DOE trao tặng 159 triệu USD để đưa AI khoa học vào lĩnh vực hợp hạch, thiết kế chip và nghiên cứu lượng tử

Một thí nghiệm hợp hạch, một bể địa nhiệt và một chip được chế tạo để chịu được bức xạ mạnh mẽ đều có một điểm chung: mỗi trường hợp đều có thể buộc các nhà nghiên cứu phải khám phá một không gian thiết kế khả thi khổng lồ trước khi tìm ra giải pháp hoạt động. Các khoản tài trợ của Sứ mệnh Genesis mới nhất của Bộ Năng lượng Hoa Kỳ nhằm đưa AI vào quá trình tìm kiếm này, giúp các nhà khoa học quyết định những gì cần mô phỏng, xây dựng và thử nghiệm tiếp theo.

DOE công bố 159 triệu USD cho 12 dự án Giai đoạn II mới vào ngày 8 tháng 10 năm 2026, cùng với sáu giải thưởng Giai đoạn I bổ sung. Bộ cho biết nhóm dự án năm đầu tiên của sứ mệnh hiện đã hoàn thành với 297 dự án. Danh mục Giai đoạn II rộng hơn của nó bao gồm 14 dự án, trong đó có GridFM 2.0 và Prometheus, được hỗ trợ qua các văn phòng Điện và Năng lượng Hạt nhân.

Phạm vi này bất thường rộng lớn. Các công trình được chọn trải dài từ hợp hạch và năng lượng địa nhiệt đến cấu trúc RNA, tách kim loại đất hiếm, phần mềm khoa học và tính toán lượng tử. Điều gắn kết các dự án lại là một tham vọng thực tiễn: sử dụng AI để rút ngắn khoảng cách giữa ý tưởng và kết quả có giá trị khoa học.

DOE hiểu “Super Intelligence” là gì

DOE mô tả sáng kiến này bằng thuật ngữ “Super Intelligence”, viết tắt là SI. Thuật ngữ này đòi hỏi phải cẩn trọng. Thông báo này thiết lập một danh mục nghiên cứu và các ứng dụng dự kiến của nó; nó không đưa ra bằng chứng rằng một hệ thống AI đa năng đã vượt qua khả năng của con người trong mọi lĩnh vực khoa học.

Việc các lựa chọn dự án Genesis ban đầu được công bố vào tháng Bảy mô tả sự kết hợp của các mô hình tiên tiến, khung làm việc cho tác nhân, phần mềm khoa học và tính toán hiệu năng cao. Đó là cách hữu ích để hiểu các khoản tài trợ mới: như các khoản đầu tư vào hệ thống nghiên cứu được hỗ trợ bởi AI, với các khả năng được điều chỉnh cho các ngành và cơ sở hạ tầng cụ thể.

Có một sự khác biệt quan trọng giữa việc tạo ra một câu trả lời khoa học có vẻ hợp lý và hoàn thành một quy trình công việc khoa học đáng tin cậy. Một mô hình có thể đề xuất một vật liệu, nhưng các tính chất của nó vẫn cần được đo lường. Một tác nhân có thể tạo ra mã mô phỏng, nhưng mã đó phải bảo tồn các phương trình và giả định mà các nhà nghiên cứu đã đề ra. Một bộ tối ưu có thể đề xuất một thiết lập máy, nhưng nó phải tuân thủ các giới hạn vận hành.

Câu hỏi thú vị, vì vậy, là làm thế nào các dự án này kết nối dự đoán và lập luận với bằng chứng. Sự kết nối này sẽ quyết định liệu khoản đầu tư có tạo ra khoa học tốt hơn hay chỉ đơn thuần là sản phẩm trông khoa học hơn.

Hợp hạch: bản sao kỹ thuật số để lập kế hoạch vận hành SPARC

Commonwealth Fusion Systems đang phát triển một bản sao kỹ thuật số hỗ trợ AI để mô phỏng và tối ưu hóa hoạt động của SPARC. Bản sao kỹ thuật số là một mô hình tính toán của một hệ thống vật lý, hữu ích cho việc khám phá cách hệ thống này có thể hoạt động dưới các điều kiện khác nhau.

Công ty đã có nền tảng công nghệ liên quan. Vào tháng Một, CFS đã công bố hợp tác với Siemens và NVIDIA kết hợp các công cụ kỹ thuật với công nghệ mô phỏng và trực quan hoá. Sự hợp tác trước đó cung cấp bối cảnh cho khoản tài trợ mới, mặc dù thông báo của DOE không khẳng định rằng mọi thành phần của kiến trúc tháng Một đều là một phần của dự án được tài trợ.

CFS giải thích trong báo cáo kỹ thuật về AI và mô phỏng rằng các mô hình thay thế có thể học từ các mô phỏng vật lý tốn kém về tính toán và ước tính kết quả nhanh hơn. Những mô hình như vậy có thể giúp các nhà nghiên cứu khám phá nhiều điều kiện vận hành tiềm năng mà không cần chạy lại các phép tính phức tạp nhất cho từng trường hợp.

Đối với một tokamak, thiết bị sử dụng trường từ để giữ plasma nóng, điều này tạo ra một công cụ lập kế hoạch tiềm năng có giá trị. Các nhà nghiên cứu có thể xem xét các kịch bản tiềm năng, xác định các thí nghiệm hứa hẹn và so sánh dự đoán của mô hình với các đo lường. Phần khó là biết được khi nào phép tính xấp xỉ nhanh vẫn đáng tin cậy và khi nào cần tính toán vật lý đầy đủ.

SPARC là một máy mô phỏng hợp hạch, với CFS đặt mục tiêu năng lượng hợp hạch ròng vào năm 2027. Mục tiêu này liên quan đến hiệu suất hợp hạch; không nên hiểu là SPARC đã cung cấp điện cho lưới điện. Ý nghĩa ngắn hạn của dự án AI là tiềm năng cải thiện việc lập kế hoạch và vận hành thí nghiệm.

Năng lượng địa nhiệt và kim loại đất hiếm: sử dụng AI để điều hướng các hệ thống vật lý phức tạp

Dự án MAESTRO của UC Irvine áp dụng phương pháp đa tác nhân để lập bản đồ, kích thích và quản lý các bể địa nhiệt sâu. Tên đầy đủ của nó là Multi-agent AI Expert for Subsurface Reasoning and Optimization.

Thách thức địa chất là đáng kể. tổng quan về hệ thống địa nhiệt nâng cao của DOE giải thích rằng một nguồn địa nhiệt có năng suất cần có nhiệt, chất lỏng và độ thẩm thấu. Khi các điều kiện tự nhiên không đủ, kỹ thuật có thể tạo ra hoặc cải thiện các đường dẫn cho phép chất lỏng lưu thông qua đá nóng và mang nhiệt lên bề mặt.

Bối cảnh này giúp giải thích tại sao một hệ thống AI có thể hữu ích. Các quyết định về bể chứa liên quan đến thông tin ngầm sâu không hoàn hảo và các quá trình vật lý tương tác. Kiến trúc đa tác nhân có thể phân chia công việc phân tích cho các thành phần chuyên biệt, nhưng thông báo ngắn gọn của DOE không chỉ rõ việc triển khai đầy đủ hay giới hạn tự chủ của MAESTRO.

Đánh giá của chúng tôi là giá trị của nó sẽ phụ thuộc vào mức độ hệ thống kết hợp xử lý sự không chắc chắn. Việc tạo ra mô tả bể chứa chắc chắn ít hữu ích hơn so với việc xác định những gì đã biết, những gì còn chưa chắc và đo lường nào sẽ cải thiện nhất quyết định vận hành tiếp theo.

Dự án AXIS của Đại học Illinois áp dụng AI vào các quá trình điện hóa để khai thác các nguyên tố đất hiếm từ nguồn trong nước. Trọng tâm của nó là thiết kế ligand hoạt động redox, hướng tới hoá học chi phối việc tách chọn lọc.

Vấn đề thiết kế cơ bản khác với kỹ thuật địa nhiệt, nhưng logic tương tự: tìm kiếm một không gian phức tạp của các ứng cử viên đồng thời tuân thủ các ràng buộc vật lý. Đối với công nghệ tách, việc đánh giá có ý nghĩa nên vượt ra ngoài việc một ứng cử viên có vẻ triển vọng trong mô hình hay không. Độ chọn lọc, tỷ lệ thu hồi, tiêu thụ năng lượng và hiệu suất trong các hỗn hợp thực tế sẽ là các chỉ số hữu ích để đo tiến độ. Đó là các tiêu chí đánh giá được đề xuất, không phải kết quả được báo cáo trong thông báo trao giải.

Chip cho các môi trường mà điện tử thông thường không thể chịu đựng

Dự án AXESS của Fermilab hướng tới vi mạch cho môi trường bức xạ cao, không gian và cực lạnh. Tên của nó, Accelerating Extreme Environment Specs-to-Silicon, phản ánh tham vọng chuyển từ các yêu cầu kỹ thuật sang thiết kế chip nhanh hơn.

Mô tả trước đây của Fermilab về sáng kiến giải thích tại sao các thiết bị này khó phát triển. Các thiết bị khoa học có thể yêu cầu điện tử tùy chỉnh hoạt động trong các điều kiện ngoài giả định thiết kế của các chip thương mại chính thống. Phòng thí nghiệm mô tả việc sử dụng AI để tăng tốc quy trình thiết kế truyền thống đòi hỏi cao.

Thông báo tháng Mười đặt AXESS trong nguồn tài trợ Genesis mới. Cơ hội là tự động hoá nhiều hơn quá trình khám phá và kiểm tra liên quan đến thiết kế chip chuyên dụng, dựa trên chuyên môn từ các phòng thí nghiệm, trường đại học và ngành công nghiệp.

Tốc độ thiết kế và mức độ sẵn sàng của thiết bị là các cột mốc riêng biệt. Ngay cả quy trình thiết kế nhanh hơn đáng kể vẫn cần xác minh, chế tạo và thử nghiệm vật lý. Một chip dự định dùng cho bộ dò hạt hoặc hệ thống cryogenic phải chứng minh rằng hành vi của nó chịu được các điều kiện đã quy định. Các tệp thiết kế do AI tạo ra một mình không thể khẳng định điều đó.

Nghiên cứu lượng tử: làm cho phần cứng hữu ích và thiết kế vật liệu ngược lại

Dự án ASQC của Harvard kết hợp AI với phần cứng lượng tử để giải quyết việc sửa lỗi thông qua đồng thiết kế có nhận thức về ứng dụng. Về mặt thực tế, đồng thiết kế có nghĩa là xem xét đồng thời ứng dụng, phương pháp sửa lỗi và phần cứng thay vì xử lý mỗi yếu tố như một vấn đề riêng biệt.

Các thiết bị lượng tử nhạy cảm với lỗi. Các sơ đồ sửa lỗi mã hoá thông tin trên các qubit vật lý sao cho một qubit logic có thể đáng tin cậy hơn. Harvard’s nghiên cứu bộ xử lý lượng tử logic trước đây cung cấp nền tảng cho sự khác biệt đó và nỗ lực thực hiện các phép tính bằng các qubit được mã hoá.

Giải thưởng mới không nên được hiểu là thông báo rằng tính toán lượng tử chịu lỗi đã hoàn thành. Thay vào đó, nó nhắm vào một vấn đề tối ưu hoá khó khăn: ghép nối các nhiệm vụ khoa học với tài nguyên và hành vi lỗi của phần cứng thực tế.

Dự án được lựa chọn của Oak Ridge National Laboratory giải quyết một ranh giới lượng tử khác: thiết kế ngược dựa trên vật lý của nam châm lượng tử cho cảm biến và điện tử tiêu thụ năng lượng thấp. Thiết kế ngược bắt đầu với hành vi mong muốn và tìm kiếm một hệ thống có thể tạo ra nó, đảo ngược quy trình thông thường của việc chọn vật liệu rồi tính toán các tính chất của nó.

Đối với loại nghiên cứu này, mô hình hoá dựa trên vật lý quan trọng vì một giải pháp số hấp dẫn có thể không thực hiện được về mặt vật lý. Một thiết kế hữu ích cuối cùng phải liên kết với các vật liệu có thể sản xuất và đo lường được. Thông báo này đặt ra hướng nghiên cứu đó; nó không báo cáo một cảm biến hoàn chỉnh hay thiết bị điện tử thương mại.

Cơ sở hạ tầng ít được nhìn thấy phía sau AI khoa học

Một số giải thưởng khác liên quan đến các hệ thống cho phép nghiên cứu quy mô lớn trở nên khả thi. Dự án của MIT kết nối AI và siêu máy tính với lattice quantum chromodynamics, một phương pháp tính toán để nghiên cứu tương tác mạnh. MOAT-Core của Lawrence Berkeley National Laboratory phát triển nền tảng AI chia sẻ cho thiết kế và vận hành máy gia tốc. Dự án của Northeastern áp dụng hỗ trợ dựa trên tác nhân cho Facility for Rare Isotope Beams.

Nỗ lực AI4HPC của Argonne bao gồm phát triển, tối ưu hoá và xác minh phần mềm tính toán khoa học. Thành phần xác minh này có ý nghĩa quan trọng: một chương trình chạy nhanh hơn nhưng âm thầm thay đổi kết quả tính toán khoa học không phải là cải tiến.

Sinh học cũng được đại diện. UC San Diego hướng tới mở rộng cơ sở dữ liệu cấu trúc RNA gấp năm lần, trong khi University of Washington sẽ làm việc trên thiết kế enzyme thông qua mô hình hoá tập hợp chuỗi–cấu trúc cải tiến.

Các dự án này làm nổi bật hai phụ thuộc thường bị lu mờ bởi các thông báo mô hình: dữ liệu đáng tin cậy và công cụ đáng tin cậy. Tính hữu ích của một tác nhân khoa học bị giới hạn bởi những gì nó có thể truy cập và thực thi. Kết nối các tác nhân với các động cơ mô phỏng, bộ dữ liệu được biên soạn và các thiết bị có thể làm cho chúng trở nên mạnh mẽ hơn, đồng thời tăng nhu cầu theo dõi hành động của chúng và xác thực kết quả.

Như việc chúng tôi đưa tin về sự hỗ trợ của Anthropic cho Sứ mệnh Genesis đã chỉ ra, sáng kiến này cũng bao gồm việc đưa các khả năng AI thương mại vào hệ sinh thái khoa học. Các dự án được tài trợ sẽ cần xác định cách những khả năng này chuyển đổi thành các lợi ích nghiên cứu có thể đo lường.

Hai khoản đầu tư riêng biệt cho các nhà nghiên cứu sẽ sử dụng những công cụ này

DOE cũng công bố một Genesis Mission Graduate Fellowship Pilot. Chương trình dự kiến lên tới 100 triệu đô la, trong đó 20 triệu đô la vào năm tài chính 2027, và nguồn tài trợ sau này phụ thuộc vào quyết định của Quốc hội. Nhóm học viên ban đầu dự kiến sẽ hỗ trợ khoảng 100 tiến sĩ thông qua các lộ trình bốn năm kết hợp AI và một lĩnh vực khoa học.

Các vị trí dự kiến bao gồm cả một phòng thí nghiệm hoặc cơ sở người dùng của DOE và một môi trường công nghiệp. Cấu trúc này có thể giúp các nhà nghiên cứu hiểu khoảng cách giữa việc phát triển một phương pháp AI và làm cho nó hữu ích trong môi trường thực nghiệm hoặc vận hành.

Một thông báo riêng về Thông báo Chương trình Nghiên cứu Giai đoạn Đầu sự nghiệp bao gồm $96 million cho 67 nhà khoa học, với các khoản thưởng đại học khoảng $875,000 và các khoản thưởng phòng thí nghiệm $2.75 million trong vòng năm năm. Phạm vi của nó bao gồm AI, khoa học lượng tử và hợp hạch, cùng các lĩnh vực nghiên cứu khác. DOE lưu ý rằng việc lựa chọn các giải thưởng vẫn còn phụ thuộc vào các cuộc đàm phán.

Các khoản tiền này không nên được gộp lại thành một gói Genesis được trao toàn bộ. Số 159 triệu đô la liên quan đến các dự án Giai đoạn II mới; học bổng có kế hoạch tài trợ tương lai có điều kiện; và hỗ trợ cho các nhà nghiên cứu trẻ là một chương trình riêng biệt.

Tiêu chí thành công là gì?

Thử nghiệm mạnh mẽ nhất của danh mục này sẽ là liệu AI có cải thiện công việc khoa học trong các điều kiện thực tế hay không. Điều đó đồng nghĩa với việc đo lường thời gian và nguồn lực cần thiết để đạt được một kết quả đã được xác thực, chất lượng của kết quả, và khả năng của hệ thống trong việc nhận biết khi các phương pháp của nó không đáng tin cậy.

Một mô hình hợp hạch hữu ích nên giúp lên kế hoạch các thí nghiệm tốt hơn. Một tác nhân thiết kế chip nên tạo ra các thiết kế vượt qua được kiểm tra xác thực và thử nghiệm vật lý. Một hệ thống địa nhiệt nên hỗ trợ các quyết định vẫn ổn định khi các đo đạc thực địa mới được cập nhật. Một công cụ mã hóa khoa học nên duy trì tính đúng đắn khi nó cải thiện hiệu suất.

Các giải thưởng Genesis tạo ra không gian để kiểm nghiệm những giả thuyết này trong các lĩnh vực rất khác nhau. Ý nghĩa của chúng nằm ở việc đưa AI gần hơn với cơ sở vật chất, dữ liệu và các ràng buộc của khoa học — đồng thời cung cấp cho các nhà nghiên cứu nguồn lực để khám phá nơi mà AI thực sự hữu ích.