DOE concede $159M para levar IA científica à fusão, design de chips e pesquisa quântica

Um experimento de fusão, um reservatório geotérmico e um chip construído para suportar radiação intensa têm algo em comum: cada um pode exigir que os pesquisadores explorem um enorme espaço de designs possíveis antes de encontrar um que funcione. Os últimos prêmios da Genesis Mission do Departamento de Energia dos EUA visam inserir IA nesse processo de busca, ajudando os cientistas a decidir o que simular, construir e testar a seguir.

DOE anunciou $159 milhões para 12 novos projetos Phase II em 8 de outubro de 2026, juntamente com seis prêmios adicionais de Phase I. O departamento afirma que a coorte do primeiro ano da missão agora está completa, com 297 projetos. Seu portfólio mais amplo de Phase II contém 14 projetos, incluindo GridFM 2.0 e Prometheus, apoiados pelos escritórios de Eletricidade e Energia Nuclear.

O escopo é incomumente amplo. O trabalho selecionado abrange desde fusão e energia geotérmica até estruturas de RNA, separação de terras raras, software científico e computação quântica. O que conecta os projetos é uma ambição prática: usar IA para encurtar a distância entre uma ideia e um resultado cientificamente útil.

O que o DOE entende por “Super Intelligence”

O DOE descreve a iniciativa usando o termo “Super Intelligence”, abreviado SI. Essa terminologia exige cautela. O anúncio estabelece um portfólio de pesquisa e suas aplicações previstas; não apresenta evidências de que um sistema de IA de propósito geral tenha superado a capacidade humana em toda a ciência.

As seleções iniciais de projetos Genesis anunciadas em julho descrevem uma combinação de modelos avançados, estruturas de agentes, software científico e computação de alto desempenho. Essa é uma forma útil de entender os novos prêmios: como investimentos em sistemas de pesquisa habilitados por IA, com capacidades adaptadas a disciplinas e infraestruturas específicas.

Existe uma distinção importante entre gerar uma resposta científica plausível e concluir um fluxo de trabalho científico confiável. Um modelo pode propor um material, mas suas propriedades ainda precisam ser medidas. Um agente pode gerar código de simulação, mas o código deve preservar as equações e suposições que os pesquisadores pretendiam. Um otimizador pode recomendar uma configuração de máquina, mas deve respeitar os limites operacionais.

A questão interessante, portanto, é como esses projetos conectam previsão e raciocínio à evidência. Essa conexão determinará se o investimento produz ciência melhor em vez de apenas resultados com aparência mais científica.

Fusão: um gêmeo digital para planejar as operações do SPARC

Commonwealth Fusion Systems está desenvolvendo um gêmeo digital habilitado por IA para simular e otimizar as operações do SPARC. Um gêmeo digital é uma representação computacional de um sistema físico, útil para explorar como esse sistema pode se comportar sob diferentes condições.

A empresa já possui uma base tecnológica relevante. Em janeiro, a CFS anunciou trabalho com a Siemens e a NVIDIA combinando ferramentas de engenharia com tecnologias de simulação e visualização. Essa colaboração anterior fornece contexto para o novo prêmio, embora o anúncio do DOE não estabeleça que cada componente da arquitetura de janeiro faça parte do projeto financiado.

A CFS explica em seu relato técnico de IA e simulação que modelos substitutos podem aprender com simulações físicas computacionalmente caras e aproximar seus resultados mais rapidamente. Esses modelos podem ajudar os pesquisadores a explorar muitas condições operacionais candidatas sem precisar refazer o cálculo mais exigente para cada uma.

Para um tokamak, que usa campos magnéticos para confinar plasma quente, isso cria uma ferramenta de planejamento potencialmente valiosa. Os pesquisadores podem examinar cenários candidatos, identificar experimentos promissores e comparar as previsões dos modelos com as medições. A parte difícil é saber onde uma aproximação rápida continua confiável e onde o cálculo completo de física é necessário.

SPARC é uma máquina de demonstração de fusão, com a CFS mirando energia de fusão líquida em 2027. Essa meta diz respeito ao desempenho da fusão; não deve ser interpretada como uma afirmação de que o SPARC já está fornecendo eletricidade à rede. O significado de curto prazo do projeto de IA é seu potencial para melhorar o planejamento e a operação experimentais.

Geotérmica e terras raras: usando IA para navegar em sistemas físicos complexos

O projeto MAESTRO da UC Irvine adota uma abordagem multiagente para mapear, estimular e gerenciar reservatórios geotérmicos profundos. O nome expande para Multi-agent AI Expert for Subsurface Reasoning and Optimization.

O desafio geológico é considerável. A visão geral de sistemas geotérmicos avançados do DOE explica que um recurso geotérmico produtivo necessita de calor, fluido e permeabilidade. Onde as condições naturais são insuficientes, a engenharia pode criar ou melhorar caminhos que permitem que o fluido circule através da rocha quente e transporte calor até a superfície.

Esse contexto ajuda a explicar por que um sistema de IA pode ser útil. Decisões sobre reservatórios envolvem informações subterrâneas imperfeitas e processos físicos interativos. Uma arquitetura multiagente poderia dividir o trabalho analítico entre componentes especializados, mas o breve anúncio do DOE não especifica a implementação completa ou os limites de autonomia do MAESTRO.

Nossa avaliação é que seu valor dependerá de quão bem o sistema combinado lida com a incerteza. Produzir uma descrição confiante do reservatório é menos útil do que identificar o que se sabe, o que permanece incerto e qual medição melhoraria mais a próxima decisão operacional.

O projeto AXIS da Universidade de Illinois aplica IA a processos eletroquímicos para a extração de elementos de terras raras de fontes domésticas. Seu foco no design de ligantes redox-ativos aponta para a química que governa a separação seletiva.

O problema de design subjacente é diferente da engenharia geotérmica, mas a lógica é semelhante: buscar em um espaço complicado de candidatos enquanto se respeitam as restrições físicas. Para a tecnologia de separação, a avaliação significativa deve ir além de saber se um candidato parece promissor em um modelo. Seletividade, recuperação, consumo de energia e desempenho em misturas realistas seriam medidas úteis de progresso. Esses são critérios de avaliação propostos, não resultados relatados no anúncio da premiação.

Chips para ambientes que a eletrônica convencional não pode tolerar

O projeto AXESS do Fermilab tem como alvo microeletrônica para ambientes de alta radiação, espaço e temperaturas extremamente baixas. Seu nome, Accelerating Extreme Environment Specs-to-Silicon, captura a ambição de passar dos requisitos de engenharia para os projetos de chips de forma mais rápida.

Descrição anterior do Fermilab sobre a iniciativa explica por que esses dispositivos são difíceis de desenvolver. Instrumentos científicos podem exigir eletrônica personalizada que opere sob condições fora das suposições de design dos chips comerciais convencionais. O laboratório descreve o uso de IA para acelerar um processo de design tradicionalmente exigente.

O Anúncio de outubro coloca o AXESS dentro do novo financiamento Genesis. A oportunidade é automatizar mais da exploração e verificação envolvidas no design de chips especializados, aproveitando a expertise de laboratórios, universidades e indústria.

Velocidade de design e prontidão do dispositivo são marcos separados. Mesmo um fluxo de trabalho de design dramaticamente mais rápido ainda requer verificação, fabricação e testes físicos. Um chip destinado a um detector de partículas ou a um sistema criogênico deve demonstrar que seu comportamento sobrevive às condições especificadas para ele. Arquivos de design gerados por IA, por si só, não podem estabelecer isso.

Pesquisa quântica: tornar o hardware útil e projetar materiais de forma inversa

O projeto ASQC de Harvard combina IA com hardware quântico para enfrentar a correção de erros por meio de co‑design consciente da aplicação. Na prática, co‑design significa considerar a aplicação, a abordagem de correção de erros e o hardware em conjunto, em vez de tratar cada um como um problema isolado.

Dispositivos quânticos são sensíveis a erros. Esquemas de correção de erros codificam informações em qubits físicos de modo que um qubit lógico possa ser mais confiável. A pesquisa anterior sobre processadores quânticos lógicos de Harvard fornece contexto sobre essa distinção e o esforço para executar cálculos usando qubits codificados.

A nova premiação não deve ser interpretada como um anúncio de que a computação quântica tolerante a falhas foi concluída. Em vez disso, ela visa um problema de otimização difícil: alinhar tarefas científicas aos recursos e ao comportamento de erro do hardware real.

O projeto selecionado do Oak Ridge National Laboratory aborda outra fronteira quântica: design inverso de ímãs quânticos orientado por física para sensores e eletrônica de baixo consumo. O design inverso começa com um comportamento desejado e busca um sistema que possa produzi‑‑lo, invertendo o processo familiar de escolher um material e depois calcular suas propriedades.

Para esse tipo de pesquisa, a modelagem orientada por física é importante porque uma solução numérica atraente pode ser fisicamente inviável. Um design útil deve, em última análise, conectar‑se a materiais que possam ser fabricados e medidos. O anúncio define essa direção de pesquisa; não relata um sensor concluído ou um dispositivo eletrônico comercial.

A infraestrutura menos visível por trás da IA científica

Várias outras premiações dizem respeito aos sistemas que tornam a pesquisa em larga escala possível. O projeto do MIT conecta IA e supercomputação à cromodinâmica quântica em rede, uma abordagem computacional para estudar a interação forte. O MOAT-Core do Lawrence Berkeley National Laboratory desenvolve uma plataforma de IA compartilhada para o design e operação de aceleradores. O projeto da Northeastern aplica assistência agente ao Facility for Rare Isotope Beams.

O esforço AI4HPC de Argonne inclui o desenvolvimento, otimização e verificação de software de computação científica. Esse componente de verificação é crucial: um programa que roda mais rápido, mas altera silenciosamente o cálculo científico, não representa uma melhoria.

A biologia também está representada. A UC San Diego pretende ampliar um banco de dados de estruturas de RNA em cinco vezes, enquanto a University of Washington trabalhará no design de enzimas por meio de modelagem aprimorada de conjunto sequência‑estrutura.

Esses projetos destacam duas dependências frequentemente ofuscadas pelos anúncios de modelos: dados confiáveis e ferramentas confiáveis. A utilidade de um agente científico é limitada ao que ele pode acessar e executar. Conectar agentes a motores de simulação, conjuntos de dados curados e instrumentos pode torná‑los mais capazes, ao mesmo tempo que aumenta a necessidade de rastrear suas ações e validar seus resultados.

Como ilustra nossa cobertura de suporte da Anthropic para a Genesis Mission, a iniciativa também envolve levar capacidades comerciais de IA ao ecossistema científico. Os projetos financiados precisarão estabelecer como essas capacidades se traduzem em ganhos de pesquisa mensuráveis.

Dois investimentos separados nos pesquisadores que usarão essas ferramentas

O DOE também anunciou um Genesis Mission Graduate Fellowship Pilot. Ele prevê até US$ 100 milhões, incluindo US$ 20 milhões no exercício de 2027, com financiamento futuro condicionado a aprovações do Congresso. Espera‑se que a coorte inicial apoie aproximadamente 100 doutorandos ao longo de trajetórias de quatro anos que combinam IA e uma disciplina científica.

As colocações planejadas incluem tanto um laboratório ou instalação de usuários do DOE quanto um ambiente industrial. Essa estrutura pode ajudar os pesquisadores a compreender a lacuna entre o desenvolvimento de um método de IA e sua utilidade em um ambiente experimental ou operacional.

Um anúncio do Early Career Research Program separado cobre US$ 96 milhões para 67 cientistas, com bolsas universitárias de cerca de US$ 875 mil e bolsas de laboratório de US$ 2,75 milhões ao longo de cinco anos. Seu escopo inclui IA, ciência quântica e fusão, entre outras áreas de pesquisa. O DOE observa que a seleção das bolsas continua sujeita a negociações.

Esses valores não devem ser consolidados em um único pacote Genesis totalmente concedido. Os US$ 159 milhões referem‑se aos novos projetos da Fase II; a bolsa tem um plano de financiamento futuro condicional; e o apoio a pesquisadores em início de carreira é um programa separado.

O que seria considerado sucesso?

O teste mais rigoroso deste portfólio será se a IA melhora o trabalho científico em condições realistas. Isso significa medir o tempo e os recursos necessários para alcançar um resultado validado, a qualidade desse resultado e a capacidade do sistema de reconhecer quando seus próprios métodos são pouco confiáveis.

Um modelo de fusão útil deve ajudar a planejar experimentos melhores. Um agente de design de chips deve produzir projetos que passem na verificação e nos testes físicos. Um sistema geotérmico deve apoiar decisões que permaneçam sólidas quando novas medições de campo chegarem. Uma ferramenta de codificação científica deve preservar a correção ao melhorar o desempenho.

Os prêmios Genesis criam espaço para testar essas proposições em disciplinas muito diferentes. Sua importância reside em aproximar a IA da maquinaria, dos dados e das restrições da ciência — e em fornecer aos pesquisadores os recursos para descobrir onde ela realmente ajuda.