Τεχνητή νοημοσύνη και πυρηνική σύντηξη: πώς η μία τεχνολογία υποστηρίζει την άλλη

 Η τεχνητή νοημοσύνη επηρεάζει πολλούς κλάδους και χρησιμοποιείται όλο και περισσότερο στην επιστημονική έρευνα. Ένα παράδειγμα είναι η πυρηνική σύντηξη, μια τεχνολογία με δυνητικά μεγάλη επίδραση στην παραγωγή ενέργειας.

Ως πιθανή μελλοντική πηγή ενέργειας χαμηλών εκπομπών, η πυρηνική σύντηξη προσελκύει σημαντικό ερευνητικό ενδιαφέρον.

Η σύντηξη υπόσχεται υψηλή ενεργειακή πυκνότητα και χαμηλές λειτουργικές εκπομπές. Ωστόσο, η παραγωγή τριτίου, η αντοχή των υλικών, η συντήρηση και η οικονομική βιωσιμότητα παραμένουν προκλήσεις. Δεν αποτελεί ακόμη εμπορική πηγή ηλεκτρικής ενέργειας.

Τον Φεβρουάριο του 2024 ανακοινώθηκε ρεκόρ παραγωγής ενέργειας στο JET από πειράματα του 2023: περίπου 69 megajoule ενέργειας σύντηξης σε πέντε δευτερόλεπτα, με περίπου 0,2 mg καυσίμου. Το αποτέλεσμα δεν ήταν καθαρή παραγωγή ηλεκτρισμού για νοικοκυριά· η συνολική εγκατάσταση κατανάλωνε περισσότερη ενέργεια.

Η διάρκεια διατήρησης πλάσματος και η διάρκεια υψηλής παραγωγής ενέργειας σύντηξης είναι διαφορετικά μεγέθη. Ορισμένες συσκευές διατηρούν πλάσμα πολύ περισσότερο από λίγα δευτερόλεπτα. Η τεχνητή νοημοσύνη ερευνάται ως βοήθημα για καλύτερο έλεγχο.

Οι συνεχείς πρόοδοι στην AI τα τελευταία χρόνια δεν την έχουν μόνο ενσωματώσει στην καθημερινή μας ζωή, αλλά την έχουν καταστήσει κρίσιμη για την επίτευξη επιστημονικών προόδων. Η AI εξερευνάται ενεργά τώρα για τη βελτίωση της πυρηνικής σύντηξης με διάφορους τρόπους. 

Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην πρόβλεψη ορισμένων ασταθειών, στη ρύθμιση του πλάσματος και στην ταχύτερη αξιολόγηση σχεδίων ή υλικών. Η αποτελεσματικότητά της πρέπει να ελέγχεται σε κάθε εφαρμογή· δεν επιλύει αυτόματα όλα τα προβλήματα ενός αντιδραστήρα.

Δεν υπάρχει βέβαιο χρονοδιάγραμμα για εμπορική ηλεκτροπαραγωγή από σύντηξη. Η τεχνητή νοημοσύνη μπορεί να επιταχύνει επιμέρους εργασίες, χωρίς να εγγυάται συγκεκριμένη ημερομηνία.

Ο Steven Cowley, τότε διευθυντής του Εργαστηρίου Φυσικής Πλάσματος του Πρίνστον (PPPL), θεωρούσε τη σύντηξη ιδιαίτερα σημαντική εφαρμογή για την τεχνητή νοημοσύνη:

Η σύντηξη θα μπορούσε να αποτελέσει μία από τις καθοριστικές εφαρμογές της τεχνητής νοημοσύνης.

Στις αρχές του 2024, ερευνητές του Πρίνστον και του PPPL παρουσίασαν έναν ελεγκτή που προέβλεπε συγκεκριμένες αστάθειες τύπου tearing και προσάρμοζε παραμέτρους λειτουργίας σε πραγματικό χρόνο.

Στα πειράματα στο DIII-D, ο ελεγκτής προέβλεπε αυτές τις αστάθειες έως 300 χιλιοστά του δευτερολέπτου νωρίτερα. Το αποτέλεσμα δεν σημαίνει ότι προβλέπει κάθε πιθανή διαταραχή.

Οι διαταραχές του πλάσματος αποτελούν σημαντικό εμπόδιο. Μια μελλοντική εμπορική εγκατάσταση θα χρειάζεται υψηλή διαθεσιμότητα, αλλά και προγραμματισμένη συντήρηση.

Ο Egemen Kolemen εξήγησε ότι η πρόοδος στον έλεγχο των ασταθειών ενισχύει την προοπτική αξιόπιστης λειτουργίας. Δεν δήλωνε ότι είχε ήδη επιτευχθεί λειτουργία χωρίς προβλήματα.

— Egemen Kolemen, συντάκτης της μελέτης και καθηγητής στο Πρίνστον

Τεχνητή νοημοσύνη για τον σχεδιασμό νέων κραμάτων σύντηξης

Το ORNL δημιούργησε υπολογιστικά δεδομένα για κράματα που θα μπορούσαν να αξιοποιηθούν σε εξαρτήματα μελλοντικών εγκαταστάσεων σύντηξης.

Το έργο εντάχθηκε στην πρωτοβουλία Τεχνητή Νοημοσύνη για Επιστημονικές Ανακαλύψεις (AISD), μετά από προηγούμενη υποστήριξη του David Womble.

Οι ακριβείς υπολογισμοί μπορεί να είναι ιδιαίτερα απαιτητικοί. Η μηχανική μάθηση εξετάζεται ως συμπληρωματικό εργαλείο, όχι ως αντικατάσταση κάθε υπολογισμού ή πειράματος.

Τα μοντέλα βαθιάς μάθησης μπορούν να μάθουν μη γραμμικές σχέσεις ανάμεσα στην ατομική διάταξη και στις ιδιότητες υλικών, μέσα στα όρια των δεδομένων εκπαίδευσης.

Μετά την εκπαίδευση, ένα μοντέλο μπορεί να δίνει προβλέψεις πολύ ταχύτερα από έναν πλήρη υπολογισμό θεωρίας συναρτησιακού της πυκνότητας (DFT). Η ακρίβεια δεν είναι αυτόματη: απαιτούνται ανεξάρτητος έλεγχος και προσοχή σε νέες χημικές συνθέσεις.

Τα υποψήφια υλικά πρέπει να αντέχουν θερμότητα, ακτινοβολία και μηχανικά φορτία. Δεν αρκεί απλώς ένα υψηλό σημείο τήξης ή μια «θερμοκρασία αποσύνθεσης».

Το βολφράμιο και άλλα πυρίμαχα μέταλλα ερευνώνται για απαιτητικές πυρηνικές εφαρμογές. Κάθε σύνθεση έχει διαφορετικούς περιορισμούς.

Η ομάδα διερεύνησε εναλλακτικούς συνδυασμούς μετάλλων.

Ο μεγάλος αριθμός πιθανών συνθέσεων δυσκολεύει την αναζήτηση.

Η υπολογιστική προσέγγιση βοηθά στην επιλογή υποψηφίων για περαιτέρω έλεγχο· δεν καταργεί τα πειράματα.

Η δημοσίευση στο Scientific Data παρουσίασε τέσσερα ανοικτά σύνολα δεδομένων DFT για ιδιότητες της θεμελιώδους κατάστασης.

Αφορούσαν τα κράματα NbV, NbTa, TaV και NbTaV σε χωροκεντρωμένες κυβικές δομές (BCC) με 128 θέσεις πλέγματος.

Η σύντηξη χρειάζεται υλικά ανθεκτικά σε θερμότητα, ακτινοβολία και καταπόνηση. Τα δεδομένα μπορεί να βοηθήσουν τον σχεδιασμό τους, αλλά δεν αποτελούν ήδη πιστοποιημένα υλικά αντιδραστήρα.

Η ταχύτερη αξιολόγηση υποψηφίων μπορεί να μειώσει μέρος του ερευνητικού κόστους. Η πρακτική καταλληλότητα χρειάζεται επιβεβαίωση.

Δεδομένα και μοντέλα για επιστημονικές ανακαλύψεις

Τα δεδομένα προήλθαν από υπολογισμούς πρώτων αρχών και προορίζονταν για ανάπτυξη και εκπαίδευση μοντέλων μηχανικής μάθησης.

Η ευρύτερη ερευνητική προσπάθεια στόχευε σε έξι στοιχεία. Αυτό δεν σημαίνει ότι κάθε κράμα υψηλής εντροπίας απαιτεί ακριβώς έξι.

Τα κράματα υψηλής εντροπίας αποτελούν ενεργό πεδίο έρευνας. Προγενέστερες υπολογιστικές μελέτες αξιολόγησαν χιλιάδες πιθανές συνθέσεις, αλλά οι προβλέψεις δεν ισοδυναμούν με πειραματική πιστοποίηση.

Ο Wei Chen του Illinois Institute of Technology συμμετείχε σε σχετική έρευνα υπολογιστικού σχεδιασμού υλικών.

Τα δεδομένα από μόνα τους δεν αρκούν: απαιτούνται κατάλληλα μοντέλα και έλεγχος των προβλέψεων.

Η παραγωγή των δεδομένων χρειάστηκε πάνω από έναν χρόνο υπολογιστικής εργασίας.

Ο υπερυπολογιστής Summit αποτελεί μέρος του Oak Ridge Leadership Computing Facility και βρίσκεται στο ORNL, ενώ ο Perlmutter στεγάζεται στο Εθνικό Εργαστήριο Lawrence Berkeley. Και τα δύο υπολογιστικά συστήματα είναι εγκαταστάσεις ανοικτές σε ερευνητές του Γραφείου Επιστημών του Υπουργείου Ενέργειας των ΗΠΑ.

Στόχος ήταν η εκπαίδευση μοντέλου για ταχύτερη διερεύνηση συνθέσεων και συγκεντρώσεων.

Ο Lupo Pasini περιέγραψε την προσπάθεια ως υποστήριξη των επιστημόνων υλικών στην επιλογή συνθέσεων προς δοκιμή.

– Lupo Pasini

Το 2023, άλλη ομάδα του ORNL δημοσίευσε υπολογισμένα δεδομένα υπεριώδους–ορατού φάσματος για περισσότερα από δέκα εκατομμύρια οργανικά μόρια. Πρόκειται για ξεχωριστή εργασία από τη μελέτη κραμάτων.

Η κατανόηση της αλληλεπίδρασης ενός μορίου με το φως είναι κρίσιμη για την αποκάλυψη των ηλεκτρονικών και οπτικών του ιδιοτήτων, που έχουν πιθανές φωτοενεργές εφαρμογές σε συστήματα ιατρικής απεικόνισης και ηλιακά κύτταρα.

Υπολογισμοί κβαντικής χημείας παρήγαγαν τα δεδομένα. Αυτά μπορούν να χρησιμοποιηθούν στην εκπαίδευση μοντέλων για ιδιότητες μορίων, χωρίς να εγγυώνται ότι κάθε προτεινόμενο μόριο θα είναι πρακτικά χρήσιμο.

Οι υπολογισμοί πρώτων αρχών σε τόσο μεγάλη κλίμακα είναι απαιτητικοί. Τα μοντέλα βαθιάς μάθησης μπορούν να λειτουργήσουν ως ταχύτερες προσεγγίσεις, με έλεγχο της ακρίβειάς τους.

Το HydraGNN αναπαριστά μοριακές ή ατομικές δομές ως γράφους, με άτομα και σχέσεις μεταξύ τους, και προβλέπει επιλεγμένες ιδιότητες. Δεν μετατρέπει τη δομή ενός μεμονωμένου ατόμου σε πλήρες μοντέλο υλικού.

Η ομάδα παρουσίασε την κλιμάκωση του HydraGNN σε υπερυπολογιστικά συστήματα. Πρόκειται για γραφικά νευρωνικά δίκτυα που μπορούν να εκπαιδεύονται σε μεγάλα σύνολα δεδομένων.

Η κλιμάκωση επιτρέπει μεγαλύτερους υπολογισμούς και περισσότερα δεδομένα. Η αξιοπιστία των προβλέψεων παραμένει ζήτημα αξιολόγησης.

Εταιρείες με δραστηριότητες σε συναφείς τομείς

Οι επενδύσεις στην τεχνητή νοημοσύνη και στη σύντηξη προσελκύουν ενδιαφέρον. Οι παρακάτω εταιρείες δραστηριοποιούνται σε ευρύτερους σχετικούς κλάδους· δεν είναι όλες άμεσες επενδύσεις σε εμπορική σύντηξη και δεν υπάρχει εγγυημένο όφελος.

#1. General Electric (GE)

Η General Electric, μετέπειτα GE Aerospace, (GE ) και η GE Vernova (GEV ) είναι διαφορετικές εισηγμένες μετά τον διαχωρισμό της 2ας Απριλίου 2024. Η πυρηνική δραστηριότητα της GE Vernova αφορά κυρίως σχάση, όπως αντιδραστήρες ζέοντος ύδατος (BWR), και δεν πρέπει να συγχέεται με σύντηξη.

Τα στοιχεία που παρατίθενται για τη μετοχή GE —τιμή 188,94 δολάρια, κεφαλαιοποίηση περίπου 204,469 δισ., ετήσια άνοδος 47,83%, EPS 4,28, P/E 44,09 και μερισματική απόδοση 0,59%— είναι ιστορικό στιγμιότυπο. Δεν είναι στοιχεία της GEV ούτε τρέχουσες τιμές.

Ξεχωριστά, η GE Vernova ανέφερε για το δεύτερο τρίμηνο 2024 έσοδα 8,2 δισ. δολαρίων και καθαρά κέρδη 1,3 δισ. Οι παραγγελίες ήταν 11,8 δισ., περίπου 1,4 φορές τα έσοδα. Οι λειτουργικές ταμειακές ροές του τριμήνου ήταν περίπου 1 δισ. και τα διαθέσιμα στο τέλος του 5,8 δισ., έναντι 4,2 δισ. κατά τον διαχωρισμό.

Ο Scott Strazik τόνισε τη ζήτηση για προϊόντα και υπηρεσίες της GE Vernova λόγω εξηλεκτρισμού και απανθρακοποίησης.

— Scott Strazik, διευθύνων σύμβουλος της GE Vernova το 2024

#2. IBM (IBM)

Η NVIDIA (NVDA ) δραστηριοποιείται στην τεχνητή νοημοσύνη και στους υπολογιστές υψηλών επιδόσεων. Η αναφερόμενη άνοδος 134,76% αφορά την περίοδο του άρθρου. Η IBM προσφέρει επίσης έρευνα στην τεχνητή νοημοσύνη και πρόσβαση σε κβαντικούς υπολογιστές μέσω νέφους.

Η προσομοίωση και η ανάλυση δεδομένων μπορούν να υποστηρίξουν την ενεργειακή έρευνα. Αυτό δεν αποδεικνύει ότι οι σημερινοί κβαντικοί υπολογιστές έχουν ήδη λύσει τα προβλήματα της σύντηξης ή ότι κάθε πυρηνική εφαρμογή αφορά σύντηξη.

Το ιστορικό στιγμιότυπο της IBM αναφέρει κεφαλαιοποίηση 201,54 δισ. δολαρίων, τιμή 218,80 δολάρια, ετήσια άνοδο 34,82%, EPS 9,53 και μερισματική απόδοση 3,05%. Με αυτή την τιμή και το EPS, ο λόγος P/E είναι περίπου 22,96, όχι 2,95. Τα στοιχεία δεν είναι τρέχουσα αποτίμηση.

Για το δεύτερο τρίμηνο 2024, η IBM ανακοίνωσε έσοδα 15,8 δισ. δολαρίων, αύξηση 2% σε ετήσια βάση. Το μικτό περιθώριο ήταν 56,8% κατά GAAP και 57,8% σε προσαρμοσμένη βάση. Οι λειτουργικές ταμειακές ροές 6,2 δισ. και οι ελεύθερες ταμειακές ροές 4,5 δισ. αφορούσαν το πρώτο εξάμηνο, όχι ένα ολόκληρο έτος ή μόνο το δεύτερο τρίμηνο.

#3. ATI Inc. (ATI)

Η ATI παράγει εξειδικευμένα μέταλλα και κράματα για αεροδιαστημική, άμυνα, ενέργεια και άλλους κλάδους. Οι δυνατότητες σε υλικά υψηλών επιδόσεων μπορεί να είναι συναφείς με μελλοντικές πυρηνικές εφαρμογές, αλλά δεν αποδεικνύουν ήδη εμπορικά έσοδα από σύντηξη.

Τα αναφερόμενα στοιχεία της ATI —κεφαλαιοποίηση 8,20 δισ. δολαρίων, τιμή 66 δολάρια, ετήσια άνοδος 44,74%, EPS 2,94 και P/E περίπου 22,48— είναι ιστορικό στιγμιότυπο και όχι τρέχουσα αποτίμηση.

Για το δεύτερο τρίμηνο 2024, η ATI ανέφερε πωλήσεις περίπου 1,1 δισ. δολαρίων, αυξημένες κατά 5% έναντι του πρώτου τριμήνου. Τα καθαρά κέρδη που αναλογούσαν στην ATI ήταν 81,9 εκατ. και τα απομειωμένα κέρδη ανά μετοχή 0,58 δολάρια. Η άνοδος 26% αφορούσε τα κέρδη ανά μετοχή· τα καθαρά κέρδη αυξήθηκαν περίπου 24%. Το προσαρμοσμένο EBITDA ήταν 182,6 εκατ.

Η Kimberly A. Fields απέδωσε τη βελτίωση στην εκτέλεση των σχεδίων της εταιρείας και στην αξιοποίηση της ζήτησης της αγοράς.

— Kimberly A. Fields, πρόεδρος και διευθύνουσα σύμβουλος της ATI το 2024

Συμπέρασμα

Η εφαρμογή τεχνητής νοημοσύνης στην έρευνα σύντηξης μπορεί να βοηθήσει στον έλεγχο του πλάσματος και στον σχεδιασμό υλικών. Το πόσο θα επιταχύνει την εμπορική αξιοποίηση παραμένει αβέβαιο.

Οι πρόοδοι αυτοί είναι σημαντικά ερευνητικά βήματα. Δεν αποτελούν ακόμη ολοκληρωμένη λύση ηλεκτροπαραγωγής ούτε καταργούν τις ανάγκες για πειράματα, μηχανική ανάπτυξη και οικονομική αξιολόγηση.

Κάντε κλικ εδώ για να μάθετε όλα όσα χρειάζεται να γνωρίζετε για την επένδυση στην τεχνητή νοημοσύνη.