Tekoäly ja ydinfuusio – Yhden mullistavan teknologian käyttäminen toisen edistämiseksi

 Tekoäly on yksi viimeisen vuosikymmenen merkittävimmistä teknologisista edistysaskelista, joka muuttaa toimialoja kaikilla tasoilla. On vaikea löytää alaa, jossa sen vaikutus ei olisi tunnettavissa, mukaan lukien ydinfuusio – teknologia, joka on yhtä mullistava kuin itse tekoäly.

Lähestymistapana lähes rajoittamattomana puhtaan energian lähteenä, ydinfuusio on lupaava energialähde, joka voi osoittautua mullistavaksi. 

Sen moniin etuihin kuuluvat runsas polttoaine, energiatehokkuus, vähäiset kasvihuonekaasut, luotettavuus, sisäänrakennettu turvallisuus ja kestävyys. Kuitenkin se on edelleen kokeellisessa vaiheessa.

Tämä on huolimatta siitä, että ydinfuusiotuloksen energiatallenne saavutettiin tänä vuonna, kun tiedemiesten ja insinöörien tiimi ylläpiti 69 megajoulea fuusiovoimaa viiden sekunnin ajan käyttäen vain 0,2 milligrammaa polttoainetta. Vaikka tämä energia riittää noin 12 000 kotitalouden virtaamiseen kyseisen ajan, se vaatii silti enemmän energiaa sisääntulona kuin tuottaa. 

Tähän mennessä tiedemiehet ovat pystyneet ylläpitämään fuusiota vain muutaman sekunnin ajan. Kuitenkin asiat saattavat muuttua tekoälyn ansiosta.

Jatkuvat läpimurrot tekoälyn alalla viime vuosina eivät ole vain tehneet siitä osaa jokapäiväistä elämäämme, vaan myös tehneet siitä kriittisen tieteellisten edistysaskeleiden saavuttamisessa. Tekoälyä tutkitaan nyt aktiivisesti ydinfuusion parantamiseksi useilla tavoilla. 

Alkaen fuusioreaktioiden hallinnasta ennustamalla ja estämällä epävakautta reaaliajassa, reaktorisuunnitelmien analysointiin parhaiden löytämiseksi, fuusioreaktioiden vakauden ylläpitämiseen pidempään ja jopa reaktorisuunnitelmien analysointiin ja plasmamuutosten ennustamiseen kuluttaman ajan ja rahan vähentämiseen – tekoälyn rooli ydinfuusiossa kasvaa nopeasti.

Vaikka suurimittainen energian tuottaminen ydinfuusiosta ei ehkä ole mahdollista ennen noin vuotta 2050, tekoäly on varmasti noussut lupaavaksi työkaluksi prosessin nopeuttamisessa.

Steven Cowley, professor of astrophysical sciences and laboratory director of the Energy Department’s Princeton Plasma Physics Laboratory (PPPL), uskoo:

“Fusion might turn out to be AI’s “killer app.”

Aikaisemmin tänä vuonna tiedemiehet raportoivat löytäneensä tavan ennustaa plasmassa esiintyviä epävakautta, joka on erittäin altis repeämiselle ja pakoon koneiden voimakentille, jotka on suunniteltu pitämään se sisällä, ja estämään ne reaaliajassa tekoälyn avulla.

AI-ohjain pystyi ennustamaan mahdollisen plasmarepeämän jopa 300 millisekuntia etukäteen, Princetonin yliopiston ja PPPL:n tutkijoiden suorittaman kokeen mukaan.

Häiriöt ovat yksi suurimmista esteistä ydinfuusiossa, sillä reaktorin halutaan toimivan 24/7 vuosien ajan ilman ongelmia. 

(Kun otetaan huomioon, että häiriöt ja epävakaudet) ovat erittäin ongelmallisia… tällaisten ratkaisujen kehittäminen lisää heidän luottamustaan siihen, että voimme käyttää näitä koneita ilman ongelmia.“

– Egemen Kolemen, tutkimuksen tekijä ja Princetonin yliopiston kone- ja avaruustekniikan professori

Tekoälyn rakentaminen uusien seosten löytämiseksi ydinfuusiolaitoksiin

Äskettäinen Oak Ridgein kansallinen laboratorio (ORNL) Yhdysvaltain energiaministeriön (DOE) alaisuudessa on luonut tekoälymallin, joka auttaa tunnistamaan uusia seoksia, joita käytetään ydinfuusioreaktoreissa suojana fuusiokomponenttien sijoittamiseen.

Hanke alkoi useita vuosia sitten David Womblen johdolla, entisenä tekoälyaloitteen johtajana, ja se on suuri askel ydinfuusiolaitosten parantamisessa. Myöhemmin se jatkui tekoälyn tieteellisen löydön (AISD) prioriteettitutkimusalueena.

Tutkimus totesi, että suurten laskennallisten lähestymistapojen nykyiset rajoitukset valaisevat uutta valoa koneoppimisen (ML) integroinnin mahdollisista hyödyistä perinteisessä materiaalitieteessä ja kvanttifysiikassa.

Syväoppimismallit (DL) ovat erityisesti olleet tehokkaita tallentamaan merkityksellisiä epälineaarisuuksia, jotka laukaistaan atomijärjestelmän atomikonfiguraatioista.

Kun DL-malli on koulutettu, sitä voidaan käyttää inferenssiin murto-osassa ajasta, jonka täyden DFT-laskennan suorittaminen vaatisi, samalla tuottaen tarkkoja tuloksia. Tämä merkittävä ajansäästö seosten ominaisuuksien ennustamisessa atomitiedon avulla nopeuttaa tehokkaasti uusien monikomponenttiseosten löytämistä ja suunnittelua.

Tutkimuksen keskiössä on siis seokset, jotka vaativat “poikkeuksellista suorituskykyä erittäin korkeissa lämpötiloissa.“ Tämä suorituskyky pitää kattaa sekä korkean lämpötilan kestävyyden että rakenteelliset mekaaniset ominaisuudet, joita seoksia tarvitaan monimutkaisissa ydinlaitoksissa. Jotta materiaali saavuttaisi korkean lujuuden korkeammassa lämpötilassa, sen hajoamislämpötilan on oltava korkeampi.

Näiden materiaalien valmistamiseen, volframia on perinteisesti käytetty pääelementtinä perinteisesti. Sillä välin lisäaineita lisätään täydennyksenä. Tuloksena oleva seoskoostumus on kestänyt korkeita lämpötiloja, mutta on ollut epäjohdonmukainen asianmukaisen suojauksen ylläpitämisessä.

Viime aikoina tutkijat ovat tarkastelleet näiden perinteisten teknologiamateriaalien korvaamista sillä, mitä ORNL:n tekoälydata-asiantuntija Massimiliano Lupo Pasini kuvaili “jotain täysin uutta ja mullistavaa.”

Mutta tietysti potentiaalisten metalliyhdistelmien tunnistaminen on suuri haaste, ottaen huomioon mahdollisuuksien valtava määrä.

Siksi tutkijat käyttivät tekoälyä kiertääkseen testausvaiheen ja löytäen käyttökelpoisia seosvaihtoehtoja tehokkaammin käyttökelpoisia seosvaihtoehtoja tehokkaammin . Tämä sisälsi datan tuottamisen tekoälymallin luomiseksi, joka löysi kolme elementtiä testattavaksi potentiaalisina uusia seoksia varten.

Tutkimuksen tulosten mukaan, jotka on julkaistu julkaistu tieteellisessä lehdessä Scientific Data, tiimi esitteli neljä avointa datasettiä. Datasetit sisälsivät tiheysfunktionaaliteorian (DFT) laskelmien tuloksia seosten perusolotilojen ominaisuuksista.

Käsitellyt seokset ovat niobium-vanadi (NbV), niobium-tantaali (NbTa), tantaali-vanadi (TaV) ja ternääriset seokset NbTaV, jotka on järjestetty body-centered-cubic (BCC) -rakenteisiin, joissa on 128 Bravaisin hilajärjestelmän paikkaa.

ORNL:n tekoälymalli on erittäin merkittävä ydinfuusion maailmassa koska tämä lupaava teknologia voi tarjota puhtaita ja lähes rajoittamattomia energian tarpeita täyttäviä materiaaleja, jotka kestävät äärimmäisiä lämpötiloja, säteilyä ja mekaanista rasitusta. Näin löytämällä korkean suorituskyvyn seoksia voimme varmistaa fuusioreaktoreiden pitkäikäisyyden ja luotettavuuden.

Uusien seosten tunnistamisen nopeuttamisen ja kustannustehokkuuden lisäksi sekä merkittävän esteen poistamisen ydinfuusioreaktorien käytännöllisyyden ja turvallisuuden saavuttamiseksi, tällainen tekoälymalli voi myös mahdollistaa mullistavia teknologisia edistysaskeleita ydinfuusiossa.

Tekoälypohjainen datamallinnus tieteellisten löytöjen nopeuttamiseksi

Tekoälyn luoman tietokannan omistaminen on vain yksi osa projektia. Seuraava osa käsittelee tuotetun datan käyttöä lisätutkimuksessa, joka koskee materiaalien löytämiseen ja suunnitteluun tarkoitettujen ML-mallien kehittämistä, kouluttamista ja käyttöönottoa.

Lupo Pasinin mukaan kuusi elementtiä tarvitaan tukemaan uusien kestävien korkea-entropy seosten suunnittelua. 

Korkea-entropy-seokset (HEA:t) ovat uusi raja-alue materiaalitieteilijöille, ja tällä hetkellä on hyvin vähän kokeellisia tuloksia. tutkimus muutama vuosi sitten kartoitti 14 elementtiä ja yhdistelmät, jotka tuottavat HEA:ita. Korkean läpimenoasteen kvanttimekaanisilla laskelmilla he löysivät yli 7 000 HEA:n vakauden ja elastiset ominaisuudet.

Tämä oli ilmeisesti “suurin tietokanta korkea-entropy-seosten elastisista ominaisuuksista,“ tutkimuksen kirjoittajan Wei Chenin, Illinois Institute of Technologyn materiaalitieteen ja tekniikan apulaisprofessorin, mukaan.

Nyt, viimeisimmässä tutkimuksessa on myös kyse kalliista kvanttimekaanisten laskelmien suorittamisesta olemassa olevilla supertietokoneilla. Joten “pelkkä data ei riitä.”

Toinen haaste, jonka tiimin piti voittaa näiden massiivisten laskelmien kanssa, oli aika. Tiimiltä kesti yli vuosi, että se lopulta suoritti laskelmat Perlmutter- ja Summit-supertietokoneilla ja tuotti dataa.

Summit-supertietokone on osa Oak Ridge Leadership Computing Facility -laitosta ja sijaitsee ORNL:ssä, kun taas Perlmutter sijaitsee Lawrence Berkeley National Laboratoryssa, ja molemmat laskentajärjestelmät ovat DOE:n Office of Science -käyttäjätiloja.

Seuraavassa vaiheessa tiimi käyttää tuotettua dataa kouluttaakseen tekoälymallin. Malli nopeuttaa laajaa yhdisteiden kirjoa, kun kuusi elementtiä sekoitetaan eri pitoisuuksina seoksina.

“Yritämme auttaa materiaalitieteilijöitä heidän kokeilu- ja erehdysmenetelmissään tunnistamaan eri elementtien suhteelliset prosenttiosuudet, jotka onsekoitettavayhdessä jotta syntyy seoksia, jotka voivat johtaa mullistaviin teknologisiin edistysaskeliin fuusiossa.“

– Lupo Pasini

Tekoälyn käyttö materiaalien monimutkaisuuden syvemmän ymmärtämisen saavuttamiseksi on myös edistynyt materiaalien syvemmässä tasossa nopeasti. Viime vuonna ORNL:n Lupo Pasini myös johti laskennallisten tiedemiesten tiimin, joka tuotti datasetit ennennäkemättömän mittakaavan datasetin, joka tarjosi yli 10 miljoonan orgaanisen molekyylin ultraviolettin näkyvän spektrin ominaisuuksia. 

Molekyylin vuorovaikutuksen valon kanssa ymmärtäminen on ratkaisevaa sen elektronisten ja optisten ominaisuuksien paljastamiseksi, joilla on potentiaalisia valoa aktivoivia sovelluksia lääketieteellisissä kuvantamisjärjestelmissä ja aurinkokennoissa.

Kvanttikemialliset laskelmat suoritettiin korkean suorituskyvyn laskentaresursseilla laajojen datasetien tuottamiseksi. Näitä datasettiä käytetään myöhemmin kouluttamaan DL-mallia, joka tunnistaa molekyylejä räätälöidyillä optoelektronisilla ja fotoreaktiivisilla ominaisuuksilla.

Silloin Lupo Pasini totesi, että aineen ja energian vuorovaikutuksen määrittäminen subatomitasolla työläiden kokeiden ja olemassa olevien perusperiaate-laskelmien avulla, jotka voivat helposti rasittaa supertietokoneita, on yksinkertaisesti liian kallista. DL-mallit tarjoavat kuitenkin “erittäin lupaavia työkaluja näiden esteiden voittamiseksi.”

Tiimi rakentaa HydraGNN-arkkitehtuuria, joka ottaa atomirakenteen syötteenä ja muuntaa sen graafiksi ennen kuin yrittää ennustaa, mitä perusperiaate-koodi tuottaisi tuloksena.

Aikaisemmin tänä vuonna Lupo Pasini ja tiimi osoittivat HydraGNN:n skaalautuvuuden Perlmutter-järjestelmässä samoin kuin Frontier- ja Summit-supertietokoneissa. HydraGNN on GNN-arkkitehtuurien toteutus tuottamaan nopeita ja tarkkoja materiaalien ominaisuuksien ennusteita.

Kuvauksen avulla tiimi osoitti juuri kuinka skaalata graafineuroverkkoja (GNN) kartoittamaan yhteyksiä tuhansien tai jopa miljoonien muuttujien välillä ja selvittämään niiden suhteita tieteellisen löytämisen nopeuttamiseksi.

Yritykset, jotka hyötyvät fuusiosta

Sekä tekoäly- että ydinfuusioalan teollisuudet näkevät miljardien dollarien investointeja, mikä osoittaa innostuksen ja kehityksen näiden kahden mullistavan teknologian ympärillä. Katsotaanpa joitakin merkittäviä nimiä näiltä aloilta: 

#1. General Electric (GE)

General Electric (GE.TO ) on mukana ydinvoiman tutkimuksessa ja kehityksessä GE Vernovan kautta, jonka tavoitteena on nopeuttaa matkaa kohti luotettavampaa, edullisempaa ja kestävämpää energiaa. Sen toiminta alalla sisältää uusia antureita ja kuvantamistekniikoita käytetyn ydinpolttoaineen materiaalien reaaliaikaiseen seurantaan, tarkastustekniikan nimeltä RADMASS, joka tekee polttoaineen uudelleenkäsittelystä edullisempaa, sekä kiehuvan veden ydinreaktorien (BWR) rakentamisen.

Markkina-arvolla $204,469 miljardia, yhtiön osakkeet kaupankäynnissä tällä hetkellä hintaan $188,94, noussut 47,83 % vuoden alusta. Sen EPS (TTM) on 4,28, P/E (TTM) 44,09 ja osinkotuotto 0,59 %.

Vuoden 2024 toisen neljänneksen osalta GE Vernova (GEV ) raportoi $8,2 miljardia kokonaistuloja ja $1,3 miljardia nettotulosta. Samaan aikaan kokonaistilaukset $11,8 miljardia ylittivät tulot 1,4‑kertaisesti. Toiminnasta syntynyt käteinen neljänneksen lopussa oli $1 miljardi, kun taas $5,8 miljardia käteissaldoa nousi $4,2 miljardiin GE:n spin-offin jälkeen huhtikuussa.

“Globaalit sähköistymis- ja hiilineutraaliustrendit jatkavat tuotteidemme ja palveluidemme kysynnän kasvattamista.”

– GE Vernova -toimitusjohtaja Scott Strazik

#2. IBM (IBM)

Vaikka NVIDIA (NVDA ) on johtava tekoälyn ja supertietokoneiden teknologiassa, jonka osakekurssi on noussut tänä vuonna 134,76 %, IBM on myös yksi johtavista kvanttitietokoneiden ja tekoälytutkimuksen alalla. Yhtiön kvanttitietokoneet ovat pilvipohjaisia kvanttitietojärjestelmiä, jotka voidaan käyttää tutkimukseen ja tutkimusmatkailuun.

Suorittamalla monimutkaisia simulaatioita näillä kvanttitietokoneilla IBM mahdollistaa kriittisiä läpimurtoja eri sektoreilla. Muutama vuosi sitten yhtiö kirjoitti ydinvoiman tuotannon optimoinnista avaamalla datan arvon.

Markkina-arvolla $201,54 miljardia, yhtiön osakkeet kaupankäynnissä tällä hetkellä hintaan $218,80, noussut 34,82 % vuoden alusta. Sen EPS (TTM) on 9,53, P/E (TTM) 2,95 ja osinkotuotto 3,05 %.

Vuoden 2024 toisen neljänneksen osalta IBM raportoi $15,8 miljardia liikevaihtoa, joka oli 2 %:n kasvu, suurin nousu nähtiin sen ohjelmistosegmentissä. Yhtiön bruttokateprosentti oli 56,8 % ja operatiivinen (Non-GAAP) 57,8 %. Toiminnasta syntynyt nettokäteinen rahavirta oli $6,2 miljardia vuoden alusta ja vapaa kassavirta $4,5 miljardia.

#3. ATI Inc. (ATI)

ATI on erikoismetallien ja seosten tuotannossa erikoistunut, ja tämä asiantuntemus asettaa sen hyvin fuusioreaktorisovelluksiin. High-Performance Materials & Components (HPMC) on yksi sen segmenteistä, joka tuottaa korkean suorituskyvyn materiaaleja, kuten titaania ja titaani-pohjaisia seoksia, joita käytetään energiassa, lääketieteessä ja avaruusteollisuudessa. Advanced Alloys & Solutions (AA&S) on toinen yritys, joka tuottaa zirkoniumia ja siihen liittyviä seoksia, joita käytetään auto-, elektroniikka-, energia- ja puolustusmarkkinoilla.

Markkina-arvolla $8,20 miljardia, yhtiön osakkeet kaupankäynnissä tällä hetkellä hintaan $66, noussut 44,74 % vuoden alusta. Sen EPS (TTM) on 2,94 ja P/E (TTM) 22,48.

Vuoden 2024 toisen neljänneksen osalta ATI raportoi $1,1 miljardia myyntiä, mikä oli 5 %:n nousu edellisestä neljänneksestä. Neljänneksen nettotulos oli $81,9 miljoonaa, eli $0,58 per osake, noussut 26 % 1Q24:sta. Samaan aikaan yhtiön säädetty EBITDA oli $182,6 miljoonaa.

“Suorituksemme ja kyky hyödyntää markkinamahdollisuuksia mahdollistavat marginaalien kasvattamisen ja vahvan operatiivisen kassavirran tuottamisen.”  

– Kimberly A. Fields, presidentti ja toimitusjohtaja

Yhteenveto

Tekoälyhulluus kasvaa jatkuvasti, ja sen integrointi ydinfuusiotutkimukseen merkitsee ratkaisevaa hetkeä molemmille aloille. Käsittelemällä fuusiosta johtuvia monimutkaisia haasteita tekoälyllä on potentiaali lyhentää dramaattisesti aikataulua käytännön fuusiovoiman saavuttamiseksi.

Reaaliaikaisista plasmaennusteista uusien seosten löytämiseen, jotka kestävät äärimmäisiä olosuhteita, tekoälypohjaiset edistysaskeleet vievät ydinfuusiota tasaisesti lähemmäs todellisuutta, tarjoten puhtaamman ja kestävämmän energiaratkaisun globaaliin energiakriisiin.

Klikkaa tästä oppiaksesi kaiken tekoälyyn sijoittamisesta.