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 seinen zahlreichen Vorteilen gehören reichlich Brennstoff, Energieeffizienz, minimale Treibhausgase, Zuverlässigkeit, inhärente Sicherheit und Nachhaltigkeit. Dennoch befindet sie sich noch im experimentellen Stadium.

Das trotz der Tatsache, dass ein Rekord für Kernfusionsenergie in diesem Jahr aufgestellt wurde, als ein Team von Wissenschaftlern und Ingenieuren 69 Megajoule Fusionsenergie für 5 Sekunden mit nur 0,2 Milligramm Brennstoff aufrechterhielt. Während diese Energiemenge ausreicht, um etwa 12.000 Haushalte für diese Dauer zu versorgen, benötigt sie dennoch mehr Energie als Eingabe, als sie erzeugt. 

Bisher konnten Wissenschaftler die Fusion nur für einige Sekunden aufrechterhalten. Doch dank KI könnte sich das bald ändern.

Stetige Durchbrüche im KI in den letzten Jahren haben sie nicht nur zu einem Teil unseres täglichen Lebens gemacht, sondern auch zu einem entscheidenden Faktor für wissenschaftliche Fortschritte. KI wird nun aktiv erforscht, um die Kernfusion auf verschiedene Weise zu verbessern. 

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 astrophysikalische Wissenschaften und Laborleiter des Energy Department’s Princeton Plasma Physics Laboratory (PPPL), glaubt:

“Fusion könnte sich als das „Killer‑App“ der KI erweisen.”

Anfang dieses Jahres berichteten Wissenschaftler, dass sie eine Methode gefunden haben, Instabilitäten im Plasma vorherzusagen, das stark zu Rissen und dem Entweichen aus den magnetischen Feldern der Maschinen neigt, die es enthalten sollen, und diese in Echtzeit mithilfe von KI zu verhindern.

Der KI‑Controller konnte potenzielle Plasmareißungen bis zu 300 Millisekunden im Voraus vorhersagen, wie das Experiment der Forscher der Princeton University und des PPPL zeigte.

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. 

Daher konzentrierte sich die Studie auf Legierungen, die erforderlich sind, um „außergewöhnliche Leistungen bei sehr hohen Temperaturen zu erzielen“. Diese Leistung muss sowohl in Bezug auf die Hitzebeständigkeit als auch auf die strukturellen mechanischen Eigenschaften, die für den Einsatz der Legierungen in komplexen Kernkraftwerken nötig sind, erbracht werden. Damit ein Material bei höheren Temperaturen hohe Festigkeit erreicht, muss seine Zersetzungstemperatur höher sein. 

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. 

Daher nutzten die Forscher KI, um die Testphase zu umgehen und nutzbare Legierungskandidaten effizienter zu entdecken. Dies beinhaltete die Generierung von Daten zur Erstellung des KI‑Modells, das drei Elemente für Tests als potenzielle neue Legierungskandidaten identifizierte.

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. 

Das KI‑Modell von ORNL ist von großer Bedeutung für die Kernfusion, da diese vielversprechende Technologie saubere und nahezu unbegrenzte Energie‑Bedarfs‑Materialien bereitstellen kann, die extrem hohen Temperaturen, Strahlung und mechanischer Belastung standhalten. Durch die Findung hochleistungsfähiger Legierungen können wir also die Langlebigkeit und Zuverlässigkeit von Fusionsreaktoren sichern.

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

Eine KI‑generierte Datenbank zu besitzen ist nur ein Teil des Projekts. Der nächste Teil besteht darin, die erzeugten Daten für weitere Forschungen zur Entwicklung, dem Training und dem Einsatz von ML‑Modellen für die Entdeckung und das Design von Materialien zu nutzen.

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.

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.

Im nächsten Schritt wird das Team die erzeugten Daten nutzen, um das KI‑Modell zu trainieren. Das Modell wird die enorme Bandbreite von Verbindungen beschleunigen, die durch das Mischen der sechs Elemente in unterschiedlichen Konzentrationen als Legierungen entstehen.

“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, die von der Fusion profitieren werden

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 (GE.TO ) ist über seine Sparte GE Vernova (GEV ) in Forschung und Entwicklung der Kernenergie tätig, die darauf abzielt, den Weg zu zuverlässigerer, erschwinglicherer und nachhaltiger Energie zu beschleunigen. Zu den Aktivitäten in diesem Bereich gehören neue Sensoren und Bildgebungstechniken, um verbrauchte Kernbrennstoffmaterialien in Echtzeit zu verfolgen, eine Inspektionstechnik namens RADMASS, um die Wiederaufbereitung von Brennstoffen erschwinglicher zu machen, sowie der Bau von Siedewasser‑Kernreaktoren (BWRs).

Mit einer Marktkapitalisierung von 204,469 Mrd. $ werden die Unternehmensanteile derzeit zu 188,94 $ gehandelt, ein Anstieg von 47,83 % im Jahresverlauf. Das Unternehmen weist ein EPS (TTM) von 4,28, ein KGV (TTM) von 44,09 und eine Dividendenrendite von 0,59 % auf.

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.

Mit einer Marktkapitalisierung von 201,54 Mrd. $ werden die Unternehmensanteile derzeit zu 218,80 $ gehandelt, ein Anstieg von 34,82 % im Jahresverlauf. Das Unternehmen weist ein EPS (TTM) von 9,53, ein KGV (TTM) von 2,95 und eine Dividendenrendite von 3,05 % auf.

Für das 2. Quartal 2024 meldete IBM einen Umsatz von 15,8 Mrd. $, was einem Anstieg von 2 % entspricht, wobei das größte Plus im Software‑Segment zu verzeichnen war. Die Bruttogewinnmarge des Unternehmens lag bei 56,8 %, während die operative (Non‑GAAP) Marge bei 57,8 % lag. Der Netto‑Cashflow aus operativen Tätigkeiten betrug im Jahresverlauf 6,2 Mrd. $, und der freie Cashflow lag bei 4,5 Mrd. $.

#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.

Mit einer Marktkapitalisierung von 8,20 Mrd. $ werden die Unternehmensanteile derzeit zu 66 $ gehandelt, ein Anstieg von 44,74 % im Jahresverlauf. Das Unternehmen weist ein EPS (TTM) von 2,94 und ein KGV (TTM) von 22,48 auf.

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.