DOE มอบเงิน $159 ล้านเพื่อนำ AI ทางวิทยาศาสตร์เข้าสู่การหลอมรวม, การออกแบบชิป, และการวิจัยควอนตัม

การทดลองการหลอมรวม, แหล่งความร้อนใต้ดิน, และชิปที่สร้างขึ้นเพื่อทนต่อรังสีรุนแรง มีสิ่งที่เหมือนกัน: แต่ละอย่างอาจต้องให้ผู้วิจัยสำรวจพื้นที่การออกแบบที่เป็นไปได้จำนวนมหาศาลก่อนจะพบการออกแบบที่ทำงานได้ ผลการมอบรางวัลภารกิจ Genesis ล่าสุดของกระทรวงพลังงานสหรัฐอเมริกามุ่งหมายใส่ AI เข้าไปในกระบวนการค้นหาเหล่านี้ เพื่อช่วยนักวิทยาศาสตร์ตัดสินใจว่าจะจำลอง, สร้าง, และทดสอบอะไรต่อไป

DOE ประกาศ $159 ล้านสำหรับโครงการ Phase II ใหม่ 12 โครงการ เมื่อวันที่ 8 ตุลาคม 2026 พร้อมกับรางวัล Phase I เพิ่มอีกหกรายการ กระทรวงระบุว่ากลุ่มโครงการปีแรกของภารกิจนี้ได้ครบแล้วที่ 297 โครงการ พอร์ตโฟลิโอ Phase II ที่กว้างขึ้นของโครงการนี้มี 14 โครงการ รวมถึง GridFM 2.0 และ Prometheus ซึ่งได้รับการสนับสนุนจากสำนักงานพลังงานไฟฟ้าและพลังงานนิวเคลียร์

ขอบเขตของโครงการนี้กว้างอย่างไม่ปกติ งานที่เลือกมาครอบคลุมตั้งแต่การหลอมรวมและพลังงานความร้อนใต้ดินจนถึงโครงสร้าง RNA, การแยกแร่ธาตุหายาก, ซอฟต์แวร์วิทยาศาสตร์, และการคำนวณควอนตัม สิ่งที่เชื่อมโยงโครงการเหล่านี้คือความมุ่งมั่นเชิงปฏิบัติ: ใช้ AI เพื่อลดระยะห่างระหว่างแนวคิดและผลลัพธ์ที่มีคุณค่าทางวิทยาศาสตร์

DOE หมายถึง “Super Intelligence” อย่างไร

DOE อธิบายโครงการนี้โดยใช้คำว่า “Super Intelligence” ซึ่งย่อว่า SI คำศัพท์นี้ต้องใช้ด้วยความระมัดระวัง การประกาศนี้ตั้งพอร์ตโฟลิโอการวิจัยและการประยุกต์ที่ตั้งใจไว้; แต่ไม่ได้แสดงหลักฐานว่าระบบ AI แบบทั่วไปได้เหนือกว่าความสามารถของมนุษย์ในด้านวิทยาศาสตร์

การคัดเลือกโครงการ Genesis แรกที่ประกาศในเดือนกรกฎาคม อธิบายถึงการผสมผสานของโมเดลขั้นสูง, โครงสร้างเอเจนต์, ซอฟต์แวร์วิทยาศาสตร์, และการคอมพิวเตอร์ประสิทธิภาพสูง. นั่นเป็นวิธีที่เป็นประโยชน์ในการทำความเข้าใจรางวัลใหม่: เป็นการลงทุนในระบบวิจัยที่ใช้ AI, โดยมีความสามารถที่ปรับให้เหมาะกับสาขาวิชาและโครงสร้างพื้นฐานเฉพาะ.

มีความแตกต่างที่สำคัญระหว่างการสร้างคำตอบทางวิทยาศาสตร์ที่สมเหตุสมผลกับการดำเนินงานกระบวนการวิทยาศาสตร์ที่เชื่อถือได้ โมเดลอาจเสนอวัสดุหนึ่ง, แต่คุณสมบัติของมันยังต้องวัดผล เอเจนต์อาจสร้างโค้ดการจำลอง, แต่โค้ดต้องรักษาสมการและสมมติฐานที่นักวิจัยตั้งใจไว้ ผู้ปรับแต่งอาจแนะนำการตั้งค่าเครื่อง, แต่ต้องเคารพขีดจำกัดการทำงาน

คำถามที่น่าสนใจจึงคือว่าโครงการเหล่านี้เชื่อมการพยากรณ์และการให้เหตุผลกับหลักฐานอย่างไร การเชื่อมต่อดังกล่าวจะกำหนดว่าการลงทุนจะนำไปสู่วิทยาศาสตร์ที่ดีกว่า หรือเพียงแค่ผลลัพธ์ที่ดูเหมือนวิทยาศาสตร์มากขึ้น

การหลอมรวม: ดิจิทัลทวินสำหรับการวางแผนการดำเนินงานของ SPARC

Commonwealth Fusion Systems กำลังพัฒนาดิจิทัลทวินที่เปิดใช้งาน AI เพื่อจำลองและเพิ่มประสิทธิภาพการดำเนินงานของ SPARC ดิจิทัลทวินคือการแทนค่าคอมพิวเตอร์ของระบบทางกายภาพ ซึ่งเป็นประโยชน์ในการสำรวจว่าระบบนั้นอาจทำงานอย่างไรภายใต้เงื่อนไขที่แตกต่างกัน

บริษัทมีพื้นฐานเทคโนโลยีที่เกี่ยวข้องอยู่แล้ว ในเดือนมกราคม CFS ประกาศการทำงานร่วมกับ Siemens และ NVIDIA เพื่อรวมเครื่องมือวิศวกรรมกับเทคโนโลยีการจำลองและการแสดงผล การร่วมมือก่อนหน้านี้นี้ให้บริบทสำหรับรางวัลใหม่ แม้ว่าการประกาศของ DOE จะไม่ได้ระบุว่าทุกส่วนประกอบของสถาปัตยกรรมเดือนมกราคมเป็นส่วนหนึ่งของโครงการที่ได้รับทุน

CFS อธิบายใน บัญชีเชิงเทคนิคของ AI และการจำลอง ว่าโมเดลทดแทนสามารถเรียนรู้จากการจำลองฟิสิกส์ที่ใช้คอมพิวเตอร์มากและประมาณผลลัพธ์ได้เร็วขึ้น โมเดลเช่นนี้สามารถช่วยนักวิจัยสำรวจเงื่อนไขการทำงานหลายแบบโดยไม่ต้องคำนวณซ้ำที่ต้องการทรัพยากรสูงสำหรับแต่ละกรณี

สำหรับโทคามักที่ใช้สนามแม่เหล็กเพื่อกักเก็บพลาสม่าร้อน สิ่งนี้สร้างเครื่องมือวางแผนที่อาจมีคุณค่า นักวิจัยสามารถตรวจสอบสถานการณ์ที่เป็นไปได้, ระบุการทดลองที่มีศักยภาพ, และเปรียบเทียบการพยากรณ์ของโมเดลกับการวัดผล ส่วนที่ท้าทายคือการรู้ว่าการประมาณอย่างรวดเร็วยังคงเชื่อถือได้ที่ใดและต้องการการคำนวณฟิสิกส์เต็มรูปแบบที่ใด

SPARC เป็นเครื่องจำลองการหลอมรวม โดย CFS ตั้งเป้าหมายพลังงานการหลอมรวมสุทธิในปี 2027 เป้าหมายนั้นเกี่ยวกับประสิทธิภาพการหลอมรวม; ไม่ควรตีความว่า SPARC กำลังจ่ายไฟฟ้าให้กับโครงข่ายไฟฟ้า ความสำคัญในระยะสั้นของโครงการ AI นี้คือศักยภาพในการปรับปรุงการวางแผนและการดำเนินการทดลอง

พลังงานความร้อนใต้ดินและแร่ธาตุหายาก: การใช้ AI เพื่อสำรวจระบบฟิสิกส์ที่ซับซ้อน

โครงการ MAESTRO ของ UC Irvine ใช้วิธีการหลายเอเจนต์ในการทำแผนที่, กระตุ้น, และจัดการแหล่งความร้อนใต้ดินลึก ชื่อเต็มของโครงการคือ Multi-agent AI Expert for Subsurface Reasoning and Optimization

ความท้าทายทางธรณีวิทยานั้นสำคัญ DOE’s ภาพรวมของระบบความร้อนใต้ดินที่เสริม อธิบายว่าทรัพยากรความร้อนใต้ดินที่ผลิตได้ต้องมีความร้อน, ของเหลว, และการซึมผ่าน หากสภาพธรรมชาติไม่เพียงพอ วิศวกรรมสามารถสร้างหรือปรับปรุงเส้นทางที่ทำให้ของเหลวไหลผ่านหินร้อนและนำความร้อนขึ้นสู่พื้นผิว

พื้นฐานนี้ช่วยอธิบายว่าทำไมระบบ AI จึงอาจเป็นประโยชน์ การตัดสินใจเกี่ยวกับแหล่งกักเก็บต้องเผชิญกับข้อมูลใต้พื้นดินที่ไม่สมบูรณ์และกระบวนการฟิสิกส์ที่มีการโต้ตอบ สถาปัตยกรรมหลายเอเจนต์อาจแบ่งงานวิเคราะห์ให้กับส่วนประกอบที่เชี่ยวชาญ, แต่การประกาศสั้นของ DOE ไม่ได้ระบุการดำเนินการเต็มรูปแบบหรือขีดจำกัดของอิสระการทำงานของ MAESTRO

การประเมินของเราคือ มูลค่าจะขึ้นอยู่กับว่าระบบรวมสามารถจัดการกับความไม่แน่นอนได้ดีแค่ไหน การสร้างคำอธิบายแหล่งกักเก็บที่มั่นใจไม่ได้มีประโยชน์เท่ากับการระบุสิ่งที่รู้, สิ่งที่ยังไม่แน่นอน, และการวัดใดที่จะปรับปรุงการตัดสินใจดำเนินการครั้งต่อไปได้ดีที่สุด.

โครงการ AXIS ของมหาวิทยาลัยอิลลินอยส์ใช้ AI กับกระบวนการไฟฟ้าเคมีเพื่อสกัดธาตุหายากจากแหล่งภายในประเทศ การมุ่งเน้นการออกแบบลิแกนด์ที่มีความเคลื่อนไหวของออกซิเดชันชี้ไปสู่เคมีที่ควบคุมการแยกแบบเลือกสรร.

ปัญหาการออกแบบพื้นฐานแตกต่างจากวิศวกรรมความร้อนใต้ดิน, แต่ตรรกะคล้ายกัน: ค้นหาพื้นที่ผู้สมัครที่ซับซ้อนขณะเคารพข้อจำกัดทางกายภาพ สำหรับเทคโนโลยีการแยก, การประเมินที่มีความหมายควรขยายออกไปเหนือการที่ผู้สมัครดูมีศักยภาพในแบบจำลอง การเลือกสรร, การกู้คืน, การใช้พลังงาน, และประสิทธิภาพในส่วนผสมที่เป็นจริงจะเป็นมาตรการที่มีประโยชน์ในการวัดความก้าวหน้า สิ่งเหล่านี้เป็นเกณฑ์การประเมินที่เสนอ, ไม่ใช่ผลลัพธ์ที่รายงานในประกาศรางวัล.

ชิปสำหรับสภาพแวดล้อมที่อิเล็กทรอนิกส์ทั่วไปไม่อาจทนได้

โครงการ AXESS ของ Fermilab มุ่งเน้นไมโครอิเล็กทรอนิกส์สำหรับสภาพแวดล้อมที่มีรังสีสูง, อวกาศ, และอุณหภูมิต่ำมาก ชื่อของโครงการซึ่งย่อมาจาก Accelerating Extreme Environment Specs-to-Silicon สะท้อนความมุ่งหมายที่จะเร่งการเปลี่ยนจากข้อกำหนดวิศวกรรมไปสู่การออกแบบชิปได้เร็วขึ้น.

คำอธิบายก่อนหน้าของ Fermilab เกี่ยวกับโครงการนี้ อธิบายว่าทำไมอุปกรณ์เหล่านี้จึงยากต่อการพัฒนา เครื่องมือวิทยาศาสตร์บางอย่างอาจต้องการอิเล็กทรอนิกส์แบบกำหนดเองที่ทำงานภายใต้เงื่อนไขที่อยู่นอกสมมติฐานการออกแบบของชิปเชิงพาณิชย์ทั่วไป ห้องปฏิบัติการอธิบายการใช้ AI เพื่อเร่งกระบวนการออกแบบที่โดยปกติต้องใช้ความพยายามมาก.

ประกาศเดือนตุลาคม นำ AXESS เข้าสู่การระดมทุน Genesis ใหม่ โอกาสคือการทำให้กระบวนการสำรวจและตรวจสอบในการออกแบบชิปเฉพาะทางเป็นอัตโนมัติมากขึ้น โดยอาศัยความเชี่ยวชาญจากห้องปฏิบัติการ, มหาวิทยาลัย, และอุตสาหกรรม.

ความเร็วในการออกแบบและความพร้อมของอุปกรณ์เป็นขั้นตอนที่แยกจากกัน แม้กระบวนการออกแบบที่เร็วขึ้นอย่างมากยังต้องการการตรวจสอบ, การผลิต, และการทดสอบทางกายภาพ ชิปที่ตั้งใจใช้ในตัวตรวจจับอนุภาคหรือระบบอุณหพลศาสตร์ต้องแสดงให้เห็นว่าพฤติกรรมของมันทนต่อเงื่อนไขที่กำหนดได้ AI สร้างไฟล์การออกแบบเพียงอย่างเดียวไม่สามารถพิสูจน์ได้.

การวิจัยควอนตัม: ทำให้ฮาร์ดแวร์มีประโยชน์และออกแบบวัสดุแบบย้อนกลับ

โครงการ ASQC ของ Harvard ผสาน AI กับฮาร์ดแวร์ควอนตัมเพื่อแก้ไขการแก้ไขข้อผิดพลาดผ่านการออกแบบร่วมที่คำนึงถึงการใช้งานจริง การออกแบบร่วมหมายถึงการพิจารณาการใช้งาน, วิธีการแก้ไขข้อผิดพลาด, และฮาร์ดแวร์พร้อมกัน แทนที่จะมองแต่ละส่วนเป็นปัญหาแยกกัน.

อุปกรณ์ควอนตัมมีความไวต่อข้อผิดพลาด โครงสร้างการแก้ไขข้อผิดพลาดจะเข้ารหัสข้อมูลข้ามคิวบิตฟิสิกส์เพื่อให้คิวบิตลอจิกมีความเชื่อถือได้มากขึ้น การวิจัยคิวบิตลอจิกก่อนหน้าของ Harvard ให้พื้นฐานเกี่ยวกับความแตกต่างนี้และความพยายามในการรันการคำนวณโดยใช้คิวบิตที่เข้ารหัส.

รางวัลใหม่ไม่ควรตีความว่าเป็นการประกาศว่าการคำนวณควอนตัมที่ทนต่อข้อผิดพลาดเสร็จสมบูรณ์แล้ว แต่เป้าหมายคือการแก้ปัญหาการเพิ่มประสิทธิภาพที่ยาก: การจับคู่ภารกิจวิทยาศาสตร์กับทรัพยากรและพฤติกรรมข้อผิดพลาดของฮาร์ดแวร์จริง.

โครงการที่เลือกของ Oak Ridge National Laboratory มุ่งเน้นแนวหน้าควอนตัมอีกด้านหนึ่ง: การออกแบบย้อนกลับที่อิงฟิสิกส์ของแม่เหล็กควอนตัมเพื่อการตรวจจับและอิเล็กทรอนิกส์ใช้พลังงานต่ำ การออกแบบย้อนกลับเริ่มจากพฤติกรรมที่ต้องการและค้นหาระบบที่อาจสร้างมันได้, กลับจากกระบวนการทั่วไปที่เลือกวัสดุก่อนแล้วคำนวณคุณสมบัติของมัน.

สำหรับการวิจัยประเภทนี้ การจำลองที่อิงฟิสิกส์มีความสำคัญเพราะวิธีแก้เชิงตัวเลขที่ดูดีอาจไม่สามารถทำได้จริง การออกแบบที่มีประโยชน์ต้องเชื่อมต่อกับวัสดุที่สามารถผลิตและวัดได้ การประกาศกำหนดทิศทางการวิจัยนี้; ไม่ได้รายงานเซ็นเซอร์หรืออุปกรณ์อิเล็กทรอนิกส์เชิงพาณิชย์ที่เสร็จสมบูรณ์.

โครงสร้างพื้นฐานที่ไม่ค่อยเห็นได้ของ AI ทางวิทยาศาสตร์

รางวัลอื่น ๆ หลายรายการเกี่ยวกับระบบที่ทำให้การวิจัยระดับใหญ่เป็นไปได้ โครงการของ MIT เชื่อม AI กับซูเปอร์คอมพิวเตอร์เพื่อการคำนวณลาตติสของโครโมไดนามิกส์ควอนตัม, วิธีการคำนวณเพื่อศึกษาปฏิกิริยาที่แรงแรง. MOAT-Core ของ Lawrence Berkeley National Laboratory พัฒนาแพลตฟอร์ม AI ร่วมสำหรับการออกแบบและการดำเนินงานของเครื่องเร่ง. โครงการของ Northeastern ใช้การช่วยเหลือแบบเอเจนต์กับ Facility for Rare Isotope Beams.

ความพยายาม AI4HPC ของ Argonne รวมถึงการพัฒนา, การปรับแต่ง, และการตรวจสอบซอฟต์แวร์คอมพิวเตอร์วิทยาศาสตร์ ส่วนการตรวจสอบนี้สำคัญ: โปรแกรมที่ทำงานเร็วขึ้นแต่เปลี่ยนการคำนวณทางวิทยาศาสตร์โดยไม่แจ้งนั้นไม่ใช่การปรับปรุง.

ชีววิทยาก็มีส่วนร่วมด้วย UC San Diego มีเป้าหมายขยายฐานข้อมูลโครงสร้าง RNA เพิ่มห้าเท่า, ในขณะที่ University of Washington จะทำงานด้านการออกแบบเอนไซม์ผ่านการปรับปรุงการจำลองชุดลำดับ–โครงสร้าง.

โครงการเหล่านี้ชี้ให้เห็นถึงสองปัจจัยที่มักถูกมองข้ามเมื่อมีการประกาศโมเดล: ข้อมูลที่เชื่อถือได้และเครื่องมือที่น่าไว้วางใจ ความมีประโยชน์ของเอเจนต์ทางวิทยาศาสตร์ถูกจำกัดโดยสิ่งที่มันสามารถเข้าถึงและดำเนินการได้ การเชื่อมต่อเอเจนต์กับเครื่องจำลอง ชุดข้อมูลที่คัดสรร และเครื่องมือสามารถทำให้มันมีความสามารถมากขึ้น ในขณะเดียวกันก็เพิ่มความจำเป็นในการติดตามการกระทำของเอเจนต์และตรวจสอบผลลัพธ์ของมัน

ตามที่การรายงานของเราเกี่ยวกับ การสนับสนุนของ Anthropic สำหรับภารกิจ Genesis แสดงให้เห็น ความริเริ่มนี้ยังเกี่ยวข้องกับการนำความสามารถของ AI เชิงพาณิชย์เข้าสู่ระบบนิเวศวิทยาศาสตร์ โครงการที่ได้รับเงินทุนจะต้องกำหนดว่าความสามารถเหล่านั้นแปลเป็นผลประโยชน์การวิจัยที่วัดได้อย่างไร

การลงทุนสองส่วนแยกกันสำหรับนักวิจัยที่จะใช้เครื่องมือเหล่านี้

DOE ยังประกาศ โครงการทดลองทุนบัณฑิตศึกษา Genesis Mission โดยมีแผนงบประมาณสูงสุดถึง 100 ล้านดอลลาร์ รวม 20 ล้านดอลลาร์ในปีงบประมาณ 2027 และการจัดสรรเงินในอนาคตจะขึ้นกับการอนุมัติของรัฐสภา คาดว่ากลุ่มแรกจะสนับสนุนบัณฑิตเอกประมาณ 100 คนผ่านเส้นทางสี่ปีที่ผสาน AI กับสาขาวิทยาศาสตร์

การจัดตำแหน่งที่วางแผนไว้รวมถึงห้องปฏิบัติการหรือศูนย์ผู้ใช้ของ DOE และสภาพแวดล้อมอุตสาหกรรม โครงสร้างนี้อาจช่วยให้นักวิจัยเข้าใจช่องว่างระหว่างการพัฒนา วิธีการ AI กับการทำให้มันเป็นประโยชน์ในสภาพแวดล้อมการทดลองหรือการปฏิบัติงาน

ประกาศ โครงการวิจัยสำหรับนักวิจัยช่วงต้นอาชีพ แยกต่างหากครอบคลุมเงินจำนวน 96 ล้านดอลลาร์สำหรับนักวิทยาศาสตร์ 67 คน โดยมอบรางวัลให้มหาวิทยาลัยประมาณ 875,000 ดอลลาร์และให้รางวัลห้องปฏิบัติการ 2.75 ล้านดอลลาร์ตลอดห้าปี ขอบเขตของโครงการรวมถึง AI, วิทยาศาสตร์ควอนตัม, และฟิวชัน รวมถึงสาขาการวิจัยอื่น ๆ DOE ระบุว่าการคัดเลือกผู้ได้รับรางวัลยังอยู่ภายใต้การต่อรอง

จำนวนเงินเหล่านี้ไม่ควรถูกรวมเป็นแพ็คเกจ Genesis ที่มอบทั้งหมดหนึ่งเดียว จำนวน 159 ล้านดอลลาร์เกี่ยวกับโครงการ Phase II ใหม่; ทุนบัณฑิตศึกษามีแผนการเงินในอนาคตแบบมีเงื่อนไข; และการสนับสนุนนักวิจัยช่วงต้นอาชีพเป็นโครงการแยกต่างหาก

อะไรจะถือว่าเป็นความสำเร็จ?

การทดสอบที่เข้มข้นที่สุดของพอร์ตโฟลิโอนี้คือว่า AI จะทำให้การทำงานทางวิทยาศาสตร์ดีขึ้นภายใต้เงื่อนไขที่เป็นจริงหรือไม่ ซึ่งหมายถึงการวัดเวลาและทรัพยากรที่จำเป็นเพื่อให้ได้ผลลัพธ์ที่ตรวจสอบได้ คุณภาพของผลลัพธ์และความสามารถของระบบในการรับรู้เมื่อวิธีการของตนเองไม่น่าเชื่อถือ

โมเดลฟิวชันที่มีประโยชน์ควรช่วยวางแผนการทดลองให้ดียิ่งขึ้น เอเจนต์ออกแบบชิปควรสร้างแบบที่ผ่านการตรวจสอบและการทดสอบทางกายภาพ ระบบพลังงานความร้อนใต้ดินควรสนับสนุนการตัดสินใจที่ยังคงมั่นคงเมื่อมีการวัดสนามใหม่เข้ามา เครื่องมือเขียนโค้ดทางวิทยาศาสตร์ควรรักษาความถูกต้องขณะปรับปรุงประสิทธิภาพ

รางวัล Genesis เปิดโอกาสให้ทดสอบสมมติฐานเหล่านี้ในสาขาวิชาที่แตกต่างอย่างมาก ความสำคัญของมันอยู่ที่การนำ AI เข้าใกล้เครื่องมือ, ข้อมูล, และข้อจำกัดของวิทยาศาสตร์—และให้ทรัพยากรแก่นักวิจัยเพื่อค้นหาว่า AI ช่วยเหลือได้จริงที่ไหน