AI og kernefusion – hvordan den ene teknologi kan fremme den anden

 Kunstig intelligens er et vigtigt teknologisk fremskridt og bruges i stadig flere forskningsområder. Et af dem er kernefusion, en teknologi med potentiale til store ændringer i energiforsyningen ligesom AI har potentiale til at ændre mange andre områder.

Kernefusion undersøges som en mulig fremtidig kilde til energi med lave udledninger. Den er endnu ikke en kommerciel kilde til elektricitet.

Fusion har høj energitæthed og kan have lave driftsudledninger. Men tritiumforsyning, materialers holdbarhed, vedligeholdelse og økonomi er fortsat udfordringer. Sikkerhed og bæredygtighed skal vurderes for det konkrete anlæg.

I februar 2024 blev et resultat fra JET’s forsøg i 2023 offentliggjort: omkring 69 megajoule fusionsenergi over fem sekunder med cirka 0,2 milligram brændstof. Det var ikke nettostrøm leveret til husstande; det samlede anlæg brugte mere energi, end fusionen producerede.

Varigheden af et plasma er ikke det samme som varigheden af høj fusionsenergiproduktion. Nogle anlæg kan opretholde plasma langt længere end få sekunder. AI undersøges som støtte til bedre styring.

AI kan hjælpe med dataanalyse, modellering og kontrol i fusionsforskning. Resultaterne skal dog vurderes for hver opgave og kan ikke overføres ukritisk til et helt kraftværk.

Forskerne bruger blandt andet AI til at forudsige bestemte ustabiliteter, justere plasmaet og undersøge design eller materialer hurtigere. Metoderne erstatter ikke alle fysiske modeller og forsøg.

Der er ingen sikker dato for kommerciel strømproduktion fra fusion. AI kan fremskynde dele af forskningen, men garanterer ikke et bestemt tidspunkt.

Steven Cowley, daværende direktør for Princeton Plasma Physics Laboratory (PPPL), fremhævede fusion som en mulig særlig vigtig anvendelse af AI:

Fusion kunne blive en af AI’s afgørende anvendelser.

Tidligt i 2024 beskrev forskere fra Princeton og PPPL en AI-controller, som kunne forudsige bestemte tearing-ustabiliteter og tilpasse driftsparametre i realtid.

I forsøg på DIII-D kunne controlleren varsle disse ustabiliteter op til 300 millisekunder før deres opståen. Det betyder ikke, at den kan forudse alle plasmaforstyrrelser.

Plasmaforstyrrelser er en væsentlig udfordring. Et fremtidigt kraftværk vil have brug for høj tilgængelighed, men også planlagt vedligeholdelse.

Egemen Kolemen forklarede, at bedre kontrol af ustabiliteter øger tilliden til muligheden for pålidelig drift. Forsøget viste ikke allerede problemfri drift i årevis.

— Egemen Kolemen, medforfatter og professor ved Princeton University

AI til udvikling af nye legeringer til fusionsanlæg

ORNL udarbejdede beregningsdata for legeringer, der kan være relevante for komponenter i fremtidige fusionsanlæg.

Projektet fortsatte under Artificial Intelligence for Scientific Discovery (AISD) efter tidligere støtte fra David Womble.

Præcise beregninger er krævende. Maskinlæring undersøges som et supplement til materialeforskning, ikke som erstatning for enhver beregning eller test.

Dybe læringsmodeller kan lære ikke-lineære sammenhænge mellem atomers placering og materialers egenskaber inden for træningsdataenes begrænsninger.

Efter træning kan et modelestimat være langt hurtigere end en fuld DFT-beregning. Nøjagtigheden skal kontrolleres uafhængigt, især for sammensætninger, der ligger uden for træningsgrundlaget.

Materialerne skal kunne modstå varme, stråling og mekaniske belastninger. Et højt smeltepunkt eller en høj nedbrydningstemperatur er ikke alene tilstrækkeligt.

Wolfram og andre højtemperaturbestandige metaller undersøges til krævende nukleare anvendelser. Hver sammensætning har sine begrænsninger.

Holdet undersøgte alternative kombinationer af metaller.

De mange mulige sammensætninger gør søgningen vanskelig.

Beregninger kan hjælpe med at udvælge kandidater til yderligere test. De fjerner ikke behovet for eksperimentel validering.

Artiklen i Scientific Data præsenterede fire åbne datasæt med DFT-beregninger af grundtilstandsegenskaber.

De omfattede NbV, NbTa, TaV og NbTaV i rumcentrerede kubiske strukturer (BCC) med 128 gitterpositioner.

Fusion har brug for materialer, der tåler varme, stråling og belastning. Data kan støtte udviklingen, men er ikke allerede certificerede reaktormaterialer.

Hurtigere vurdering af kandidater kan spare forskningsarbejde. Praktisk egnethed kræver stadig bekræftelse.

Data og modeller til videnskabelige opdagelser

Datasættene kom fra førsteprincipberegninger og skulle bruges til at udvikle og træne maskinlæringsmodeller.

Det bredere projekt sigtede mod seks grundstoffer. Det er ikke en regel om, at alle højentropilegeringer skal indeholde netop seks.

Højentropilegeringer er et aktivt forskningsområde. Tidligere beregningsstudier undersøgte tusindvis af sammensætninger; forudsigelser er ikke det samme som eksperimentel dokumentation.

Wei Chen fra Illinois Institute of Technology deltog i beslægtet forskning i beregningsbaseret materialedesign.

Data alene er ikke nok; egnede modeller og kontrol af deres forudsigelser er også nødvendige.

Genereringen af datasættene krævede mere end et års beregningsarbejde.

Supercomputeren Summit er en del af Oak Ridge Leadership Computing Facility og er placeret på ORNL, mens Perlmutter findes på Lawrence Berkeley National Laboratory. Begge computersystemer er forskningsfaciliteter, som det amerikanske energiministeriums Office of Science stiller til rådighed for brugere.

Målet var at træne en model til hurtigere undersøgelse af sammensætninger og koncentrationer.

Lupo Pasini beskrev arbejdet som støtte til materialeforskernes valg af sammensætninger til afprøvning.

– Lupo Pasini

I 2023 offentliggjorde et andet ORNL-hold beregnede ultraviolet-synlige spektrale egenskaber for over ti millioner organiske molekyler. Dette var et særskilt projekt fra legeringsstudiet.

Forståelse af et molekyls interaktion med lys er afgørende for at afsløre dets elektroniske og optiske egenskaber, som har potentielle fotoaktive anvendelser i medicinske billedsystemer og solceller.

Kvantkemiske beregninger genererede data til træning af modeller for molekylære egenskaber. En lovende forudsigelse garanterer ikke en praktisk anvendelig forbindelse.

Førsteprincipberegninger i denne skala er krævende. Dybe læringsmodeller kan fungere som hurtigere tilnærmelser, når deres nøjagtighed er kontrolleret.

HydraGNN repræsenterer molekylære eller atomare strukturer som grafer med atomer og forbindelser mellem dem og forudsiger udvalgte egenskaber.

Holdet demonstrerede skalering af HydraGNN på supercomputersystemer. Grafneurale netværk kan dermed trænes på store datasæt.

Skalering gør større beregninger mulige, men forudsigelsernes pålidelighed skal stadig vurderes.

Virksomheder i beslægtede brancher

AI og fusion tiltrækker investeringer. De følgende selskaber arbejder i bredere beslægtede brancher; de er ikke alle direkte investeringer i kommerciel fusion, og et økonomisk udbytte er ikke garanteret.

#1. General Electric (GE)

General Electric, senere GE Aerospace, (GE ) og GE Vernova (GEV ) er separate børsnoterede selskaber efter udskillelsen den 2. april 2024. GE Vernovas nukleare aktiviteter omfatter især fission, herunder kogendevandsreaktorer (BWR), hvilket skal skelnes fra fusion.

De oplyste GE-tal —kurs 188,94 dollar, markedsværdi cirka 204,469 mia., stigning på 47,83 % år til dato, EPS 4,28, P/E 44,09 og udbytteprocent 0,59 %— er et historisk øjebliksbillede. De vedrører ikke GEV og er ikke aktuelle kurser.

Separat rapporterede GE Vernova for andet kvartal 2024 en omsætning på 8,2 mia. dollar og nettoresultat på 1,3 mia. Ordreindgangen var 11,8 mia., cirka 1,4 gange omsætningen. Pengestrømmen fra driften var omkring 1 mia. i kvartalet, og kontantbeholdningen var 5,8 mia. ved kvartalets slutning mod 4,2 mia. ved udskillelsen.

Scott Strazik fremhævede efterspørgslen efter GE Vernovas produkter og tjenester i forbindelse med elektrificering og lavere udledninger.

— Scott Strazik, administrerende direktør for GE Vernova i 2024

#2. IBM (IBM)

NVIDIA (NVDA ) arbejder med AI og højtydende databehandling. Den oplyste kursstigning på 134,76 % gælder artikelperioden. IBM forsker også i AI og tilbyder adgang til kvantecomputere via cloudtjenester.

Simulering og dataanalyse kan støtte energiforskning. Det viser ikke, at nutidens kvantecomputere allerede har løst fusionens problemer, eller at enhver nuklear anvendelse handler om fusion.

IBM’s historiske øjebliksbillede angiver markedsværdi 201,54 mia. dollar, kurs 218,80 dollar, stigning på 34,82 % år til dato, EPS 9,53 og udbytteprocent 3,05 %. Med den kurs og EPS er P/E cirka 22,96, ikke 2,95. Tallene er ikke en aktuel værdiansættelse.

IBM rapporterede for andet kvartal 2024 en omsætning på 15,8 mia. dollar, 2 % højere end året før. Bruttomarginen var 56,8 % efter GAAP og 57,8 % på justeret basis; 57,8 % var ikke driftsmarginen. Pengestrøm fra driften på 6,2 mia. og fri pengestrøm på 4,5 mia. gjaldt første halvår.

#3. ATI Inc. (ATI)

ATI fremstiller specialmetaller og legeringer til blandt andet luftfart, forsvar og energi. Kompetencer inden for materialer med høj ydeevne kan være relevante for fremtidige fusionsanlæg, men dokumenterer ikke allerede kommercielle fusionsindtægter.

ATI-tallene —markedsværdi 8,20 mia. dollar, kurs 66 dollar, stigning på 44,74 % år til dato, EPS 2,94 og P/E cirka 22,48— er et historisk øjebliksbillede og ikke aktuelle markedsdata.

ATI rapporterede for andet kvartal 2024 salg på cirka 1,1 mia. dollar, 5 % mere end første kvartal. Nettoresultatet til ATI var 81,9 mio., og udvandet resultat pr. aktie var 0,58 dollar. Stigningen på 26 % gjaldt resultat pr. aktie; nettoresultatet steg cirka 24 %. Justeret EBITDA var 182,6 mio.

Kimberly A. Fields tilskrev forbedringen selskabets gennemførelse af planer og udnyttelse af markedsefterspørgslen.

— Kimberly A. Fields, administrerende direktør for ATI i 2024

Konklusion

AI kan støtte plasmastyring og materialedesign i fusionsforskningen. Hvor meget det vil forkorte vejen til kommerciel anvendelse, er usikkert.

Fremskridtene er vigtige forskningsskridt. De er endnu ikke en færdig løsning til strømproduktion og fjerner ikke behovet for forsøg, teknisk udvikling og økonomisk vurdering.

Klik her for at lære alt om investering i kunstig intelligens.