AI og Kernesfusion – Brug af én forstyrrende teknologi til at fremme den anden

 Kunstig intelligens er en af de største teknologiske fremskridt i det sidste årti og transformerer brancher på tværs af hele spektret. Der er næsten ingen sektor, hvor dens indvirkning ikke kan mærkes, herunder kernesfusion – en teknologi, der er lige så forstyrrende som AI selv.

Hyldet som en næsten ubegrænset kilde til ren energi er kernesfusion en lovende energikilde, der kan vise sig at være banebrydende.

Blandt dens mange fordele er rigelig brændstof, energieffektivitet, minimale drivhusgasser, pålidelighed, indbygget sikkerhed og bæredygtighed. Den er dog stadig i den eksperimentelle fase.

Dette på trods af, at en rekord for kernesfusionsenergi blev opnået i år, da et team af forskere og ingeniører opretholdt 69 megajoule fusionenergi i 5 sekunder ved kun at bruge 0,2 milligram brændstof. Selvom denne energi er nok til at forsyne omkring 12.000 husstande i den periode, kræver den stadig mere energi som input, end den genererer. 

Indtil nu har forskerne kun kunnet opretholde fusion i nogle få sekunder. Men tingene kan snart ændre sig takket være AI.

Kontinuerlige gennembrud inden for AI i de seneste år har ikke kun gjort den til en del af vores daglige liv, men også gjort den afgørende for at opnå videnskabelige fremskridt. AI undersøges nu aktivt for at forbedre kernesfusion på flere måder. 

Fra at styre fusionsreaktioner ved at forudsige og forhindre ustabiliteter i realtid til at analysere reaktordesigns for at finde de bedste, opretholde stabil kontrol af fusionsreaktioner i længere perioder, og endda reducere tid og omkostninger ved analyse af reaktordesigns og forudsigelse af ændringer i plasma – AI’s rolle i kernesfusion vokser hurtigt.  

Selvom det måske ikke er muligt at producere energi i stor skala fra kernesfusion før omkring 2050, er AI uden tvivl fremkommet som et lovende værktøj til at fremskynde denne proces.

Steven Cowley, professor i astrofysiske videnskaber og laboratoriedirektør for Energiministeriets Princeton Plasma Physics Laboratory (PPPL), mener:

“Fusion kan vise sig at være AI’s “killer app”.

Tidligere i år rapporterede forskere, at de havde fundet en måde at forudsige ustabiliteter i plasma på, som er meget modtageligt for revner og at undslippe de magnetiske felter i maskiner, der er designet til at holde det inde, og forhindre dem i at ske i realtid ved brug af AI.

AI‑controlleren var i stand til at forudsige potentiel plasma‑revning op til 300 millisekunder på forhånd, ifølge eksperimentet udført af forskerne fra Princeton University og PPPL.

Forstyrrelser er en af de store hindringer i kernesfusion, da man ønsker, at reaktoren skal være i drift 24/7 i årevis uden problemer. 

(Da forstyrrelser og ustabiliteter er) meget problematiske… at udvikle løsninger som denne øger deres tillid til, at vi kan drive disse maskiner uden problemer.

– Egemen Kolemen, studieforfatter og professor i maskin- og rumfartsingeniør ved Princeton University

Byg AI til at finde nye legeringer til kernesfusionsfaciliteter

En nylig undersøgelse fra Oak Ridge National Laboratory (ORNL) under Department of Energy (DOE) har skabt en AI‑model til at hjælpe med at identificere nye legeringer, der bruges i kernesfusionsreaktorer som skjold til komponenter i fusionsapplikationer.

Projektet startede for mange år siden under ledelse af David Womble, en tidligere AI Initiative Director, og er et stort skridt mod forbedring af kernesfusionsfaciliteter. Derefter fortsatte det som prioriteret forskningsområde under Artificial Intelligence for Scientific Discovery (AISD).

De nuværende begrænsninger ved store beregningsmetoder, bemærkede undersøgelsen, kaster nyt lys over den potentielle fordel ved at integrere maskinlæring i traditionel materialvidenskab og kvantemekanik.

Dybe læringsmodeller (DL) har især vist sig effektive til at registrere relevante ikke‑lineariteter, der udløses af et atomsystems atomkonfigurationer.

Når DL‑modellen er trænet, kan den bruges til inferens på en brøkdel af den tid, det ville tage at køre en fuld DFT‑beregning, samtidig med at den leverer nøjagtige resultater. Denne betydelige tidsbesparelse ved forudsigelse af legeringsegenskaber ved brug af atominformation accelererer effektivt opdagelsen og designet af nye flerkomponentlegeringer. 

Således har undersøgelsen fokuseret på legeringer, som skal “opnå enestående ydeevne ved meget høje temperaturer.” Denne ydeevne skal både omfatte modstand mod høje temperaturer samt de strukturelle mekaniske egenskaber, der kræves for legeringernes anvendelse i komplekse kernesplantager. For at et materiale kan opnå høj styrke ved en højere temperatur, skal dets nedbrydningstemperatur også være højere. 

For at fremstille disse materialer er wolfram traditionelt blevet brugt som hovedelement. Yderligere elementer tilsættes som supplement. Den resulterende legeringssammensætning har været modstandsdygtig over for høje temperaturer, men inkonsekvent i at opretholde korrekt skjold.

For nylig har forskere undersøgt at erstatte disse standardteknologimaterialer med det, som ORNL AI‑datascientist Massimiliano Lupo Pasini beskrev som “noget helt nyt og forstyrrende.”

Men naturligvis er identifikation af potentielle metalkombinationer en stor udfordring, givet det enorme antal muligheder. 

Derfor brugte forskerne AI til at omgå testperioden og opdage brugbare legeringskandidater på en mere effektiv måde. Dette involverede at generere data til at skabe AI‑modellen, som udpegede tre elementer til test som potentielle nye legeringskandidater.

Ifølge resultaterne af undersøgelsen, som er offentliggjort i tidsskriftet Scientific Data, præsenterede teamet fire open‑source datasæt. Datasættene leverede resultater af DFT‑beregninger (density functional theory) af grundtilstandsegenskaber for legeringer. 

De involverede legeringer er niobium‑vanadium (NbV), niobium‑tantal (NbTa), tantal‑vanadium (TaV) og ternære legeringer NbTaV ordnet i body‑centered‑cubic (BCC) strukturer med 128 Bravais‑gittersteder. 

AI‑modellen fra ORNL er af stor betydning i kernesfusionens verden, fordi denne lovende teknologi kan levere rene og næsten ubegrænsede energibehovsmaterialer, der kan modstå ekstremt høje temperaturer, stråling og mekanisk belastning. Så ved at finde højtydende legeringer kan vi sikre lang levetid og pålidelighed for fusionsreaktorer.

Udover at hjælpe med at identificere nye legeringer langt hurtigere og mere omkostningseffektivt og fjerne en stor hindring for at gøre kernesfusionsreaktorer praktiske og sikre, kan en sådan AI‑model også muliggøre forstyrrende teknologiske fremskridt inden for kernesfusion.

AI‑drevet datamodellering for at fremskynde videnskabelige opdagelser

At have en AI‑genereret database er kun en del af projektet. Den næste del involverer brug af de genererede data til yderligere forskning omkring udvikling, træning og implementering af ML‑modeller til opdagelse og design af materialer.

Ifølge Lupo Pasini er seks elementer nødvendige for at understøtte designet af nye høj‑temperatur høj‑entropi legeringer.

High‑entropy legeringer, eller HEA’er, er en ny grænse for materialeforskere, og i øjeblikket er der meget få eksperimentelle resultater. En undersøgelse fra et par år siden gennemgik 14 elementer og kombinationerne, der giver HEA’er. Ved hjælp af high‑throughput kvantemekaniske beregninger fandt de stabiliteten og de elastiske egenskaber for over 7.000 HEA’er. 

Det var angiveligt den “største database over de elastiske egenskaber for høj‑entropi legeringer”, ifølge studiets forfatter Wei Chen, lektor i materialvidenskab og -ingeniør ved Illinois Institute of Technology.

Nu, for den seneste undersøgelse, er der også spørgsmålet om den dyre opgave at køre kvantemekaniske beregninger på eksisterende supercomputere. Så “dataene alene vil ikke være nok.”

Endnu en udfordring, som teamet skulle overvinde med disse massive beregninger, var tiden. Det tog mere end et år for teamet at udføre beregningerne på Perlmutter‑ og Summit‑supercomputerne og generere data.

The Summit supercomputer is part of the Oak Ridge Leadership Computing Facility and is located at ORNL, while Perlmutter is housed at Lawrence Berkeley National Laboratory, with both computing systems being DOE Office of Science user facilities.

I det næste skridt vil teamet bruge de genererede data til at træne AI‑modellen. Modellen vil accelerere det store udvalg af forbindelser som resultat af at blande de seks elementer i forskellige koncentrationer som legeringer.

Vi forsøger at hjælpe materialeforskerne med deres trial‑and‑error‑tilgange i at identificere den relative procentdel af de forskellige elementer, der skal blandes sammen for at skabe legeringer, som kan føre til forstyrrende teknologiske fremskridt inden for fusion.

– Lupo Pasini

Brugen af AI til at opnå en forståelse af materialers kompleksitet på et dybere niveau har også udviklet sig i et hurtigt tempo. Sidste år ledte ORNL’s Lupo Pasini også et team af beregningsvidenskabsfolk, der genererede datasæt i hidtil uset skala, som leverede de ultraviolette synlige spektrale egenskaber for over 10 millioner organiske molekyler.

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.

Kvantkemi‑beregningerne blev udført ved brug af højtydende computerressourcer for at generere de enorme datasæt. Disse datasæt vil derefter blive brugt til at træne en DL‑model til at identificere molekyler med skræddersyede optoelektroniske og fotoreaktive egenskaber.

På det tidspunkt bemærkede Lupo Pasini, at bestemmelse af hvordan materie og energi interagerer på subatomart niveau via arbejdsintensive eksperimenter og eksisterende first‑principles‑beregninger, som let kan overbelaste supercomputer‑faciliteter, simpelthen er uoverkommelig. DL‑modeller giver dog “meget lovende værktøjer til at overvinde disse barrierer.”

Teamet bygger en HydraGNN‑arkitektur, der tager den atomære struktur ind og konverterer den til en graf, før den forsøger at forudsige, hvad first‑principles‑koden ville producere som output.

Tidligere i år viste Lupo Pasini og teamet HydraGNN‑skalering på Perlmutter‑systemet såvel som på Frontier‑ og Summit‑supercomputerne. HydraGNN er en implementering af GNN‑arkitekturer til at producere hurtige og præcise forudsigelser af materialegenskaber.

Med illustrationen viste teamet præcis, hvordan man skalerer graf‑neural‑netværk (GNN’er) til at kortlægge forbindelser mellem tusinder eller endda millioner af variable og afdække deres relationer for at fremskynde videnskabelige opdagelser.

Virksomheder, der kan drage fordel af fusionen 

Både AI‑ og kernesfusionsindustrierne ser milliarder af dollars i investeringer, hvilket viser spændingen og udviklingen omkring disse to transformerende teknologier. Så lad os se nogle fremtrædende navne fra disse felter: 

#1. General Electric (GE)

General Electric (GE.TO ) er involveret i forskning og udvikling af kernekraft gennem sin GE Vernova (GEV ), som har til formål at fremskynde vejen til mere pålidelig, overkommelig og bæredygtig energi. Dens indsats inden for området omfatter nye sensorer og billedteknikker til at spore brugt kernekraftbrændstof i realtid, en inspektionsteknik kaldet RADMASS for at gøre genbehandling af brændstof mere overkommelig, samt opførelse af kogende vand‑kernekraftreaktorer (BWR’er).

Med en markedsværdi på $204,469 mia. handles virksomhedens aktier i øjeblikket til $188,94, op 47,83 % år‑til‑dato. Den har en EPS (TTM) på 4,28, en P/E (TTM) på 44,09 og en udbytteafkast på 0,59 %.

For Q2 2024 rapporterede GE Vernova $8,2 mia. i samlet omsætning og $1,3 mia. i nettoindkomst. Samtidig oversteg samlede ordrer på $11,8 mia. omsætningen med 1,4‑gange. Kontanter fra driftsaktiviteter ved kvartalets slutning udgjorde $1 mia., mens kontantbeholdningen på $5,8 mia. steg fra $4,2 mia. efter spin‑off fra GE i april.

Globale elektrificerings‑ og dekarboniseringstendenser fortsætter med at drive efterspørgslen efter vores produkter og tjenester.

– GE Vernova CEO Scott Strazik

#2. IBM (IBM)

Mens NVIDIA (NVDA ) er en førende inden for AI‑ og supercomputing‑teknologi, hvilket har fået deres aktiekurser til at stige 134,76 % i år, er IBM også blandt de førende inden for kvantecomputing og AI‑forskning. Virksomhedens kvantecomputere er cloud‑baserede kvantecomputingsystemer, der kan bruges til forskning og udforskning. 

Ved at køre komplekse simuleringer på disse kvantecomputere muliggør IBM kritiske gennembrud i forskellige sektorer. For et par år siden skrev virksomheden om optimering af kernekraftproduktion ved at frigøre værdien af data.

Med en markedsværdi på $201,54 mia. handles virksomhedens aktier i øjeblikket til $218,80, op 34,82 % år‑til‑dato. Den har en EPS (TTM) på 9,53, en P/E (TTM) på 2,95 og en udbytteafkast på 3,05 %.

For Q2 2024 rapporterede IBM en omsætning på $15,8 mia., hvilket var en stigning på 2 % med den største gevinst set i deres software‑segment. Virksomhedens bruttoavancemargin var 56,8 % mens driftsmarginen (Non‑GAAP) var 57,8 %. Netto kontanter fra driftsaktiviteter var $6,2 mia. år‑til‑dato, og fri pengestrøm var $4,5 mia.

#3. ATI Inc. (ATI)

ATI specialiserer sig i produktion af specialmetaller og legeringer, og denne ekspertise placerer dem godt til anvendelser i fusionsreaktorer. High‑Performance Materials & Components (HPMC) er et af deres segmenter, som producerer højtydende materialer som titanium og titanium‑baserede legeringer, der bruges i energi, medicin og rumfart. Advanced Alloys & Solutions (AA&S) er et andet segment, der producerer zirkonium og relaterede legeringer, som anvendes på bil-, elektronik-, energi‑ og forsvarsmarkederne.

Med en markedsværdi på $8,20 mia. handles virksomhedens aktier i øjeblikket til $66, op 44,74 % år‑til‑dato. Den har en EPS (TTM) på 2,94 og en P/E (TTM) på 22,48.

For Q2 2024 rapporterede ATI $1,1 mia. i salg, hvilket var en stigning på 5 % fra forrige kvartal. Nettoresultatet for kvartalet var $81,9 mio., eller $0,58 per aktie, op 26 % fra 1Q24. Justeret EBITDA for virksomheden var derimod $182,6 mio.

Vores udførelse og evne til at udnytte markedsmuligheder gør, at vi kan øge marginerne og generere stærk driftskontantstrøm.

– Kimberly A. Fields, President og CEO

Konklusion

AI‑mani er i konstant vækst, og dens integration i kernesfusionsforskning markerer et afgørende øjeblik for begge felter. Ved at tackle de komplekse udfordringer, der er indlejret i fusion, har AI potentialet til drastisk at forkorte tidslinjen for at opnå praktisk fusionsenergi.

Fra realtids‑plasmaforudsigelser til opdagelse af nye legeringer, der kan modstå ekstreme forhold, skubber AI‑drevne fremskridt støt kernesfusion tættere på at blive en realitet og tilbyder en renere og mere bæredygtig energiløsning på den globale energikrise.

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