DOE tilldelar $159 miljoner för att införa vetenskaplig AI i fusion, chipdesign och kvantforskning

Ett fusionsexperiment, en geotermisk reservoar och ett chip konstruerat för att klara intensiv strålning har något gemensamt: var och en kan kräva att forskare utforskar ett enormt utrymme av möjliga konstruktioner innan de hittar en som fungerar. U.S. Department of Energy:s senaste Genesis Mission‑tilldelningar syftar till att integrera AI i den sökprocessen, vilket hjälper forskare att besluta vad som ska simuleras, byggas och testas härnäst.

DOE meddelade $159 miljoner för 12 nya fas‑II‑projekt den 8 oktober 2026, tillsammans med sex ytterligare fas‑I‑tilldelningar. Departementet säger att missionens första‑års kohort nu är slutförd med 297 projekt. Dess bredare fas‑II‑portfölj innehåller 14 projekt, inklusive GridFM 2.0 och Prometheus, som stöds av kontoren för Electricity och Nuclear Energy.

Omfånget är ovanligt brett. Det valda arbetet sträcker sig från fusion och geotermisk energi till RNA‑strukturer, sällsynt‑jordseparation, vetenskaplig mjukvara och kvantberäkning. Det som förenar projekten är en praktisk ambition: att använda AI för att förkorta avståndet mellan en idé och ett vetenskapligt användbart resultat.

Vad DOE menar med ”Super Intelligence”

DOE beskriver initiativet med termen ”Super Intelligence”, förkortad SI. Den terminologin kräver försiktighet. Tillkännagivandet etablerar en forskningsportfölj och dess avsedda tillämpningar; det presenterar inte bevis för att ett allmänt AI‑system har överträffat mänsklig förmåga inom vetenskapen.

De första Genesis‑projektvalen som tillkännagavs i juli beskriver en blandning av avancerade modeller, agentramverk, vetenskaplig mjukvara och högpresterande beräkning. Det är ett användbart sätt att förstå de nya tilldelningarna: som investeringar i AI‑stödda forskningssystem, med funktioner anpassade till specifika discipliner och infrastruktur.

Det finns en viktig skillnad mellan att generera ett plausibelt vetenskapligt svar och att slutföra ett pålitligt vetenskapligt arbetsflöde. En modell kan föreslå ett material, men dess egenskaper måste fortfarande mätas. En agent kan generera simuleringskod, men koden måste bevara de ekvationer och antaganden som forskarna avsåg. En optimerare kan rekommendera en maskininställning, men den måste respektera driftsgränser.

Den intressanta frågan är därför hur dessa projekt kopplar samman förutsägelse och resonemang med bevis. Den kopplingen kommer att avgöra om investeringen ger bättre vetenskap snarare än bara mer vetenskapligt utseende resultat.

Fusion: en digital tvilling för planering av SPARC‑operationer

Commonwealth Fusion Systems utvecklar en AI‑aktiverad digital tvilling för att simulera och optimera SPARC‑operationer. En digital tvilling är en beräkningsmässig representation av ett fysiskt system, användbar för att utforska hur systemet kan bete sig under olika förhållanden.

Företaget har redan en relevant teknisk grund. I januari annonserade CFS arbete med Siemens och NVIDIA som kombinerar ingenjörsverktyg med simulerings- och visualiseringsteknologier. Det tidigare samarbetet ger kontext för den nya tilldelningen, även om DOE:s tillkännagivande inte fastställer att varje komponent i den januari‑arkitekturen är en del av det finansierade projektet.

CFS förklarar i sin tekniska redogörelse för AI och simulering att surrogatmodeller kan lära sig av beräkningsintensiva fysiksimuleringar och approximera deras utdata snabbare. Sådana modeller kan hjälpa forskare att utforska många möjliga driftförhållanden utan att köra om den mest krävande beräkningen för varje fall.

För en tokamak, som använder magnetfält för att hålla fast het plasma, skapar detta ett potentiellt värdefullt planeringsverktyg. Forskare kan granska möjliga scenarier, identifiera lovande experiment och jämföra modellförutsägelser med mätningar. Den svåra delen är att veta var en snabb approximation fortfarande är pålitlig och var den fullständiga fysikberäkningen behövs.

SPARC är en fusionsdemonstrationsmaskin, där CFS siktar på nettofusionenergi år 2027. Detta mål rör fusionens prestanda; det bör inte tolkas som ett påstående att SPARC redan levererar el till nätet. Den kortsiktiga betydelsen av AI‑projektet är dess potential att förbättra experimentell planering och drift.

Geotermisk energi och sällsynt jord: att använda AI för att navigera i komplexa fysiska system

UC Irvines MAESTRO‑projekt använder ett multi‑agent‑tillvägagångssätt för att kartlägga, stimulera och hantera djupa geotermiska reservoarer. Namnet står för Multi‑agent AI Expert for Subsurface Reasoning and Optimization.

Den geologiska utmaningen är betydande. DOE:s översikt över förbättrade geotermiska system förklarar att en produktiv geotermisk resurs kräver värme, vätska och permeabilitet. Där naturliga förhållanden är otillräckliga kan ingenjörskonst skapa eller förbättra kanaler som låter vätska cirkulera genom het berggrund och transportera värme mot ytan.

Den bakgrunden hjälper till att förklara varför ett AI‑system kan vara användbart. Beslut om reservoarer involverar ofullständig underjordisk information och interagerande fysiska processer. En multi‑agent‑arkitektur kan fördela analytiskt arbete på specialiserade komponenter, men DOE:s korta tillkännagivande specificerar inte MAESTRO:s fullständiga implementation eller autonomigränser.

Vår bedömning är att dess värde kommer att bero på hur väl det kombinerade systemet hanterar osäkerhet. Att producera en säker reservoarbeskrivning är mindre användbart än att identifiera vad som är känt, vad som fortfarande är osäkert och vilken mätning som skulle förbättra nästa operativa beslut mest.

University of Illinois’ AXIS‑projekt tillämpar AI på elektrokemiska processer för att extrahera sällsynta jordartsmetaller från inhemska källor. Dess fokus på redox‑aktiva ligandesign pekar mot den kemi som styr selektiv separation.

Det underliggande designproblemet skiljer sig från geotermisk ingenjörskonst, men logiken är liknande: söka i ett komplicerat kandidatutrymme samtidigt som fysiska begränsningar respekteras. För separations‑teknik bör meningsfull utvärdering gå längre än om en kandidat ser lovande ut i en modell. Selektivitet, återvinning, energiförbrukning och prestanda i realistiska blandningar skulle vara användbara mått på framsteg. Detta är föreslagna utvärderingskriterier, inte resultat som rapporterats i prisutlysningen.

Chips för miljöer som vanlig elektronik inte kan tåla

Fermilabs AXESS‑projekt riktar sig mot mikroelektronik för högstrålnings-, rymd- och extremt kalla miljöer. Dess namn, Accelerating Extreme Environment Specs-to-Silicon, fångar ambitionen att snabbare gå från ingenjörskrav till chip‑designer.

Fermilabs tidigare beskrivning av initiativet förklarar varför dessa enheter är svåra att utveckla. Vetenskapliga instrument kan kräva specialanpassad elektronik som fungerar under förhållanden som ligger utanför designantagandena för vanliga kommersiella chips. Laboratoriet beskriver att de använder AI för att påskynda en traditionellt krävande designprocess.

Det Oktober‑meddelandet placerar AXESS inom den nya Genesis‑finansieringen. Möjligheten är att automatisera mer av den utforskning och kontroll som ingår i specialiserad chip‑design, med stöd av expertis från laboratorier, universitet och industri.

Designhastighet och enhetsberedskap är separata milstolpar. Även ett dramatiskt snabbare designarbetsflöde kräver fortfarande verifiering, tillverkning och fysisk testning. Ett chip avsett för en partikel­detektor eller ett kryogent system måste visa att dess beteende klarar de specificerade förhållandena. AI‑genererade designfiler ensamma kan inte bevisa detta.

Kvantforskning: göra hårdvara användbar och designa material baklänges

Harvards ASQC‑projekt kombinerar AI med kvant‑hårdvara för att hantera felkorrigering genom applikations‑medveten samskapning. I praktiken innebär samskapning att man beaktar applikationen, felkorrigeringsmetoden och hårdvaran tillsammans snarare än att behandla varje del som ett isolerat problem.

Kvant­enheter är känsliga för fel. Felkorrigeringsscheman kodar information över fysiska qubitar så att en logisk qubit kan bli mer pålitlig. Harvards tidigare forskning om logiska kvantprocessorer ger bakgrund till den distinktionen och ansträngningen att köra beräkningar med kodade qubitar.

Det nya priset bör inte tolkas som ett meddelande om att feltolerant kvantberäkning har slutförts. Istället riktar det sig mot ett svårt optimeringsproblem: att matcha vetenskapliga uppgifter med resurserna och felbeteendet hos verklig hårdvara.

Oak Ridge National Laboratories utvalda projekt tar itu med en annan kvantfront: fysik‑informerad invers design av kvantmagnetar för sensorer och låg‑effekt‑elektronik. Invers design börjar med ett önskat beteende och söker efter ett system som kan producera det, vilket vänder på den välkända processen att först välja ett material och sedan beräkna dess egenskaper.

För den här typen av forskning är fysik‑informerad modellering viktig eftersom en attraktiv numerisk lösning kan vara fysiskt orealiserbar. En användbar design måste i slutändan kopplas till material som kan tillverkas och mätas. Meddelandet fastställer den forskningsinriktningen; det rapporterar inte en färdig sensor eller kommersiell elektronisk enhet.

Den mindre synliga infrastrukturen bakom vetenskaplig AI

Flera andra priser rör de system som möjliggör storskalig forskning. MIT:s projekt kopplar AI och superdatorer till lattice‑quantum‑chromodynamics, ett beräkningsmetod för att studera den starka interaktionen. Lawrence Berkeley National Laboratories MOAT‑Core utvecklar en gemensam AI‑plattform för accelerator‑design och -drift. Northeasterns projekt tillämpar agent‑assistans på Facility for Rare Isotope Beams.

Argonnes AI4HPC‑insats omfattar utveckling, optimering och verifiering av programvara för vetenskaplig beräkning. Den verifieringskomponenten är betydelsefull: ett program som kör snabbare men tyst ändrar den vetenskapliga beräkningen är ingen förbättring.

Biologi är också representerat. UC San Diego siktar på att femdubbla en RNA‑strukturdatabas, medan University of Washington kommer att arbeta med enzymdesign genom förbättrad sekvens‑struktur‑ensemble‑modellering.

Dessa projekt belyser två beroenden som ofta överskuggas av modellannonser: pålitliga data och pålitliga verktyg. En vetenskaplig agents nytta är begränsad av vad den kan komma åt och utföra. Att koppla agenter till simuleringsmotorer, kuraterade dataset och instrument kan göra dem mer kapabla, samtidigt som behovet av att spåra deras handlingar och validera deras resultat ökar.

Som vår täckning av Anthropics stöd för Genesis Mission visar, innebär initiativet också att kommersiella AI‑kapaciteter införlivas i det vetenskapliga ekosystemet. De finansierade projekten måste fastställa hur dessa kapaciteter omvandlas till mätbara forskningsresultat.

Två separata investeringar i forskarna som kommer att använda dessa verktyg

DOE meddelade också en Genesis Mission Graduate Fellowship Pilot. Den planerar upp till 100 miljoner dollar, inklusive 20 miljoner dollar under budgetåret 2027, med senare finansiering beroende av kongressens anslag. Den första kohorten förväntas stödja cirka 100 doktorandstipendiater genom fyraåriga spår som kombinerar AI och en vetenskaplig disciplin.

De planerade placeringarna inkluderar både ett DOE‑laboratorium eller en användaranläggning samt en industriell miljö. Den strukturen kan hjälpa forskare att förstå klyftan mellan att utveckla en AI‑metod och att göra den användbar i en experimentell eller operativ miljö.

Ett separat Tillkännagivande av Early Career Research Program omfattar $96 miljoner för 67 forskare, med universitetspriser på cirka $875,000 och laboratoriepriser på $2,75 miljoner under fem år. Dess omfattning inkluderar AI, kvantvetenskap och fusion, bland andra forskningsområden. DOE noterar att urvalet av priser fortfarande är föremål för förhandlingar.

Dessa belopp bör inte slås ihop till ett enda fullt beviljat Genesis‑paket. De 159 miljonerna gäller de nya fas‑II‑projekten; stipendiet har en villkorad framtida finansieringsplan; och stöd för tidiga karriärer är ett separat program.

Vad skulle räknas som framgång?

Det starkaste testet av denna portfölj blir om AI förbättrar vetenskapligt arbete under realistiska förhållanden. Det innebär att mäta den tid och de resurser som krävs för att nå ett validerat resultat, resultatets kvalitet samt systemets förmåga att känna igen när dess egna metoder är opålitliga.

En användbar fusionsmodell bör hjälpa till att planera bättre experiment. En chip‑design‑agent bör producera designer som klarar verifiering och fysiska tester. Ett geotermiskt system bör stödja beslut som förblir hållbara när nya fältmätningar kommer in. Ett vetenskapligt kodningsverktyg bör bevara korrekthet samtidigt som det förbättrar prestanda.

Genesis‑priserna skapar utrymme för att testa dessa påståenden över mycket olika discipliner. Deras betydelse ligger i att föra AI närmare maskineriet, data och vetenskapens begränsningar – och ge forskarna resurserna att ta reda på var det faktiskt hjälper.