. 에이전트가 시뮬레이션 코드를 생성할 수는 있지만, 그 코드는 연구자가 의도한 방정식과 가정을 유지해야 한다. 옵티마이저가 기계 설정을 권장할 수는 있지만, 운영 한계를 준수해야 한다.

따라서 흥미로운 질문은 이 프로젝트들이 예측과 추론을 증거와 어떻게 연결하는가이다. 그 연결이 투자가 단순히 과학적으로 보이는 결과를 늘리는 것이 아니라 더 나은 과학을 창출하는지를 결정한다.

융합: SPARC 운영 계획을 위한 디지털 트윈

Commonwealth Fusion Systems는 SPARC 운영을 시뮬레이션하고 최적화하기 위한 AI 기반 디지털 트윈을 개발하고 있다. 디지털 트윈은 물리적 시스템을 컴퓨팅으로 표현한 것으로, 다양한 조건에서 시스템이 어떻게 동작할지 탐색하는 데 유용하다.

회사는 이미 관련 기술 기반을 보유하고 있다. 1월에 CFS는 Siemens와 NVIDIA와의 협업을 발표했다, 엔지니어링 도구와 시뮬레이션 및 시각화 기술을 결합했다. 이 이전 협업은 새로운 수상의 배경을 제공하지만, DOE 발표는 1월 아키텍처의 모든 구성 요소가 자금 지원 프로젝트에 포함된다고 밝히지는 않는다.

CFS는 AI와 시뮬레이션에 관한 기술 보고서에서 대리 모델이 계산 비용이 높은 물리 시뮬레이션으로부터 학습하고 출력을 더 빠르게 근사할 수 있다고 설명한다. 이러한 모델은 연구자들이 각 경우마다 가장 복잡한 계산을 다시 실행하지 않고도 많은 후보 운영 조건을 탐색하는 데 도움을 줄 수 있다.

자기장을 이용해 고온 플라즈마를 가두는 토카막의 경우, 이는 잠재적으로 가치 있는 계획 도구를 만든다. 연구자들은 후보 시나리오를 검토하고, 유망한 실험을 식별하며, 모델 예측을 측정값과 비교할 수 있다. 어려운 부분은 빠른 근사가 신뢰할 수 있는 영역과 전체 물리 계산이 필요한 영역을 구분하는 것이다.

SPARC는 융합 시연 장치이다, CFS는 2027년에 순융합 에너지를 목표로 하고 있다. 이 목표는 융합 성능에 관한 것이며, SPARC가 이미 전력을 그리드에 공급하고 있다는 주장으로 해석되어서는 안 된다. AI 프로젝트의 단기적 의미는 실험 계획 및 운영을 개선할 잠재력에 있다.

지열 및 희토류: 복잡한 물리 시스템을 탐색하기 위한 AI 활용

UC Irvine의 MAESTRO 프로젝트는 심층 지열 저수지를 매핑하고, 자극하며, 관리하기 위해 다중 에이전트 접근 방식을 취한다. 이 이름은 Multi-agent AI Expert for Subsurface Reasoning and Optimization의 약자이다.

지질학적 도전은 상당하다. DOE의 향상된 지열 시스템 개요는 생산적인 지열 자원에 열, 유체, 투과성이 필요함을 설명한다. 자연 조건이 부족한 경우, 엔지니어링을 통해 유체가 뜨거운 암석을 통과해 열을 표면으로 전달할 수 있는 경로를 만들거나 개선할 수 있다.

이 배경은 AI 시스템이 유용할 수 있는 이유를 설명하는 데 도움이 된다. 저수지 결정은 불완전한 지하 정보와 상호 작용하는 물리적 과정들을 포함한다. 다중 에이전트 아키텍처는 분석 작업을 전문화된 구성 요소들에 분배할 수 있지만, DOE의 간략한 발표는 MAESTRO의 전체 구현이나 자율성 제한을 명시하지 않는다.

우리의 평가에 따르면 그 가치는 결합 시스템이 불확실성을 얼마나 잘 처리하느냐에 달려 있습니다. 확신에 찬 저수지 설명을 만드는 것보다 알려진 내용, 남아 있는 불확실성, 그리고 다음 운영 결정을 가장 크게 개선할 측정이 무엇인지 파악하는 것이 더 유용합니다.

일리노이 대학교의 AXIS 프로젝트는 AI를 전기화학 공정에 적용하여 국내 자원에서 희토류 원소를 추출합니다. 산화환원 활성 리간드 설계에 중점을 두어 선택적 분리를 지배하는 화학에 초점을 맞추고 있습니다.

근본적인 설계 문제는 지열 공학과는 다르지만 논리는 유사합니다: 물리적 제약을 준수하면서 복잡한 후보군 공간을 탐색하는 것입니다. 분리 기술의 경우, 의미 있는 평가는 후보가 모델에서 유망해 보이는지 여부를 넘어야 합니다. 선택성, 회수율, 에너지 소비 및 실제 혼합물에서의 성능이 진행 상황을 평가하는 유용한 지표가 될 것입니다. 이는 제안된 평가 기준이며, 수상 발표에서 보고된 결과가 아닙니다.

일반 전자 제품이 견디지 못하는 환경용 칩

Fermilab의 AXESS 프로젝트는 고방사능, 우주 및 극저온 환경을 위한 마이크로전자공학을 목표로 합니다. ‘Accelerating Extreme Environment Specs-to-Silicon’이라는 이름은 엔지니어링 요구사항을 칩 설계로 보다 빠르게 전환하려는 야망을 담고 있습니다.

Fermilab의 초기 이니셔티브 설명은 이러한 장치가 개발하기 어려운 이유를 설명합니다. 과학 기기는 주류 상용 칩의 설계 가정 밖의 조건에서 작동하는 맞춤형 전자 회로가 필요할 수 있습니다. 연구소는 전통적으로 까다로운 설계 과정을 가속화하기 위해 AI를 활용하고 있다고 설명합니다.

10월 발표는 AXESS를 새로운 Genesis 자금 지원에 포함시킵니다. 이 기회는 실험실, 대학 및 산업 전반의 전문 지식을 활용하여 특수 칩 설계에 수반되는 탐색 및 검증 작업을 보다 자동화하는 것입니다.

설계 속도와 장치 준비 상태는 별개의 이정표입니다. 설계 작업 흐름이 크게 빨라지더라도 검증, 제조 및 물리적 테스트가 여전히 필요합니다. 입자 검출기나 극저온 시스템용 칩은 그 동작이 지정된 조건을 견딜 수 있음을 입증해야 합니다. AI가 생성한 설계 파일만으로는 이를 입증할 수 없습니다.

양자 연구: 하드웨어를 유용하게 만들고 재료를 역설계하기

Harvard의 ASQC 프로젝트는 AI와 양자 하드웨어를 결합하여 응용 프로그램 인식 공동 설계를 통해 오류 정정을 해결합니다. 실질적으로 공동 설계는 각각을 별개의 문제로 다루는 대신 응용 프로그램, 오류 정정 접근법 및 하드웨어를 함께 고려하는 것을 의미합니다.

양자 장치는 오류에 민감합니다. 오류 정정 스킴은 물리적 큐비트에 정보를 인코딩하여 논리 큐비트를 보다 신뢰할 수 있게 합니다. Harvard의 이전 논리 양자 프로세서 연구는 이러한 구분과 인코딩된 큐비트를 사용해 계산을 수행하려는 노력에 대한 배경을 제공합니다.

새로운 수상이 결함 허용 양자 컴퓨팅이 완성되었다는 발표로 해석되어서는 안 됩니다. 대신, 이는 과학적 작업을 실제 하드웨어의 자원 및 오류 특성에 맞추는 어려운 최적화 문제를 목표로 합니다.

오크리지 국립 연구소가 선정한 프로젝트는 또 다른 양자 최전선인 센싱 및 저전력 전자를 위한 물리 기반 역설계에 초점을 맞춥니다. 역설계는 원하는 동작을 시작점으로 삼아 이를 구현할 수 있는 시스템을 탐색하는 것으로, 재료를 선택하고 그 특성을 계산하는 전통적인 과정을 뒤집는 방식입니다.

이러한 연구에서는 물리 기반 모델링이 중요합니다. 매력적인 수치 해가 물리적으로 실현 불가능할 수 있기 때문입니다. 유용한 설계는 궁극적으로 제작 및 측정 가능한 재료와 연결되어야 합니다. 발표는 연구 방향을 제시하지만, 완성된 센서나 상업용 전자 장치를 보고하는 것은 아닙니다.

과학 AI 뒤에 숨겨진 덜 눈에 띄는 인프라

다른 여러 수상은 대규모 연구를 가능하게 하는 시스템과 관련됩니다. MIT 프로젝트는 AI와 슈퍼컴퓨팅을 격자 양자 색역학에 연결하는데, 이는 강한 상호작용을 연구하는 계산 접근법입니다. Lawrence Berkeley National Laboratory의 MOAT-Core는 가속기 설계 및 운영을 위한 공유 AI 플랫폼을 개발합니다. Northeastern 프로젝트는 희귀동위원소 빔 시설에 에이전트 지원을 적용합니다.

Argonne의 AI4HPC 노력은 과학 컴퓨팅 소프트웨어의 개발, 최적화 및 검증을 포함합니다. 이 검증 요소는 중요한 의미를 갖습니다: 계산 속도가 빨라지면서도 과학적 계산을 은밀히 변경하는 프로그램은 개선이 아닙니다.

생물학 분야도 포함됩니다. UC San Diego는 RNA 구조 데이터베이스를 다섯 배로 확대하려 하고, University of Washington은 향상된 서열‑구조 앙상블 모델링을 통해 효소 설계에 착수할 예정입니다.

이러한 프로젝트는 모델 발표에서 종종 간과되는 두 가지 의존성을 강조합니다: 신뢰할 수 있는 데이터와 신뢰할 수 있는 도구. 과학 에이전트의 유용성은 접근하고 실행할 수 있는 것에 의해 제한됩니다. 에이전트를 시뮬레이션 엔진, 선별된 데이터셋 및 기기에 연결하면 능력이 향상될 수 있지만, 그 행동을 추적하고 결과를 검증해야 할 필요성도 증가합니다.

우리의 Anthropic의 Genesis Mission 지원 보도가 보여주듯, 이 이니셔티브는 상업용 AI 역량을 과학 생태계에 도입하는 것도 포함합니다. 지원받은 프로젝트들은 이러한 역량이 측정 가능한 연구 성과로 어떻게 전환되는지를 규명해야 합니다.

두 별도 투자: 이 도구를 활용할 연구자들

DOE는 또한 Genesis Mission Graduate Fellowship Pilot을 발표했습니다. 총 1억 달러까지 계획하고 있으며, 그 중 2천만 달러는 2027 회계연도에 배정될 예정이고, 이후 자금은 의회의 예산 승인에 따라 달라집니다. 초기 코호트는 AI와 과학 분야를 결합한 4년 과정으로 약 100명의 박사 과정 학생들을 지원할 것으로 예상됩니다.

계획된 배치는 DOE 연구소 또는 사용자 시설과 산업 현장을 모두 포함합니다. 이러한 구조는 연구자들이 AI 방법을 개발하는 단계와 실험 또는 운영 환경에서 실제로 활용되는 단계 사이의 격차를 이해하는 데 도움이 될 수 있습니다.

별도의 초기 경력 연구 프로그램 발표는 67명의 과학자를 위해 $96 million을 지원하며, 대학 상은 약 $875,000, 연구소 상은 5년 동안 $2.75 million입니다. 그 범위에는 AI, 양자 과학, 그리고 핵융합을 포함한 다양한 연구 분야가 포함됩니다. DOE는 수상 선정이 협상 대상임을 밝혔습니다.

이 금액들을 하나의 완전한 Genesis 패키지로 합쳐서는 안 됩니다. 1억 5,900만 달러는 새로운 2단계 프로젝트에 해당하며, 펠로우십은 조건부 미래 자금 계획을 가지고 있고, 초기 경력 지원은 별도 프로그램입니다.

성공을 어떻게 정의할 것인가?

이 포트폴리오의 가장 강력한 시험은 AI가 현실적인 조건에서 과학 작업을 개선하는지 여부입니다. 이는 검증된 결과에 도달하는 데 필요한 시간과 자원, 결과의 품질, 그리고 시스템이 자체 방법이 신뢰할 수 없을 때 이를 인식하는 능력을 측정하는 것을 의미합니다.

유용한 핵융합 모델은 더 나은 실험을 설계하는 데 도움을 주어야 합니다. 칩 설계 에이전트는 검증과 물리적 테스트를 통과하는 설계를 생성해야 합니다. 지열 시스템은 새로운 현장 측정이 들어올 때에도 타당한 결정을 지원해야 합니다. 과학 코딩 도구는 성능을 향상시키면서도 정확성을 유지해야 합니다.

Genesis 수상은 매우 다른 분야에 걸쳐 이러한 가설을 시험할 여지를 제공합니다. 그 의미는 AI를 과학의 기계, 데이터 및 제약 조건에 더 가깝게 배치하고, 연구자들에게 실제로 도움이 되는지를 확인할 자원을 제공한다는 데 있습니다.