KI und Kernfusion – Eine disruptive Technologie nutzen, um die andere voranzubringen

 Künstliche Intelligenz ist einer der wichtigsten technologischen Fortschritte des letzten Jahrzehnts und transformiert Branchen überall. Es gibt kaum einen Sektor, in dem ihre Wirkung nicht zu spüren ist, einschließlich der Kernfusion – einer Technologie, die ebenso disruptiv ist wie KI selbst.

Als nahezu unbegrenzte Quelle sauberer Energie gepriesen, ist Kernfusion ein vielversprechender Energieträger, der sich als bahnbrechend erweisen kann.

Zu den möglichen Vorteilen gehören reichlich verfügbare Brennstoffressourcen und geringe Treibhausgasemissionen im Betrieb. Zuverlässigkeit, Materialversorgung und Wirtschaftlichkeit müssen jedoch noch praktisch nachgewiesen werden.

Im Februar 2024 wurde ein neuer Fusionsenergierekord aus den letzten Deuterium-Tritium-Experimenten von JET im Jahr 2023 bekannt gegeben. Innerhalb von fünf Sekunden entstanden insgesamt 69 Megajoule Wärmeenergie mit etwa 0,2 Milligramm Brennstoff. Das war keine eingespeiste Elektrizität; die gesamte Anlage verbrauchte mehr Energie, als die Fusion erzeugte. 

Verschiedene Fusionsanlagen haben unterschiedliche Zeiten für den Plasmabetrieb erreicht. Entscheidend ist, ausreichende Temperatur, Einschluss und Energiegewinn über längere Zeit zu kombinieren. KI kann die Regelung unterstützen.

Fortschritte im Bereich der KI eröffnen neue Möglichkeiten für wissenschaftliche Forschung. Auch in der Kernfusion werden entsprechende Verfahren zur Analyse und Regelung untersucht. 

Von der Steuerung von Fusionsreaktionen durch Vorhersage und Verhinderung von Instabilitäten in Echtzeit über die Analyse von Reaktordesigns zur Identifizierung der besten Varianten, die Aufrechterhaltung einer stabilen Kontrolle von Fusionsreaktionen über längere Zeiträume bis hin zur Reduzierung von Zeit und Kosten bei der Analyse von Reaktordesigns und der Vorhersage von Plasmaänderungen – die Rolle der KI in der Kernfusion wächst rasant.  

Obwohl die Erzeugung von großflächiger Energie aus Kernfusion wahrscheinlich erst um 2050 möglich sein wird, hat sich KI bereits als vielversprechendes Werkzeug zur Beschleunigung dieses Prozesses erwiesen.

Steven Cowley, Professor für Astrophysik und Direktor des Princeton Plasma Physics Laboratory (PPPL) des US-Energieministeriums, glaubt:

Fusion könnte zu einem der wichtigsten Anwendungsgebiete der KI werden.

2024 zeigten Forscher aus Princeton und dem PPPL an der DIII-D-Anlage, wie KI bestimmte Tearing-Instabilitäten vorhersagen und vermeiden kann. Diese verändern die magnetische Struktur und können zum Verlust des Plasmaeinschlusses führen.

Die KI-Regelung konnte solche Instabilitäten bis zu 300 Millisekunden im Voraus erkennen und dadurch rechtzeitig Betriebsparameter anpassen.

Störungen sind eines der größten Hindernisse in der Kernfusion, da man möchte, dass der Reaktor 24/7 über Jahre hinweg ohne Probleme betrieben wird. 

“(Da Störungen und Instabilitäten) sehr problematisch sind … die Entwicklung solcher Lösungen erhöht ihr Vertrauen, dass wir diese Maschinen ohne Probleme betreiben können.”

– Egemen Kolemen, Studienautor und Professor für Maschinen- und Luftfahrttechnik an der Princeton University

KI entwickeln, um neue Legierungen für Kernfusionsanlagen zu finden

Eine aktuelle Studie des Oak Ridge National Laboratory (ORNL) des Energieministeriums (DOE) hat ein KI‑Modell entwickelt, das dabei hilft, neue Legierungen zu identifizieren, die in Kernfusionsreaktoren als Abschirmung für Bauteile von Fusionsanwendungen verwendet werden.

Das Projekt begann vor vielen Jahren unter der Leitung von David Womble, einem ehemaligen Direktor der KI‑Initiative, und ist ein großer Schritt zur Verbesserung von Kernfusionsanlagen. Anschließend wurde es zum vorrangigen Forschungsbereich im Rahmen von Artificial Intelligence for Scientific Discovery (AISD).

Die aktuellen Einschränkungen großskaliger rechnerischer Ansätze, stellte die Studie fest, werfen ein neues Licht auf den potenziellen Nutzen der Integration von ML in die traditionelle Materialwissenschaft und Quantenmechanik. 

Insbesondere Deep‑Learning‑Modelle (DL) haben sich als wirksam erwiesen, relevante Nichtlinearitäten zu erfassen, die durch die atomaren Konfigurationen eines atomaren Systems ausgelöst werden.

Sobald das DL‑Modell trainiert ist, kann es für Inferenz in einem Bruchteil der Zeit verwendet werden, die eine vollständige DFT‑Berechnung benötigen würde, und liefert dabei genaue Ergebnisse. Diese erhebliche Zeitersparnis bei der Vorhersage von Legierungseigenschaften mittels atomarer Informationen beschleunigt effektiv die Entdeckung und das Design neuer Mehrkomponenten‑Legierungen. 

Untersucht wurden Legierungen, die bei hohen Temperaturen gute mechanische Eigenschaften behalten. Dazu gehören eine hohe Schmelztemperatur und Widerstandsfähigkeit gegen Strahlung sowie mechanische Belastungen; eine allgemeine Zersetzungstemperatur ist hier nicht der passende Begriff. 

Zur Herstellung dieser Materialien wurde traditionell Wolfram als Hauptelement verwendet. Zusätzlich werden weitere Elemente als Ergänzung hinzugefügt. Die resultierende Legierungszusammensetzung ist zwar hitzebeständig, jedoch inkonsistent in der Aufrechterhaltung einer ordnungsgemäßen Abschirmung.

Kürzlich untersuchten Forscher den Ersatz dieser Standardmaterialien durch das, was der ORNL‑KI‑Datenwissenschaftler Massimiliano Lupo Pasini als „etwas völlig Neues und Disruptives“ bezeichnete.

Aber natürlich ist die Identifizierung potenzieller Metallkombinationen eine große Herausforderung, angesichts der riesigen Anzahl an Möglichkeiten. 

Die Forscher erzeugten Berechnungsdaten für die Entwicklung eines KI-Modells und untersuchten Niob, Tantal und Vanadium als Legierungsbestandteile. Damit sollen vielversprechende Kandidaten schneller gefunden werden; experimentelle Tests werden dadurch nicht vollständig ersetzt.

Laut den Ergebnissen der Studie, die im Fachjournal Scientific Data veröffentlicht wurden, stellte das Team vier Open‑Source‑Datensätze vor. Die Datensätze lieferten Ergebnisse von Dichtefunktional‑Theorie‑ (DFT‑) Berechnungen der Grundzustandseigenschaften von Legierungen. 

Die beteiligten Legierungen sind Niob‑Vanadium (NbV), Niob‑Tantal (NbTa), Tantal‑Vanadium (TaV) und ternäre Legierungen NbTaV, die in kubisch-raumzentrierten (BCC) Strukturen mit 128 Bravais‑Gitterplätzen angeordnet sind. 

Fusionsreaktoren benötigen Materialien, die hohen Temperaturen, Strahlung und mechanischen Belastungen standhalten. ORNLs Modelle können die Suche nach geeigneten Legierungen beschleunigen und so die Entwicklung langlebigerer Komponenten unterstützen.

Neben der schnelleren und kostengünstigeren Identifizierung neuer Legierungen und der Beseitigung eines großen Hindernisses beim praktischen und sicheren Bau von Kernfusionsreaktoren kann ein solches KI‑Modell auch disruptive technologische Fortschritte in der Kernfusion ermöglichen.

KI‑gestützte Datenmodellierung zur Beschleunigung wissenschaftlicher Entdeckungen

Die Datenbank mit quantenmechanischen Berechnungsergebnissen ist ein Teil des Projekts. Mit diesen Daten werden Modelle für maschinelles Lernen entwickelt und trainiert; es handelt sich nicht lediglich um eine KI-generierte Datenbank.

Laut Lupo Pasini werden sechs Elemente benötigt, um das Design neuer hochtemperaturbeständiger Hochentropie‑Legierungen zu unterstützen.

Hochentropie‑Legierungen (HEAs) stellen ein neues Forschungsfeld für Materialwissenschaftler dar, und bislang gibt es nur wenige experimentelle Ergebnisse. Eine Studie von vor ein paar Jahren untersuchte 14 Elemente und die Kombinationen, die HEAs ergeben. Mit hochdurchsatz‑quantummechanischen Berechnungen fanden sie die Stabilität und elastischen Eigenschaften von über 7.000 HEAs. 

Dies war Berichten zufolge die „größte Datenbank der elastischen Eigenschaften von Hochentropie‑Legierungen“, so der Studienautor Wei Chen, außerordentlicher Professor für Werkstoffwissenschaft und -technik am Illinois Institute of Technology.

Für die aktuelle Studie stellt zudem die teure Aufgabe, quantenmechanische Berechnungen auf bestehenden Supercomputern durchzuführen, ein Problem dar. Daher: „Die Daten allein werden nicht ausreichen.“

Eine weitere Herausforderung, die das Team bei diesen massiven Berechnungen bewältigen musste, war die Zeit. Es dauerte über ein Jahr, bis das Team die Berechnungen auf den Supercomputern Perlmutter und Summit abschloss und Daten generierte.

Der Supercomputer Summit gehört zur Oak Ridge Leadership Computing Facility und befindet sich am ORNL, während Perlmutter am Lawrence Berkeley National Laboratory untergebracht ist. Beide Computersysteme sind Forschungseinrichtungen, die das Office of Science des US-Energieministeriums externen Nutzern zur Verfügung stellt.

Im nächsten Schritt soll das Modell mit den Berechnungsdaten trainiert werden, um viele Zusammensetzungen der sechs ausgewählten Elemente schneller untersuchen zu können.

“Wir versuchen, den Materialwissenschaftlern mit ihren Trial‑and‑Error‑Ansätzen zu helfen, den relativen Prozentsatz der verschiedenen Elemente zu bestimmen, die zusammen gemischt werden müssen, um Legierungen zu erhalten, die zu disruptiven technologischen Fortschritten in der Fusion führen können.”

– Lupo Pasini

Der Einsatz von KI, um ein tieferes Verständnis der Komplexität von Materialien zu erlangen, entwickelt sich ebenfalls rasant. Im vergangenen Jahr leitete Lupo Pasini von ORNL ein Team von Rechenwissenschaftlern, das Datensätze von beispiellosem Ausmaß erzeugte, die die ultraviolett‑sichtbaren Spektraleigenschaften von über 10 Millionen organischen Molekülen bereitstellten. 

Das Verständnis der Wechselwirkung eines Moleküls mit Licht ist entscheidend, um seine elektronischen und optischen Eigenschaften zu enthüllen, die potenzielle fotoaktive Anwendungen in medizinischen Bildgebungssystemen und Solarzellen haben.

Die Quantenchemie‑Berechnungen wurden mit Hochleistungs‑Computing‑Ressourcen durchgeführt, um die umfangreichen Datensätze zu erzeugen. Diese Datensätze werden anschließend verwendet, um ein DL‑Modell zu trainieren, das Moleküle mit maßgeschneiderten optoelektronischen und photoreaktiven Eigenschaften identifiziert.

Damals bemerkte Lupo Pasini, dass die Bestimmung, wie Materie und Energie auf subatomarer Ebene interagieren, mittels arbeitsintensiver Experimente und bestehender First‑Principles‑Berechnungen, die Supercomputing‑Einrichtungen stark belasten können, schlicht unerschwinglich ist. DL‑Modelle hingegen „bieten sehr vielversprechende Werkzeuge, um diese Hürden zu überwinden.“

Das Team entwickelt eine HydraGNN‑Architektur, die die atomare Struktur aufnimmt und in einen Graphen umwandelt, bevor versucht wird, vorherzusagen, welche Ausgabe der First‑Principles‑Code erzeugen würde.

Anfang dieses Jahres zeigten Lupo Pasini und das Team die Skalierung von HydraGNN auf dem Perlmutter‑System sowie auf den Supercomputern Frontier und Summit. HydraGNN ist eine Implementierung von GNN‑Architekturen, um schnelle und genaue Vorhersagen von Materialeigenschaften zu erzeugen.

Mit der Illustration zeigte das Team, wie man Graph‑Neural‑Networks (GNNs) skaliert, um Verbindungen zwischen Tausenden oder sogar Millionen von Variablen zu kartieren und deren Beziehungen zu entschlüsseln, um wissenschaftliche Entdeckungen zu beschleunigen.

Unternehmen mit Aktivitäten in verwandten Bereichen

Sowohl die KI‑ als auch die Kernfusionsindustrie erhalten Milliarden von Dollar an Investitionen, was die Aufregung und Entwicklung rund um diese beiden transformierenden Technologien verdeutlicht. Schauen wir uns also einige prominente Namen aus diesen Bereichen an: 

#1. General Electric (GE)

General Electric, heute GE Aerospace (GE.TO ), ist von GE Vernova (GEV ) zu unterscheiden. Letzteres ist seit April 2024 ein eigenständiges börsennotiertes Unternehmen. GE Vernovas Kernenergiegeschäft umfasst unter anderem Spaltungsreaktoren und Brennstofftechnik; dies ist nicht mit kommerzieller Kernfusion gleichzusetzen.

Die historischen Aktiendaten des Artikels aus 2024 beziehen sich auf GE, nicht auf GE Vernova: rund 204,469 Milliarden Dollar Marktkapitalisierung und 188,94 Dollar Kurs, ein Plus von 47,83 % seit Jahresbeginn. Das EPS der letzten zwölf Monate betrug 4,28 Dollar, das KGV 44,09 und die Dividendenrendite 0,59 %. Dies sind keine aktuellen Werte.

Für das 2. Quartal 2024 meldete GE Vernova einen Gesamtumsatz von 8,2 Mrd. $ und einen Nettogewinn von 1,3 Mrd. $. Gleichzeitig überstiegen die Gesamtaufträge von 11,8 Mrd. $ den Umsatz um das 1,4‑fache. Der Cashflow aus operativen Tätigkeiten am Quartalsende betrug 1 Mrd. $, während der Kassenbestand von 5,8 Mrd. $ im Vergleich zu 4,2 Mrd. $ nach der Abspaltung von GE im April gestiegen ist.

“Globale Elektrifizierungs‑ und Dekarbonisierungstrends treiben die Nachfrage nach unseren Produkten und Dienstleistungen weiter an.”

– GE Vernova CEO Scott Strazik

#2. IBM (IBM)

Während NVIDIA (NVDA ) ein führender Anbieter im Bereich KI und Supercomputing ist, was die Aktienkurse in diesem Jahr um 134,76 % steigen ließ, gehört IBM ebenfalls zu den Spitzenreitern in Quantencomputing und KI‑Forschung. Die Quantencomputer des Unternehmens sind cloudbasierte Quantencomputingsysteme, die für Forschung und Erkundung genutzt werden können.

Durch das Durchführen komplexer Simulationen auf diesen Quantencomputern ermöglicht IBM entscheidende Durchbrüche in verschiedenen Sektoren. Vor ein paar Jahren schrieb das Unternehmen über die Optimierung der Kernstromerzeugung durch das Freischalten des Werts von Daten.

In den historischen Daten des Artikels aus 2024 hatte IBM eine Marktkapitalisierung von 201,54 Milliarden Dollar und einen Kurs von 218,80 Dollar, ein Plus von 34,82 % seit Jahresbeginn. Bei einem EPS von 9,53 Dollar ergibt sich ein KGV von etwa 22,96, nicht 2,95. Die Dividendenrendite wurde mit 3,05 % angegeben.

IBM meldete für das zweite Quartal 2024 einen Umsatz von 15,8 Milliarden Dollar, ein Plus von 2 %. Die Bruttomarge betrug nach GAAP 56,8 % und auf bereinigter operativer Basis 57,8 %. Auch die zweite Zahl bezeichnet eine Bruttomarge, keine operative Gewinnmarge. Der operative Cashflow im ersten Halbjahr lag bei 6,2 Milliarden Dollar, der freie Cashflow bei 4,5 Milliarden.

#3. ATI Inc. (ATI)

ATI ist auf die Produktion von Sondermetallen und Legierungen spezialisiert, und diese Expertise positioniert das Unternehmen gut für Anwendungen in Fusionsreaktoren. High‑Performance Materials & Components (HPMC) ist einer seiner Geschäftsbereiche, der Hochleistungs‑Materialien wie Titan und titanbasierte Legierungen herstellt, die in den Bereichen Energie, Medizin und Luft‑ und Raumfahrt eingesetzt werden. Advanced Alloys & Solutions (AA&S) ist ein weiterer Geschäftsbereich, der Zirkonium und verwandte Legierungen produziert, die in den Märkten Automobil, Elektronik, Energie und Verteidigung verwendet werden.

In den historischen Aktiendaten des Artikels aus 2024 hatte ATI eine Marktkapitalisierung von 8,20 Milliarden Dollar und einen Kurs von 66 Dollar, ein Plus von 44,74 % seit Jahresbeginn. Das EPS der letzten zwölf Monate betrug 2,94 Dollar und das KGV 22,48.

Für das 2. Quartal 2024 meldete ATI einen Umsatz von 1,1 Mrd. $, was einem Anstieg von 5 % gegenüber dem Vorquartal entspricht. Der Nettogewinn des Quartals betrug 81,9 Mio. $, bzw. 0,58 $ pro Aktie, ein Plus von 26 % gegenüber Q1 2024. Das bereinigte EBITDA des Unternehmens lag gleichzeitig bei 182,6 Mio. $.

“Unsere Umsetzung und Fähigkeit, Marktchancen zu nutzen, ermöglicht es uns, höhere Margen zu erzielen und einen starken operativen Cashflow zu generieren.”

– Kimberly A. Fields, Präsidentin und CEO

Fazit

Der KI‑Hype wächst stetig, und ihre Integration in die Kernfusionsforschung markiert einen Wendepunkt für beide Bereiche. Indem KI die komplexen Herausforderungen der Fusion angeht, hat sie das Potenzial, den Zeitplan für die Erreichung praktischer Fusionsenergie drastisch zu verkürzen.

Von Echtzeit‑Plasma‑Vorhersagen bis hin zur Entdeckung neuer Legierungen, die extremen Bedingungen standhalten, treiben KI‑basierte Fortschritte die Kernfusion stetig näher an die Realisierung, indem sie eine sauberere und nachhaltigere Energielösung für die globale Energiekrise bieten.

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.