DOE kent $159M toe om wetenschappelijke AI in fusie, chipontwerp en kwantumonderzoek te brengen

Een fusie‑experiment, een geothermisch reservoir en een chip die is ontworpen om intense straling te weerstaan, hebben één gemeenschappelijk: elk kan van onderzoekers verlangen een enorm ontwerp‑ruim te verkennen voordat een werkend ontwerp wordt gevonden. De nieuwste Genesis‑missie‑toekenningen van het Amerikaanse Department of Energy zijn bedoeld om AI in dat zoekproces te integreren, zodat wetenschappers kunnen bepalen wat ze vervolgens moeten simuleren, bouwen en testen.

DOE kondigde $159 miljoen voor 12 nieuwe fase‑II‑projecten aan op 8 oktober 2026, naast zes extra fase‑I‑toekenningen. Het ministerie zegt dat de eerste‑jaarscohort van de missie nu bestaat uit 297 projecten. Het bredere fase‑II‑portfolio omvat 14 projecten, waaronder GridFM 2.0 en Prometheus, ondersteund door de kantoren voor Elektriciteit en Kernenergie.

De reikwijdte is ongewoon breed. Het geselecteerde werk varieert van fusie‑ en geothermische energie tot RNA‑structuren, zeldzame‑aardscheiding, wetenschappelijke software en kwantumcomputing. Wat de projecten verbindt, is een praktische ambitie: AI gebruiken om de afstand tussen een idee en een wetenschappelijk bruikbaar resultaat te verkorten.

Wat DOE bedoelt met “Super Intelligence”

DOE beschrijft het initiatief met de term “Super Intelligence”, afgekort SI. Die terminologie vereist voorzichtigheid. De aankondiging stelt een onderzoeksportfolio en de beoogde toepassingen vast; ze levert geen bewijs dat een algemene AI‑systeem de menselijke capaciteit in de wetenschap heeft overtroffen.

De eerste Genesis‑projectselecties aangekondigd in juli beschrijven een mix van geavanceerde modellen, agent‑kaders, wetenschappelijke software en high‑performance computing. Dat is een handige manier om de nieuwe toekenningen te begrijpen: als investeringen in AI‑ondersteunde onderzoekssystemen, met mogelijkheden die zijn afgestemd op specifieke disciplines en infrastructuur.

Er is een belangrijk onderscheid tussen het genereren van een plausibel wetenschappelijk antwoord en het voltooien van een betrouwbaar wetenschappelijk werkproces. Een model kan een materiaal voorstellen, maar de eigenschappen moeten nog worden gemeten. Een agent kan simulatiecode genereren, maar die code moet de vergelijkingen en aannames die onderzoekers bedoeld hebben behouden. Een optimizer kan een machine‑instelling aanbevelen, maar die moet de operationele limieten respecteren.

De interessante vraag is daarom hoe deze projecten voorspelling en redenering verbinden met bewijs. Die verbinding zal bepalen of de investering beter wetenschappelijk onderzoek oplevert in plaats van slechts meer wetenschappelijk ogende output.

Fusie: een digitale tweeling voor het plannen van SPARC‑operaties

Commonwealth Fusion Systems ontwikkelt een AI‑ondersteunde digitale tweeling om SPARC‑operaties te simuleren en te optimaliseren. Een digitale tweeling is een computationele weergave van een fysiek systeem, nuttig om te onderzoeken hoe dat systeem zich onder verschillende omstandigheden kan gedragen.

In januari kondigde CFS kondigde samenwerking met Siemens en NVIDIA aan engineering‑tools te combineren met simulatie‑ en visualisatietechnologieën. Die eerdere samenwerking biedt context voor de nieuwe toekenning, hoewel de DOE‑aankondiging niet bevestigt dat elk onderdeel van de januari‑architectuur deel uitmaakt van het gefinancierde project.

CFS legt in haar technische beschrijving van AI en simulatie uit dat surrogate‑modellen kunnen leren van computationeel dure fysicasimulaties en hun uitkomsten sneller kunnen benaderen. Dergelijke modellen kunnen onderzoekers helpen vele kandidaat‑bedrijfscondities te verkennen zonder voor elk geval de meest veeleisende berekening opnieuw uit te voeren.

Voor een tokamak, die magnetische velden gebruikt om heet plasma te confineren, creëert dit een potentieel waardevol planningsinstrument. Onderzoekers kunnen kandidaat‑scenario’s onderzoeken, veelbelovende experimenten identificeren en modelvoorspellingen vergelijken met metingen. Het moeilijke deel is weten waar een snelle benadering nog betrouwbaar is en waar de volledige fysische berekening nodig is.

SPARC is een fusie‑demonstratiemachine, waarbij CFS streeft naar netto‑fusie‑energie in 2027. Die doelstelling betreft de fusie‑prestaties; het mag niet worden opgevat als een bewering dat SPARC al elektriciteit aan het net levert. De kortetermijnbetekenis van het AI‑project is het potentieel om de experimentele planning en werking te verbeteren.

Geothermie en zeldzame aardmetalen: AI gebruiken om complexe fysieke systemen te navigeren

Het MAESTRO‑project van UC Irvine hanteert een multi‑agentbenadering voor het in kaart brengen, stimuleren en beheren van diepe geothermische reservoirs. De naam staat voor Multi‑agent AI Expert voor ondergrondse redenering en optimalisatie.

De geologische uitdaging is aanzienlijk. Het overzicht van enhanced geothermal systems van DOE legt uit dat een productieve geothermische bron warmte, vloeistof en permeabiliteit nodig heeft. Waar natuurlijke omstandigheden ontoereikend zijn, kan engineering paden creëren of verbeteren waardoor vloeistof door heet gesteente kan circuleren en warmte naar het oppervlak kan transporteren.

Die achtergrond helpt verklaren waarom een AI‑systeem nuttig kan zijn. Beslissingen over reservoirs omvatten onvolledige ondergrondse informatie en onderling wisselende fysieke processen. Een multi‑agentarchitectuur zou analytisch werk kunnen verdelen over gespecialiseerde componenten, maar de beknopte aankondiging van DOE specificeert niet de volledige implementatie of autonomie‑limieten van MAESTRO.

Onze beoordeling is dat de waarde ervan zal afhangen van hoe goed het gecombineerde systeem omgaat met onzekerheid. Het produceren van een zelfverzekerde reservoirbeschrijving is minder nuttig dan het identificeren van wat bekend is, wat onzeker blijft, en welke meting de volgende operationele beslissing het meest zou verbeteren.

Het AXIS‑project van de University of Illinois past AI toe op elektrochemische processen voor het winnen van zeldzame aardmetalen uit binnenlandse bronnen. De focus op het ontwerpen van redox‑actieve liganden wijst op de chemie die de selectieve scheiding bepaalt.

Het onderliggende ontwerpprobleem verschilt van geothermische engineering, maar de logica is vergelijkbaar: zoek in een ingewikkelde ruimte van kandidaten terwijl fysieke beperkingen worden gerespecteerd. Voor scheidingstechnologie moet een betekenisvolle evaluatie verder gaan dan de vraag of een kandidaat veelbelovend lijkt in een model. Selectiviteit, opbrengst, energieverbruik en prestaties in realistische mengsels zouden nuttige maatstaven voor vooruitgang zijn. Dit zijn voorgestelde evaluatiecriteria, geen resultaten die in de award‑aankondiging zijn gerapporteerd.

Chips voor omgevingen die gewone elektronica niet kan verdragen

Het AXESS‑project van Fermilab richt zich op micro‑elektronica voor omgevingen met hoge straling, ruimte en extreem koude temperaturen. De naam, Accelerating Extreme Environment Specs-to-Silicon, vat de ambitie samen om sneller van technische eisen naar chip‑ontwerpen te gaan.

Fermilab’s eerdere beschrijving van het initiatief legt uit waarom deze apparaten moeilijk te ontwikkelen zijn. Wetenschappelijke instrumenten kunnen aangepaste elektronica vereisen die onder omstandigheden werkt die buiten de ontwerpassumpties van gangbare commerciële chips vallen. Het laboratorium beschrijft het gebruik van AI om een traditioneel veeleisend ontwerpproces te versnellen.

De oktoberaankondiging plaatst AXESS binnen de nieuwe Genesis‑financiering. De kans bestaat om meer van de verkenning en controle die bij gespecialiseerd chip‑ontwerp komen kijken te automatiseren, met expertise uit laboratoria, universiteiten en de industrie.

Ontwerpsnelheid en apparaat‑gereedheid zijn afzonderlijke mijlpalen. Zelfs een dramatisch sneller ontwerpproces heeft nog steeds verificatie, fabricage en fysieke tests nodig. Een chip die bedoeld is voor een deeltjesdetector of cryogene installatie moet aantonen dat zijn gedrag de gespecificeerde omstandigheden overleeft. Alleen AI‑gegenereerde ontwerpbestanden kunnen dat niet bewijzen.

Quantumonderzoek: hardware bruikbaar maken en materialen achterwaarts ontwerpen

Het ASQC‑project van Harvard combineert AI met quantum‑hardware om foutcorrectie aan te pakken via toepassings‑bewuste co‑ontwerp. In praktische termen betekent co‑ontwerp dat de toepassing, de fout‑correctiestrategie en de hardware gezamenlijk worden beschouwd in plaats van elk als een geïsoleerd probleem.

Quantum‑apparaten zijn gevoelig voor fouten. Fout‑corrigerende schema’s coderen informatie over fysieke qubits zodat een logische qubit betrouwbaarder kan zijn. Harvard’s eerder onderzoek naar logische quantumprocessoren biedt achtergrond over dat onderscheid en de inspanning om berekeningen uit te voeren met gecodeerde qubits.

De nieuwe award mag niet worden geïnterpreteerd als een aankondiging dat fouttolerante quantumcomputing is voltooid. In plaats daarvan richt het zich op een moeilijk optimalisatieprobleem: wetenschappelijke taken afstemmen op de middelen en foutgedrag van echte hardware.

Het geselecteerde project van Oak Ridge National Laboratory richt zich op een ander quantum‑frontier: physics‑informed inverse design van quantum‑magneten voor sensoren en laag‑energie‑elektronica. Inverse design begint met een gewenst gedrag en zoekt naar een systeem dat dat kan produceren, waarbij het omgekeerde van het gebruikelijke proces – eerst een materiaal kiezen en daarna de eigenschappen berekenen – wordt toegepast.

Voor dit soort onderzoek is physics‑informed modellering van belang omdat een aantrekkelijke numerieke oplossing fysiek onhaalbaar kan zijn. Een bruikbaar ontwerp moet uiteindelijk aansluiten op materialen die vervaardigd en gemeten kunnen worden. De aankondiging zet die onderzoekslijn, maar meldt geen voltooid sensor‑ of commercieel elektronisch apparaat.

De minder zichtbare infrastructuur achter wetenschappelijke AI

Verschillende andere awards hebben betrekking op de systemen die grootschalig onderzoek mogelijk maken. Het project van MIT verbindt AI en supercomputing met lattice quantum chromodynamics, een computationele benadering om de sterke interactie te bestuderen. Het MOAT‑Core‑project van Lawrence Berkeley National Laboratory ontwikkelt een gedeeld AI‑platform voor accelerator‑ontwerp en -operatie. Het project van Northeastern past agent‑ondersteuning toe op de Facility for Rare Isotope Beams.

De AI4HPC‑inspanning van Argonne omvat het ontwikkelen, optimaliseren en verifiëren van wetenschappelijke reken‑software. Die verificatiecomponent is doorslaggevend: een programma dat sneller draait maar stilletjes de wetenschappelijke berekening wijzigt, is geen verbetering.

Biologie is ook vertegenwoordigd. UC San Diego wil een RNA‑structuurdatabank met een factor vijf uitbreiden, terwijl de University of Washington zal werken aan enzym‑ontwerp via verbeterde sequentie‑structuur‑ensemble‑modellering.

Deze projecten benadrukken twee afhankelijkheden die vaak ondergesneeuwd blijven door modelaankondigingen: betrouwbare data en degelijke tools. Het nut van een wetenschappelijk agent is beperkt tot wat het kan benaderen en uitvoeren. Agenten verbinden met simulatie‑engines, samengestelde datasets en instrumenten kan hen capabeler maken, terwijl de noodzaak toeneemt om hun acties te volgen en hun output te valideren.

Zoals onze berichtgeving over Anthropic’s ondersteuning voor de Genesis Mission laat zien, omvat het initiatief ook het brengen van commerciële AI-mogelijkheden in het wetenschappelijke ecosysteem. De gefinancierde projecten moeten aantonen hoe die mogelijkheden zich vertalen naar meetbare onderzoeksvoordelen.

Twee afzonderlijke investeringen in de onderzoekers die deze tools zullen gebruiken

DOE kondigde ook een Genesis Mission Graduate Fellowship Pilot aan. Er wordt tot $100 miljoen gepland, inclusief $20 miljoen in het fiscale jaar 2027, waarbij latere financiering afhankelijk is van congresbegrotingen. Van de eerste cohort wordt verwacht ongeveer 100 doctoraatsbeurzen te ondersteunen via vierjarige trajecten die AI en een wetenschappelijke discipline combineren.

De geplande plaatsingen omvatten zowel een DOE‑laboratorium of gebruikersfaciliteit als een industriële omgeving. Die structuur kan onderzoekers helpen de kloof te begrijpen tussen het ontwikkelen van een AI‑methode en het bruikbaar maken ervan in een experimentele of operationele omgeving.

Een aparte Early Career Research Program aankondiging omvat $96 miljoen voor 67 wetenschappers, met universiteitsprijzen van ongeveer $875.000 en laboratoriumprijzen van $2,75 miljoen over vijf jaar. Het bereik omvat AI, kwantumwetenschap en fusie, naast andere onderzoeksgebieden. DOE merkt op dat de toekenningsselecties onderhevig blijven aan onderhandelingen.

Deze bedragen mogen niet worden samengevoegd tot één volledig toegekend Genesis‑pakket. De $159 miljoen hebben betrekking op de nieuwe fase‑II‑projecten; de beurs heeft een voorwaardelijk toekomstig financieringsplan; en de ondersteuning voor beginnende onderzoekers is een afzonderlijk programma.

Wat zou als succes worden beschouwd?

De strengste test van dit portfolio zal zijn of AI wetenschappelijk werk verbetert onder realistische omstandigheden. Dat betekent dat men de tijd en middelen meet die nodig zijn om een gevalideerd resultaat te bereiken, de kwaliteit van het resultaat, en het vermogen van het systeem om te herkennen wanneer zijn eigen methoden onbetrouwbaar zijn.

Een nuttig fusie‑model moet helpen betere experimenten te plannen. Een chip‑ontwerp‑agent moet ontwerpen opleveren die verificatie en fysieke tests doorstaan. Een geothermisch systeem moet beslissingen ondersteunen die standhouden wanneer nieuwe veldmetingen binnenkomen. Een wetenschappelijk codeer‑hulpmiddel moet de correctheid behouden terwijl het de prestaties verbetert.

De Genesis‑premies bieden ruimte om die stellingen te testen in zeer verschillende disciplines. Hun belang ligt in het dichter bij de machines, data en beperkingen van de wetenschap brengen van AI — en onderzoekers de middelen geven om te ontdekken waar het daadwerkelijk helpt.