DOE przyznaje 159 mln USD na wprowadzenie sztucznej inteligencji do badań nad fuzją, projektowaniem chipów i badaniami kwantowymi

Eksperyment fuzji, rezerwuar geotermalny i chip zaprojektowany tak, aby wytrzymać intensywne promieniowanie mają ze wspólnego to, że każdy z nich może wymagać od badaczy eksploracji ogromnej przestrzeni możliwych projektów, zanim znajdą ten działający. Najnowsze przyznania w ramach misji Genesis Departamentu Energii Stanów Zjednoczonych mają wprowadzić sztuczną inteligencję do tego procesu poszukiwań, pomagając naukowcom zdecydować, co symulować, budować i testować jako kolejne.

DOE ogłosiło 159 mln USD na 12 nowych projektów fazy II 8 października 2026 r., wraz z sześcioma dodatkowymi przyznaniami fazy I. Departament informuje, że kohorta pierwszego roku misji liczy już 297 projektów. Szersze portfolio fazy II obejmuje 14 projektów, w tym GridFM 2.0 i Prometheus, wspierane przez biura ds. Energii Elektrycznej i Jądrowej.

Zakres jest niezwykle szeroki. Wybrane prace rozciągają się od fuzji i energii geotermalnej po struktury RNA, separację rzadkich ziem oraz oprogramowanie naukowe i obliczenia kwantowe. Łączy je praktyczna ambicja: wykorzystanie sztucznej inteligencji do skrócenia odległości między pomysłem a naukowo użytecznym wynikiem.

Co DOE rozumie przez „Super Intelligence”

DOE opisuje inicjatywę terminem „Super Intelligence”, skrótem SI. Terminologia ta wymaga ostrożności. Ogłoszenie ustanawia portfolio badawcze i jego zamierzone zastosowania; nie przedstawia dowodów, że system sztucznej inteligencji o ogólnym przeznaczeniu przewyższył ludzkie możliwości we wszystkich dziedzinach nauki.

Pierwsze wybory projektów Genesis ogłoszone w lipcu opisują mieszankę zaawansowanych modeli, ram agentów, oprogramowania naukowego i wysokowydajnych obliczeń. To przydatny sposób rozumienia nowych przyznanych środków: jako inwestycje w systemy badawcze z włączoną sztuczną inteligencją, z możliwościami dostosowanymi do konkretnych dyscyplin i infrastruktury.

Istnieje istotna różnica między generowaniem wiarygodnej odpowiedzi naukowej a ukończeniem niezawodnego przepływu pracy naukowej. Model może zaproponować materiał, ale jego właściwości nadal wymagają pomiaru. Agent może wygenerować kod symulacji, ale kod musi zachować równania i założenia, które badacze zamierzali. Optymalizator może zasugerować ustawienie maszyny, ale musi respektować ograniczenia operacyjne.

Interesujące pytanie brzmi więc, w jaki sposób te projekty łączą prognozowanie i rozumowanie z dowodami. To połączenie zdecyduje, czy inwestycja przyniesie lepszą naukę, a nie tylko bardziej naukowo wyglądające wyniki.

Fuzja: cyfrowy bliźniak do planowania operacji SPARC

Commonwealth Fusion Systems opracowuje cyfrowy bliźniak z włączoną sztuczną inteligencją, aby symulować i optymalizować operacje SPARC. Cyfrowy bliźniak to komputerowa reprezentacja fizycznego systemu, przydatna do badania, jak system może zachowywać się w różnych warunkach.

Firma już posiada odpowiednie podstawy technologiczne. W styczniu CFS ogłosiło współpracę z Siemens i NVIDIA, łącząc narzędzia inżynieryjne z technologiami symulacji i wizualizacji. Ta wcześniejsza współpraca dostarcza kontekstu dla nowego przyznania, choć ogłoszenie DOE nie stwierdza, że każdy element styczniowej architektury jest częścią finansowanego projektu.

CFS wyjaśnia w swoim techniczny opis AI i symulacji, że modele zastępcze mogą uczyć się na kosztownych symulacjach fizycznych i przybliżać ich wyniki szybciej. Takie modele mogą pomóc badaczom badać liczne warunki operacyjne bez konieczności ponownego uruchamiania najbardziej wymagających obliczeń dla każdego z nich.

W przypadku tokamaku, który wykorzystuje pola magnetyczne do utrzymywania gorącej plazmy, tworzy to potencjalnie cenne narzędzie planistyczne. Badacze mogą analizować scenariusze, identyfikować obiecujące eksperymenty i porównywać prognozy modeli z pomiarami. Trudność polega na tym, aby wiedzieć, gdzie szybkie przybliżenie pozostaje wiarygodne, a gdzie potrzebne są pełne obliczenia fizyczne.

SPARC jest maszyną demonstracyjną fuzji, a CFS dąży do uzyskania netto energii z fuzji w 2027 r. Ten cel dotyczy wydajności fuzji; nie należy go rozumieć jako twierdzenia, że SPARC już dostarcza prąd do sieci. Krótkoterminowe znaczenie projektu AI polega na potencjale poprawy planowania eksperymentów i ich operacji.

Geotermia i rzadkie ziemie: wykorzystanie AI do nawigacji w złożonych systemach fizycznych

Projekt MAESTRO Uniwersytetu Kalifornijskiego w Irvine przyjmuje podejście wieloagentowe do mapowania, stymulacji i zarządzania głębokimi rezerwuarami geotermalnymi. Nazwa rozwija się do Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Wyzwanie geologiczne jest znaczne. Przegląd rozszerzonych systemów geotermalnych DOE wyjaśnia, że produktywny zasób geotermalny potrzebuje ciepła, płynu i przepuszczalności. Gdy warunki naturalne są niewystarczające, inżynieria może tworzyć lub ulepszać drogi, które pozwalają płynowi krążyć przez gorące skały i przenosić ciepło w kierunku powierzchni.

To tło pomaga wyjaśnić, dlaczego system AI może być przydatny. Decyzje dotyczące rezerwuaru obejmują niepełne informacje podpowierzchniowe i współdziałające procesy fizyczne. Architektura wieloagentowa mogłaby podzielić pracę analityczną między wyspecjalizowane komponenty, ale krótkie ogłoszenie DOE nie precyzuje pełnej implementacji MAESTRO ani granic jego autonomii.

Nasza ocena jest taka, że jego wartość będzie zależeć od tego, jak dobrze połączony system radzi sobie z niepewnością. Tworzenie pewnego opisu złoża jest mniej użyteczne niż określenie, co jest znane, co pozostaje niepewne i który pomiar najbardziej poprawiłby następną decyzję operacyjną.

Projekt AXIS Uniwersytetu Illinois wykorzystuje sztuczną inteligencję w procesach elektrokemicznych służących do wydobywania rzadkich ziem z krajowych źródeł. Jego koncentracja na projektowaniu ligandów redoksowo‑aktywnych wskazuje na chemię rządzącą selektywną separacją.

Podstawowy problem projektowy różni się od inżynierii geotermalnej, ale logika jest podobna: przeszukiwanie skomplikowanej przestrzeni kandydatów przy zachowaniu ograniczeń fizycznych. W przypadku technologii separacji istotna ocena powinna wykraczać poza to, czy kandydat wydaje się obiecujący w modelu. Przydatnymi miarami postępu byłyby selektywność, odzysk, zużycie energii oraz wydajność w realistycznych mieszankach. Są to proponowane kryteria oceny, a nie wyniki podane w ogłoszeniu o przyznaniu nagrody.

Układy scalone dla środowisk, których nie wytrzymuje zwykła elektronika

Projekt AXESS Fermilabu koncentruje się na mikroelektronice przeznaczonej do środowisk o wysokim poziomie promieniowania, w kosmosie oraz w ekstremalnie niskich temperaturach. Jego nazwa, Accelerating Extreme Environment Specs-to-Silicon, oddaje ambicję szybszego przechodzenia od wymagań inżynieryjnych do projektów układów scalonych.

Wcześniejsze opisanie inicjatywy przez Fermilab wyjaśnia, dlaczego te urządzenia są trudne do opracowania. Instrumenty naukowe mogą wymagać niestandardowej elektroniki, która działa w warunkach wykraczających poza założenia projektowe powszechnych komercyjnych układów. Laboratorium opisuje wykorzystanie sztucznej inteligencji do przyspieszenia tradycyjnie wymagającego procesu projektowania.

Październikowe ogłoszenie umieszcza AXESS w ramach nowego finansowania Genesis. Okazją jest automatyzacja większej części eksploracji i weryfikacji związanej ze specjalistycznym projektowaniem układów scalonych, czerpiąc z ekspertyzy laboratoriów, uniwersytetów i przemysłu.

Szybkość projektowania i gotowość urządzenia to odrębne kamienie milowe. Nawet znacznie szybszy przepływ pracy projektowej wymaga weryfikacji, produkcji i testów fizycznych. Układ scalony przeznaczony do detektora cząstek lub systemu kriogenicznego musi wykazać, że jego zachowanie wytrzymuje określone warunki. Same pliki projektowe generowane przez sztuczną inteligencję nie mogą tego potwierdzić.

Badania kwantowe: czynienie sprzętu użytecznym i projektowanie materiałów wstecz

Projekt ASQC z Harvardu łączy sztuczną inteligencję z hardware’em kwantowym, aby rozwiązać problem korekcji błędów poprzez współprojektowanie świadome aplikacji. W praktyce współprojektowanie oznacza jednoczesne uwzględnianie aplikacji, podejścia do korekcji błędów i sprzętu, zamiast traktowania ich jako odrębnych problemów.

Urządzenia kwantowe są wrażliwe na błędy. Schematy korekcji błędów kodują informacje na wielu fizycznych kubitach, aby logiczny kubit był bardziej niezawodny. Harvard wcześniejsze badania nad logicznym procesorem kwantowym dostarcza tła dla tej różnicy i wysiłku zmierzającego do wykonywania obliczeń przy użyciu zakodowanych kubitów.

Nowa nagroda nie powinna być interpretowana jako ogłoszenie, że obliczenia kwantowe odporne na błędy zostały zakończone. Zamiast tego koncentruje się na trudnym problemie optymalizacji: dopasowaniu zadań naukowych do zasobów i zachowań błędów rzeczywistego sprzętu.

Wybrany projekt Oak Ridge National Laboratory dotyczy kolejnej granicy kwantowej: fizyki‑informowanego odwrotnego projektowania kwantowych magnesów do czujników i niskoenergetycznej elektroniki. Odwrotne projektowanie zaczyna się od pożądanego zachowania i poszukuje systemu, który może je wytworzyć, odwracając znany proces wyboru materiału, a następnie obliczania jego właściwości.

W tego rodzaju badaniach modelowanie oparte na fizyce ma znaczenie, ponieważ atrakcyjne rozwiązanie numeryczne może być fizycznie nieosiągalne. Użyteczny projekt musi ostatecznie łączyć się z materiałami, które można wyprodukować i zmierzyć. Ogłoszenie wyznacza ten kierunek badań; nie raportuje gotowego czujnika ani komercyjnego urządzenia elektronicznego.

Mniej widoczna infrastruktura stojąca za naukową sztuczną inteligencją

Kilka innych nagród dotyczy systemów, które umożliwiają badania na dużą skalę. Projekt MIT łączy sztuczną inteligencję i superkomputery z sieciową chromodynamiką kwantową, podejściem obliczeniowym do badania silnej interakcji. MOAT-Core z Lawrence Berkeley National Laboratory opracowuje wspólną platformę AI do projektowania i eksploatacji akceleratorów. Projekt Northeastern stosuje asystentów agentowych w Facility for Rare Isotope Beams.

Inicjatywa AI4HPC z Argonne obejmuje opracowywanie, optymalizację i weryfikację oprogramowania do obliczeń naukowych. Ten element weryfikacji ma istotne znaczenie: program, który działa szybciej, ale cicho zmienia wyniki obliczeń naukowych, nie stanowi ulepszenia.

Biologia jest również reprezentowana. UC San Diego dąży do pięciokrotnego rozszerzenia bazy danych struktur RNA, podczas gdy University of Washington będzie pracować nad projektowaniem enzymów przy użyciu ulepszonego modelowania zespołu sekwencja‑struktura.

Te projekty podkreślają dwie zależności często przyćmiane przez ogłoszenia modeli: wiarygodne dane i niezawodne narzędzia. Przydatność agenta naukowego jest ograniczona tym, do czego ma dostęp i co może wykonać. Łączenie agentów z silnikami symulacji, starannie dobranymi zestawami danych i instrumentami może uczynić je bardziej zdolnymi, jednocześnie zwiększając potrzebę śledzenia ich działań i weryfikacji ich wyników.

Jak pokazuje nasza relacja o wsparciu Anthropic dla Misji Genesis, inicjatywa obejmuje również wprowadzanie komercyjnych możliwości AI do ekosystemu naukowego. Finansowane projekty będą musiały ustalić, w jaki sposób te możliwości przełożą się na wymierne korzyści badawcze.

Dwie odrębne inwestycje w badaczy, którzy będą korzystać z tych narzędzi

DOE ogłosiło również Pilotowy program stypendialny dla doktorantów Misji Genesis. Planowane jest do 100 milionów dolarów, w tym 20 milionów w roku budżetowym 2027, przy czym późniejsze finansowanie będzie zależne od przyjęcia przez Kongres. Oczekuje się, że początkowa kohorta wesprze około 100 doktorantów w czteroletnich ścieżkach łączących AI i dyscyplinę naukową.

Planowane miejsca obejmują zarówno laboratorium lub obiekt użytkownika DOE, jak i środowisko przemysłowe. Taka struktura może pomóc badaczom zrozumieć lukę między opracowaniem metody AI a jej użytecznością w środowisku eksperymentalnym lub operacyjnym.

Oddzielne ogłoszenie programu badań wczesnej kariery obejmuje 96 milionów dolarów dla 67 naukowców, przy przyznaniach uniwersyteckich w wysokości około 875 000 dolarów i przyznaniach laboratoryjnych w wysokości 2,75 miliona dolarów na przestrzeni pięciu lat. Jego zakres obejmuje AI, nauki kwantowe i fuzję, oraz inne obszary badawcze. DOE zauważa, że wybory nagród pozostają przedmiotem negocjacji.

Te kwoty nie powinny być łączone w jedną w pełni przyznaną paczkę Genesis. 159 milionów dolarów dotyczy nowych projektów fazy II; stypendium ma warunkowy plan przyszłego finansowania; a wsparcie wczesnej kariery jest odrębnym programem.

Co można uznać za sukces?

Najsilniejszym testem tego portfela będzie to, czy AI poprawia pracę naukową w realistycznych warunkach. Oznacza to pomiar czasu i zasobów potrzebnych do osiągnięcia zweryfikowanego wyniku, jakości wyniku oraz zdolności systemu do rozpoznawania, kiedy jego własne metody są niewiarygodne.

Użyteczny model fuzji powinien pomóc w planowaniu lepszych eksperymentów. Agent projektujący układy scalone powinien tworzyć projekty, które przechodzą weryfikację i testy fizyczne. System geotermalny powinien wspierać decyzje, które pozostają trafne, gdy pojawiają się nowe pomiary pola. Narzędzie do kodowania naukowego powinno zachować poprawność, jednocześnie zwiększając wydajność.

Nagrody Genesis dają możliwość przetestowania tych założeń w bardzo różnych dyscyplinach. Ich znaczenie polega na przybliżeniu AI do maszyn, danych i ograniczeń nauki — oraz zapewnieniu badaczom zasobów, które pozwolą odkryć, gdzie naprawdę przynosi korzyści.