DOE tildeler $159M for å bringe vitenskapelig AI inn i fusjon, chipdesign og kvanteforskning

Et fusjonseksperiment, et geotermisk reservoar og en chip bygget for å overleve intens stråling har noe til felles: hver kan kreve at forskere utforsker et enormt rom av mulige design før de finner ett som fungerer. U.S. Department of Energy sine siste Genesis Mission‑tilskudd har som mål å integrere AI i denne søkeprosessen, og hjelpe forskere med å bestemme hva de skal simulere, bygge og teste neste.

DOE kunngjorde $159 million for 12 nye Phase II‑prosjekter den 8. oktober 2026, sammen med seks ekstra Phase I‑tilskudd. Departementet sier at oppdragets førsteårs‑kohort nå er fullført med 297 prosjekter. Den bredere Phase II‑porteføljen inneholder 14 prosjekter, inkludert GridFM 2.0 og Prometheus, støttet gjennom kontorene for Electricity og Nuclear Energy.

Omfanget er usedvanlig bredt. Det utvalgte arbeidet spenner fra fusjon og geotermisk energi til RNA‑strukturer, sjeldne‑jord‑separasjon, vitenskapelig programvare og kvanteberegning. Det som binder prosjektene sammen er en praktisk ambisjon: å bruke AI for å forkorte avstanden mellom en idé og et vitenskapelig nyttig resultat.

Hva DOE mener med “Super Intelligence”

DOE beskriver initiativet med begrepet “Super Intelligence”, forkortet SI. Denne terminologien krever forsiktighet. Kunngjøringen etablerer en forskningsportefølje og dens tiltenkte anvendelser; den fremlegger ikke bevis for at et generelt AI‑system har overgått menneskelig kapasitet på tvers av vitenskap.

De de første Genesis‑prosjektutvalgene kunngjort i juli beskriver en blanding av avanserte modeller, agent‑rammeverk, vitenskapelig programvare og høyytelses‑databehandling. Det er en nyttig måte å forstå de nye tilskuddene på: som investeringer i AI‑drevede forskningssystemer, med funksjoner tilpasset spesifikke disipliner og infrastruktur.

Det er en viktig forskjell mellom å generere et plausibelt vitenskapelig svar og å fullføre en pålitelig vitenskapelig arbeidsflyt. En modell kan foreslå et materiale, men egenskapene må fortsatt måles. En agent kan generere simuleringskode, men koden må bevare de ligningene og antakelsene forskerne hadde til hensikt. En optimaliserer kan anbefale en maskininnstilling, men den må respektere driftsbegrensninger.

Det interessante spørsmålet er derfor hvordan disse prosjektene knytter prediksjon og resonnering til bevis. Denne koblingen vil avgjøre om investeringen gir bedre vitenskap i stedet for bare mer vitenskapelig‑utseende output.

Fusjon: en digital tvilling for planlegging av SPARC‑operasjoner

Commonwealth Fusion Systems utvikler en AI‑drevet digital tvilling for å simulere og optimalisere SPARC‑operasjoner. En digital tvilling er en beregningsmessig representasjon av et fysisk system, nyttig for å utforske hvordan systemet kan oppføre seg under ulike forhold.

Selskapet har allerede et relevant teknologigrunnlag. I januar, CFS kunngjorde samarbeid med Siemens og NVIDIA som kombinerer ingeniørverktøy med simulerings‑ og visualiseringsteknologier. Dette tidligere samarbeidet gir kontekst for den nye tildelingen, selv om DOE‑kunngjøringen ikke fastslår at hver komponent i januar‑arkitekturen er en del av det finansierte prosjektet.

CFS forklarer i sin tekniske redegjørelse for AI og simulering at surrogatmodeller kan lære av beregningsintensive fysikksimuleringer og tilnærme deres resultater raskere. Slike modeller kan hjelpe forskere med å utforske mange kandidat‑driftsforhold uten å kjøre den mest krevende beregningen på nytt for hver enkelt.

For en tokamak, som bruker magnetfelt til å holde varm plasma, skaper dette et potensielt verdifullt planleggingsverktøy. Forskere kan undersøke kandidat‑scenarioer, identifisere lovende eksperimenter, og sammenligne modellprediksjoner med målinger. Den vanskelige delen er å vite hvor en rask tilnærming fortsatt er pålitelig og hvor den fullstendige fysikkberegningen er nødvendig.

SPARC er en fusjonsdemonstrasjonsmaskin, med CFS som sikter mot netto fusjonsenergi i 2027. Dette målet gjelder fusjonsytelse; det bør ikke tolkes som et påstand om at SPARC allerede leverer strøm til nettet. Den kortsiktige betydningen av AI‑prosjektet er dets potensial til å forbedre eksperimentell planlegging og drift.

Geotermisk energi og sjeldne jordarter: bruke AI til å navigere i komplekse fysiske systemer

UC Irvine sitt MAESTRO‑prosjekt benytter en multi‑agent‑tilnærming for å kartlegge, stimulere og håndtere dype geotermiske reservoarer. Navnet står for Multi‑agent AI‑ekspert for undergrunnsresonnement og optimalisering.

Den geologiske utfordringen er betydelig. DOE sin oversikt over forbedrede geotermiske systemer forklarer at en produktiv geotermisk ressurs krever varme, væske og permeabilitet. Hvor naturlige forhold er utilstrekkelige, kan ingeniørkunst skape eller forbedre kanaler som lar væske sirkulere gjennom varm stein og transportere varme mot overflaten.

Den bakgrunnen hjelper med å forklare hvorfor et AI‑system kan være nyttig. Reservoarbeslutninger involverer ufullstendig undergrunnsinformasjon og samvirkende fysiske prosesser. En multi‑agent‑arkitektur kan dele analytisk arbeid mellom spesialiserte komponenter, men DOE sin korte kunngjøring spesifiserer ikke MAESTROs fullstendige implementering eller autonomigrenser.

Vår vurdering er at verdien vil avhenge av hvor godt det kombinerte systemet håndterer usikkerhet. Å produsere en sikker reservoarbeskrivelse er mindre nyttig enn å identifisere hva som er kjent, hva som fortsatt er usikkert, og hvilken måling som vil forbedre den neste operative beslutningen mest.

University of Illinois sitt AXIS-prosjekt bruker AI på elektrokjemiske prosesser for å utvinne sjeldne jordarter fra innenlandske kilder. Fokus på design av redoks‑aktive ligander peker mot kjemien som styrer selektiv separasjon.

Det underliggende designproblemet er forskjellig fra geotermisk ingeniørkunst, men logikken er lik: søke i et komplisert kandidatrom samtidig som man respekterer fysiske begrensninger. For separasjonsteknologi bør meningsfull evaluering gå utover om en kandidat ser lovende ut i en modell. Selektivitet, utbytte, energiforbruk og ytelse i realistiske blandinger vil være nyttige mål på fremgang. Dette er foreslåtte evalueringskriterier, ikke resultater rapportert i tildelingskunngjøringen.

Brikker for miljøer som vanlig elektronikk ikke kan tåle

Fermilabs AXESS-prosjekt retter seg mot mikroelektronikk for høystrålings-, rom- og ekstremt kalde miljøer. Navnet, Accelerating Extreme Environment Specs-to-Silicon, fanger ambisjonen om å gå fra ingeniørkrav til brikkedesign raskere.

Fermilabs tidligere beskrivelse av initiativet forklarer hvorfor disse enhetene er vanskelige å utvikle. Vitenskapelige instrumenter kan kreve skreddersydd elektronikk som opererer under forhold som ligger utenfor designforutsetningene til vanlige kommersielle brikker. Laboratoriet beskriver bruk av AI for å akselerere en tradisjonelt krevende designprosess.

Den Oktober‑kunngjøringen plasserer AXESS innenfor den nye Genesis‑finansieringen. Muligheten er å automatisere mer av utforskingen og kontrollen som inngår i spesialisert brikkedesign, ved å trekke på ekspertise fra laboratorier, universiteter og industri.

Designhastighet og enhetsberedskap er separate milepæler. Selv en dramatisk raskere designarbeidsflyt krever fortsatt verifisering, fabrikasjon og fysisk testing. En brikke ment for en partikkeldetektor eller et kryogenisk system må demonstrere at dens oppførsel overlever de spesifiserte forholdene. AI‑genererte designfiler alene kan ikke fastslå dette.

Kvantforskning: gjøre maskinvare nyttig og designe materialer baklengs

Harvards ASQC-prosjekt kombinerer AI med kvantmaskinvare for å takle feilkorreksjon gjennom applikasjonsbevisst co‑design. I praksis betyr co‑design at man vurderer applikasjonen, feilkorrekturmetoden og maskinvaren sammen i stedet for å behandle hver som et isolert problem.

Kvant enheter er følsomme for feil. Feilkorrigerende ordninger koder informasjon over fysiske qubiter slik at en logisk qubit kan bli mer pålitelig. Harvards tidligere logisk kvanteprosessorforskning gir bakgrunn for den distinksjonen og arbeidet med å kjøre beregninger ved bruk av kodede qubiter.

Den nye tildelingen bør ikke tolkes som en kunngjøring om at feilresistent kvantedatabehandling er fullført. I stedet retter den seg mot et vanskelig optimaliseringsproblem: å matche vitenskapelige oppgaver med ressursene og feiladferden til reell maskinvare.

Oak Ridge National Laboratories valgte prosjekt tar for seg en annen kvantefront: fysikk‑informert invers design av kvantmagneter for sensoring og lavstrøms‑elektronikk. Invers design starter med en ønsket oppførsel og søker etter et system som kan produsere den, og snur den vanlige prosessen med å velge et materiale og deretter beregne dets egenskaper.

For denne typen forskning er fysikk‑informert modellering viktig fordi en attraktiv numerisk løsning kan være fysisk uoppnåelig. Et nyttig design må til slutt kobles til materialer som kan fremstilles og måles. Kunngjøringen setter denne forskningsretningen; den rapporterer ikke om en ferdig sensor eller kommersiell elektronisk enhet.

Den mindre synlige infrastrukturen bak vitenskapelig AI

Flere andre tildelinger gjelder systemene som gjør storskala forskning mulig. MITs prosjekt kobler AI og superdatabehandling til lattice‑kvantekromodynamikk, en beregningsmetode for å studere den sterke interaksjonen. Lawrence Berkeley National Laboratories MOAT‑Core utvikler en delt AI‑plattform for akseleratordesign og -drift. Northeasterns prosjekt anvender agentbasert assistanse på Facility for Rare Isotope Beams.

Argonnes AI4HPC‑innsats inkluderer utvikling, optimalisering og verifisering av vitenskapelig beregningsprogramvare. Denne verifiseringskomponenten er avgjørende: et program som kjører raskere, men stille endrer den vitenskapelige beregningen, er ingen forbedring.

Biologi er også representert. UC San Diego har som mål å utvide en RNA‑strukturdatabase femfold, mens University of Washington vil arbeide med enzymdesign gjennom forbedret sekvens‑struktur‑ensemble‑modellering.

Disse prosjektene fremhever to avhengigheter som ofte blir oversett i modellkunngjøringer: pålitelig data og pålitelige verktøy. En vitenskapelig agents nytteverdi er begrenset av hva den kan få tilgang til og utføre. Å koble agenter til simuleringsmotorer, kuraterte datasett og instrumenter kan gjøre dem mer kapable, samtidig som behovet for å spore deres handlinger og validere deres resultater øker.

Som vår dekning av Anthropics støtte til Genesis-oppdraget illustrerer, innebærer initiativet også å bringe kommersielle AI‑kapasiteter inn i det vitenskapelige økosystemet. De finansierte prosjektene må fastslå hvordan disse kapasiteterne omsettes til målbare forskningsgevinster.

To separate investeringer i forskerne som skal bruke disse verktøyene

DOE kunngjorde også en Genesis Mission Graduate Fellowship Pilot. Den planlegger opptil 100 millioner dollar, inkludert 20 millioner dollar i regnskapsåret 2027, med senere finansiering avhengig av Kongressens bevilgninger. Den første kohorten forventes å støtte omtrent 100 doktorgradsstipendiater gjennom fireårige programmer som kombinerer AI og en vitenskapelig disiplin.

De planlagte plasseringene inkluderer både et DOE‑laboratorium eller en brukeranlegg og en industriell setting. Denne strukturen kan hjelpe forskere med å forstå gapet mellom utvikling av en AI‑metode og å gjøre den nyttig i et eksperimentelt eller operativt miljø.

En separat Kunngjøring av Early Career Research Program dekker 96 millioner dollar for 67 forskere, med universitetspriser på omtrent 875 000 dollar og laboratoriepriser på 2,75 millioner dollar over fem år. Omfanget inkluderer AI, kvantevitenskap og fusjon, blant andre forskningsområder. DOE bemerker at tildelingsutvelgelser fortsatt er underlagt forhandlinger.

Disse beløpene bør ikke slås sammen til én samlet tildelt Genesis‑pakke. De 159 millionene dollar gjelder de nye fase‑II-prosjektene; stipendet har en betinget fremtidig finansieringsplan; og støtte til tidligkarriereforsker er et eget program.

Hva vil telle som suksess?

Den strengeste testen av denne porteføljen vil være om AI forbedrer vitenskapelig arbeid under realistiske forhold. Det innebærer å måle tid og ressurser som kreves for å oppnå et validert resultat, kvaliteten på resultatet, og systemets evne til å gjenkjenne når egne metoder er upålitelige.

En nyttig fusjonsmodell bør bidra til å planlegge bedre eksperimenter. En chip‑design‑agent bør produsere design som består verifisering og fysisk testing. Et geotermisk system bør støtte beslutninger som forblir holdbare når nye felttmålinger kommer inn. Et vitenskapelig kodingverktøy bør bevare korrekthet samtidig som det forbedrer ytelsen.

Genesis‑tildelingene gir rom til å teste disse påstandene på tvers av svært ulike disipliner. Deres betydning ligger i å bringe AI nærmere maskineriet, dataene og begrensningene i vitenskapen—og gi forskerne ressursene til å finne ut hvor den faktisk er til nytte.