DOE выделяет $159M для внедрения научного ИИ в термоядерный синтез, проектирование микросхем и квантовые исследования

Эксперимент по термоядерному синтезу, геотермальный резервуар и микросхема, способная выдерживать интенсивное излучение, имеют общую черту: каждый из них может потребовать от исследователей изучить огромный набор возможных конструкций, прежде чем найти работающую. Последние гранты программы Genesis Mission от U.S. Department of Energy направлены на внедрение ИИ в этот процесс поиска, помогая учёным решать, что моделировать, что строить и что тестировать дальше.

DOE объявило $159 million для 12 новых проектов Phase II 8 октября 2026 года, а также шесть дополнительных грантов Phase I. Департамент сообщает, что первая годовая когорта миссии теперь состоит из 297 проектов. Более широкий портфель Phase II включает 14 проектов, среди которых GridFM 2.0 и Prometheus, поддерживаемые офисами по электроэнергии и ядерной энергии.

Объём работ необычно широк. Выбранные проекты охватывают термоядерный синтез и геотермальную энергию, структуры РНК, разделение редкоземельных элементов, научное программное обеспечение и квантовые вычисления. Что объединяет эти проекты, так это практическая цель: использовать ИИ, чтобы сократить расстояние между идеей и научно полезным результатом.

Что подразумевает DOE под «Суперинтеллектом»

DOE описывает инициативу термином «Super Intelligence», сокращённо SI. Такая терминология требует осторожности. Объявление создаёт исследовательский портфель и его предполагаемые применения; оно не предоставляет доказательств того, что система ИИ общего назначения превзошла человеческие возможности во всех областях науки.

В первоначальные отборы проектов Genesis, объявленные в июле описывается сочетание продвинутых моделей, агентных фреймворков, научного программного обеспечения и высокопроизводительных вычислений. Это полезный способ понять новые гранты: как инвестиции в исследовательские системы с поддержкой ИИ, с возможностями, адаптированными к конкретным дисциплинам и инфраструктуре.

Существует важное различие между генерацией правдоподобного научного ответа и завершением надёжного научного рабочего процесса. Модель может предложить материал, но его свойства всё равно требуют измерения. Агент может генерировать код симуляции, однако код должен сохранять уравнения и предположения, заложенные исследователями. Оптимизатор может рекомендовать настройку оборудования, но она должна соответствовать эксплуатационным ограничениям.

Интересный вопрос, следовательно, в том, как эти проекты связывают предсказание и рассуждение с доказательствами. Эта связь определит, приведёт ли инвестиция к более качественной науке, а не просто к более научно выглядящему результату.

Термоядерный синтез: цифровой двойник для планирования операций SPARC

Commonwealth Fusion Systems разрабатывает цифровой двойник с поддержкой ИИ для симуляции и оптимизации операций SPARC. Цифровой двойник — это вычислительное представление физической системы, полезное для изучения её поведения при различных условиях.

Компания уже обладает соответствующей технологической базой. В январе CFS объявила о сотрудничестве с Siemens и NVIDIA, объединяя инженерные инструменты с технологиями симуляции и визуализации. Это предыдущее сотрудничество даёт контекст для нового гранта, хотя объявление DOE не подтверждает, что каждый компонент январской архитектуры входит в финансируемый проект.

CFS объясняет в своём техническом отчёте об ИИ и симуляции, что суррогатные модели могут обучаться на вычислительно дорогих физических симуляциях и быстрее приближать их результаты. Такие модели помогают исследователям исследовать множество возможных режимов работы без повторного выполнения самой ресурсоёмкой расчётной задачи для каждого из них.

Для токамака, использующего магнитные поля для удержания горячей плазмы, это создаёт потенциально ценное средство планирования. Исследователи могут изучать варианты сценариев, определять перспективные эксперименты и сравнивать предсказания моделей с измерениями. Сложность заключается в определении, где быстрая аппроксимация остаётся надёжной, а где требуется полное физическое расчётное моделирование.

SPARC — это демонстрационная термоядерная установка, при этом CFS нацелена на получение чистой энергии от синтеза к 2027 году. Эта цель относится к показателям синтеза; её нельзя трактовать как утверждение, что SPARC уже поставляет электроэнергию в сеть. Краткосрочная значимость проекта ИИ заключается в его потенциале улучшить планирование экспериментов и их проведение.

Геотермальная энергия и редкоземельные элементы: использование ИИ для навигации в сложных физических системах

Проект MAESTRO Университета Калифорнии в Ирвайне использует многокомпонентный подход к картированию, стимулированию и управлению глубокими геотермальными резервуарами. Название расшифровывается как Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Геологическая задача значительна. DOE в своём обзоре усовершенствованных геотермальных систем объясняет, что продуктивный геотермальный ресурс требует наличия тепла, жидкости и проницаемости. Если естественные условия недостаточны, инженерные методы могут создать или улучшить пути, позволяющие жидкости циркулировать через горячую породу и переносить тепло к поверхности.

Эта предыстория помогает понять, почему система ИИ может быть полезна. Принятие решений по резервуару связано с неполной информацией о подповерхностных условиях и взаимодействующими физическими процессами. Многокомпонентная архитектура могла бы распределять аналитическую работу между специализированными модулями, однако в кратком объявлении DOE не указаны полная реализация MAESTRO и ограничения автономии.

Наша оценка заключается в том, что его ценность будет зависеть от того, насколько хорошо комбинированная система справляется с неопределённостью. Создание уверенного описания резервуара менее полезно, чем определение того, что известно, что остаётся неопределённым и какое измерение наиболее улучшит следующее оперативное решение.

Проект AXIS Университета Иллинойса применяет ИИ к электрохимическим процессам извлечения редкоземельных элементов из отечественных источников. Его внимание к разработке редокс‑активных лигандов указывает на химию, определяющую избирательное разделение.

Основная задача проектирования отличается от геотермального инжиниринга, но логика схожа: искать сложное пространство кандидатов, соблюдая физические ограничения. Для технологий разделения значимая оценка должна выходить за рамки того, выглядит ли кандидат перспективным в модели. Селективность, выход, энергопотребление и эффективность в реалистичных смесях будут полезными показателями прогресса. Это предложенные критерии оценки, а не результаты, указанные в объявлении о награде.

Чипы для условий, которые обычная электроника не может выдержать

Проект AXESS Фермилаб направлен на микроэлектронику для высокорадиационных, космических и экстремально холодных условий. Его название, Accelerating Extreme Environment Specs-to-Silicon, отражает стремление быстрее переходить от инженерных требований к проектированию чипов.

Fermilab’s предыдущее описание инициативы объясняет, почему эти устройства трудно разрабатывать. Научные инструменты могут требовать индивидуальную электронику, работающую в условиях, выходящих за рамки проектных допущений массовых коммерческих чипов. Лаборатория описывает использование ИИ для ускорения традиционно трудоёмкого процесса проектирования.

The октябрьское объявление помещает AXESS в новое финансирование Genesis. Возможность состоит в автоматизации большей части исследования и проверки, связанных со специализированным проектированием чипов, используя экспертизу лабораторий, университетов и промышленности.

Скорость проектирования и готовность устройства — отдельные этапы. Даже значительно ускоренный процесс проектирования всё равно требует верификации, изготовления и физического тестирования. Чип, предназначенный для детектора частиц или криогенной системы, должен продемонстрировать, что его поведение выдерживает заданные условия. Одних только файлов дизайна, созданных ИИ, этого доказать не могут.

Квантовые исследования: создание полезного аппаратного обеспечения и обратное проектирование материалов

Проект ASQC Гарварда сочетает ИИ с квантовым оборудованием для решения задачи коррекции ошибок посредством совместного проектирования, учитывающего приложение. На практике совместное проектирование означает рассмотрение приложения, подхода к коррекции ошибок и аппаратного обеспечения вместе, а не как изолированные проблемы.

Harvard’s предыдущие исследования логических квантовых процессоров предоставляют контекст по этому различию и усилиям по выполнению вычислений с использованием закодированных кубитов.

Новое награждение не следует трактовать как объявление о завершении разработки отказоустойчивых квантовых вычислений. Вместо этого оно нацелено на сложную задачу оптимизации: сопоставление научных задач с ресурсами и поведением ошибок реального аппаратного обеспечения.

Выбранный проект Oak Ridge National Laboratory охватывает ещё один квантовый рубеж: физически‑информированное обратное проектирование квантовых магнитов для сенсоров и низкопотребляющей электроники. Обратное проектирование начинается с желаемого поведения и ищет систему, способную его обеспечить, меняя привычный процесс выбора материала и последующего расчёта его свойств.

Для такого рода исследований физически‑информированное моделирование имеет значение, поскольку привлекательное численное решение может быть физически недостижимо. Полезный дизайн в конечном итоге должен быть связан с материалами, которые можно изготовить и измерить. Объявление задаёт направление исследований; оно не сообщает о готовом сенсоре или коммерческом электронном устройстве.

Менее заметная инфраструктура, поддерживающая научный ИИ

Несколько других грантов касаются систем, которые делают возможными крупномасштабные исследования. Проект MIT соединяет ИИ и суперкомпьютинг с решётчатой квантовой хромодинамикой — вычислительным подходом к изучению сильного взаимодействия. MOAT-Core Лоуренс Беркли Национальной лаборатории разрабатывает общую ИИ‑платформу для проектирования и эксплуатации ускорителей. Проект Northeastern применяет агентную помощь к Facility for Rare Isotope Beams.

Инициатива AI4HPC Аргонна включает разработку, оптимизацию и верификацию программного обеспечения для научных вычислений. Этот компонент верификации имеет значение: программа, работающая быстрее, но незаметно меняющая научные расчёты, не является улучшением.

Биология также представлена. UC San Diego стремится увеличить базу данных структур РНК в пять раз, в то время как University of Washington будет работать над дизайном ферментов с помощью улучшенного моделирования ансамбля последовательность‑структура.

Эти проекты подчёркивают две зависимости, часто остающиеся в тени объявлений о моделях: надёжные данные и надёжные инструменты. Полезность научного агента ограничена тем, к чему он может получить доступ и что может выполнить. Подключение агентов к симуляционным движкам, отобранным наборам данных и приборам может сделать их более способными, одновременно увеличивая необходимость отслеживать их действия и проверять их результаты.

Как показало наше освещение поддержки Anthropic в рамках миссии Genesis, инициатива также предполагает внедрение коммерческих возможностей ИИ в научную экосистему. Финансируемым проектам потребуется установить, как эти возможности преобразуются в измеримые научные результаты.

Два отдельных вложения в исследователей, которые будут использовать эти инструменты

DOE также объявило о Genesis Mission Graduate Fellowship Pilot. Планируется выделить до 100 млн долларов, включая 20 млн долларов в 2027 финансовом году, при условии последующего финансирования, зависящего от конгрессных ассигнований. Ожидается, что первая группа поддержит примерно 100 докторантов в рамках четырёхлетних программ, объединяющих ИИ и научную дисциплину.

Запланированные размещения включают как лабораторию DOE или пользовательский объект, так и промышленную среду. Такая структура может помочь исследователям понять разрыв между разработкой метода ИИ и его применением в экспериментальной или эксплуатационной среде.

Отдельное объявление о Программе исследований ранней карьеры охватывает 96 млн долларов для 67 учёных, при этом университетские гранты составляют около 875 000 долларов, а лабораторные — 2,75 млн долларов в течение пяти лет. Его область охватывает ИИ, квантовую науку и термоядерный синтез, среди прочих исследовательских направлений. DOE отмечает, что выбор победителей остаётся предметом переговоров.

Эти суммы не следует объединять в один полностью выделенный пакет Genesis. 159 млн долларов относятся к новым проектам Фазы II; у стипендии предусмотрен условный план будущего финансирования; а поддержка ранних карьер — отдельная программа.

Что будет считаться успехом?

Самым серьёзным испытанием этого портфеля станет то, улучшит ли ИИ научную работу в реальных условиях. Это подразумевает измерение времени и ресурсов, необходимых для получения проверенного результата, качества результата и способности системы распознавать, когда её собственные методы ненадёжны.

Полезная модель термоядерного синтеза должна помогать планировать более эффективные эксперименты. Агент по проектированию микросхем должен создавать дизайны, проходящие верификацию и физические испытания. Геотермальная система должна поддерживать решения, остающиеся обоснованными при поступлении новых полевых измерений. Научный инструмент программирования должен сохранять корректность при повышении производительности.

Гранты Genesis создают возможности для проверки этих гипотез в самых разных дисциплинах. Их значимость заключается в приближении ИИ к оборудованию, данным и ограничениям науки, а также в предоставлении исследователям ресурсов для выяснения, где ИИ действительно приносит пользу.