IA et Fusion Nucléaire – Utiliser une Technologie Disruptive pour Faire Progresser l’Autre

 L’intelligence artificielle est l’une des principales avancées technologiques de la dernière décennie, transformant les industries dans tous les domaines. Il y a à peine un secteur où son impact ne se fait pas sentir, y compris la fusion nucléaire — une technologie aussi disruptive que l’IA elle-même.

Encensée comme une source d’énergie propre quasi illimitée, la fusion nucléaire est une source d’énergie prometteuse qui peut s’avérer décisive. 

Parmi ses nombreux avantages figurent le combustible abondant, l’efficacité énergétique, les faibles émissions de gaz à effet de serre, la fiabilité, la sécurité intrinsèque et la durabilité. Cependant, elle est encore au stade expérimental.

Cela malgré le fait qu’un record d’énergie de fusion nucléaire a été atteint cette année lorsqu’une équipe de scientifiques et d’ingénieurs a maintenu 69 mégajoules d’énergie de fusion pendant 5 secondes en n’utilisant que 0,2 milligramme de combustible. Bien que cette énergie suffise à alimenter environ 12 000 foyers pendant cette durée, elle nécessite encore plus d’énergie en entrée qu’elle n’en génère. 

Jusqu’à présent, les scientifiques n’ont pu maintenir la fusion que pendant quelques secondes. Cependant, les choses pourraient bientôt changer grâce à l’IA.

Les percées continues dans l’IA ces dernières années n’ont pas seulement fait d’elle une partie de notre quotidien, mais l’ont également rendue essentielle pour réaliser des avancées scientifiques. L’IA est désormais activement explorée pour améliorer la fusion nucléaire de plusieurs manières. 

De la maîtrise des réactions de fusion en prédisant et en prévenant les instabilités en temps réel à l’analyse des conceptions de réacteurs pour identifier les meilleures, en maintenant un contrôle stable des réactions de fusion sur de plus longues périodes, et même en réduisant le temps et le coût d’analyse des conceptions de réacteurs et de la prédiction des changements de plasma — le rôle de l’IA dans la fusion nucléaire croît rapidement.

Bien que la production d’énergie à grande échelle à partir de la fusion nucléaire ne soit peut-être pas possible avant environ 2050, l’IA s’est clairement imposée comme un outil prometteur pour accélérer ce processus.

Steven Cowley, professeur de sciences astrophysiques et directeur du laboratoire du Princeton Plasma Physics Laboratory (PPPL) du Département de l’Énergie, croit:

“La fusion pourrait s’avérer être l’application « killer » de l’IA.”

Plus tôt cette année, des scientifiques ont annoncé avoir trouvé un moyen de prévoir les instabilités du plasma, qui est très sensible aux déchirures et à l’échappement des champs magnétiques des machines conçues pour le contenir, et d’empêcher leur survenue en temps réel grâce à l’IA.

Le contrôleur IA a pu prédire les déchirures potentielles du plasma jusqu’à 300 millisecondes à l’avance, selon l’expérience menée par les chercheurs de l’Université de Princeton et du PPPL.

Les perturbations sont l’un des grands obstacles à la fusion nucléaire, car on souhaite que le réacteur fonctionne 24 h/24 pendant des années sans aucun problème. 

“(Étant donné que les perturbations et les instabilités sont) très problématiques… développer des solutions comme celle-ci augmente leur confiance que nous pouvons faire fonctionner ces machines sans aucun problème.”

– Egemen Kolemen, auteur de l’étude et professeur de génie mécanique et aérospatial à l’Université de Princeton

Construire l’IA pour Découvrir de Nouveaux Alliages pour les Installations de Fusion Nucléaire

Une étude récente du Oak Ridge National Laboratory (ORNL) du Département de l’Énergie (DOE) a créé un modèle d’IA pour aider à identifier de nouveaux alliages qui sont utilisés dans les réacteurs de fusion nucléaire comme blindage pour les composants des applications de fusion.

Le projet a débuté il y a plusieurs années sous la direction de David Womble, ancien directeur de l’Initiative IA, et constitue une avancée majeure pour l’amélioration des installations de fusion nucléaire. Il a ensuite poursuivi en tant que domaine de recherche prioritaire sous l’Intelligence Artificielle pour la Découverte Scientifique (AISD).

Les limites actuelles des approches computationnelles à grande échelle, a noté l’étude, mettent en lumière le bénéfice potentiel d’intégrer le ML dans la science des matériaux traditionnelle et la mécanique quantique.

Les modèles d’apprentissage profond (DL), en particulier, se sont révélés efficaces pour enregistrer les non‑linéarités pertinentes qui sont déclenchées par les configurations atomiques d’un système atomique.

Une fois le modèle DL entraîné, il peut être utilisé pour l’inférence en une fraction du temps nécessaire à une calcul complet DFT tout en produisant des résultats précis. Cette économie de temps considérable dans la prévision des propriétés des alliages à partir d’informations atomiques accélère efficacement la découverte et la conception de nouveaux alliages multi‑composants.

Ainsi, l’accent de l’étude a été mis sur les alliages, qui doivent « atteindre des performances exceptionnelles à très hautes températures ». Cette performance doit concerner à la fois la résistance aux hautes températures et les propriétés mécaniques structurelles requises pour l’utilisation des alliages dans des installations nucléaires complexes. Pour qu’un matériau atteigne une haute résistance à une température plus élevée, sa température de décomposition doit être plus élevée. 

Pour fabriquer ces matériaux, le tungstène a été utilisé comme élément principal traditionnellement. D’autres éléments sont ajoutés en complément. La composition d’alliage résultante a été résistante aux hautes températures mais incohérente dans le maintien d’un blindage adéquat.

Récemment, des chercheurs ont étudié le remplacement de ces matériaux technologiques standard par ce que le data scientist IA d’ORNL Massimiliano Lupo Pasini a décrit comme « quelque chose de complètement nouveau et disruptif ».

Mais, bien sûr, identifier les combinaisons métalliques potentielles représente un grand défi, compte tenu du nombre immense de possibilités. 

Ainsi, les chercheurs ont utilisé l’IA pour contourner la période de test et découvrir des candidats alliages utilisables de manière plus efficace. Cela a impliqué la génération de données pour créer le modèle IA qui a identifié trois éléments à tester comme potentiels nouveaux candidats alliages.

Selon les résultats de l’étude, qui sont publiés dans la revue Scientific Data, l’équipe a présenté quatre ensembles de données open source. Les ensembles de données fournissent les résultats des calculs de la théorie fonctionnelle de la densité (DFT) des propriétés d’état fondamental des alliages. 

Les alliages concernés sont le niobium-vanadium (NbV), le niobium-tantalum (NbTa), le tantale-vanadium (TaV) et les alliages ternaires NbTaV ordonnés en structures cubiques à corps centré (BCC) avec 128 sites de réseau de Bravais. 

Le modèle IA d’ORNL revêt une grande importance dans le domaine de la fusion nucléaire car cette technologie prometteuse peut fournir des matériaux propres et presque illimités répondant aux besoins énergétiques capables de résister à des températures extrêmement élevées, aux radiations et aux contraintes mécaniques. Ainsi, en trouvant des alliages haute performance, nous pouvons garantir la longévité et la fiabilité des réacteurs de fusion.

En plus d’aider à identifier de nouveaux alliages beaucoup plus rapidement et à moindre coût et d’éliminer un obstacle majeur dans la mise au point de réacteurs de fusion nucléaire pratiques et sûrs, un tel modèle IA peut également permettre des avancées technologiques disruptives dans la fusion nucléaire.

Modélisation de Données Pilotée par l’IA pour Accélérer les Découvertes Scientifiques

Disposer d’une base de données générée par IA n’est qu’une partie du projet. La partie suivante consiste à utiliser les données générées pour des recherches supplémentaires concernant le développement, l’entraînement et le déploiement de modèles ML pour la découverte et la conception de matériaux.

Selon Lupo Pasini, six éléments sont nécessaires pour soutenir la conception de nouveaux alliages réfractaires à haute entropie. 

Les alliages à haute entropie, ou HEA, représentent une nouvelle frontière pour les scientifiques des matériaux, et actuellement, il existe très peu de résultats expérimentaux. Une étude d’il y a quelques années a passé en revue 14 éléments et les combinaisons produisant des HEA. En utilisant des calculs quantiques à haut débit, ils ont trouvé la stabilité et les propriétés élastiques de plus de 7 000 HEA. 

C’était, selon l’auteur de l’étude Wei Chen, professeur associé de science et génie des matériaux à l’Illinois Institute of Technology, « la plus grande base de données des propriétés élastiques des alliages à haute entropie ».

Aujourd’hui, pour la dernière étude, il y a également la question de la tâche coûteuse de réaliser des calculs quantiques sur les supercalculateurs existants. Ainsi, « les seules données ne seront pas suffisantes ».

Un autre défi que l’équipe a dû surmonter avec ces calculs massifs était le temps. Il a fallu plus d’un an à l’équipe pour finalement réaliser les calculs sur les superordinateurs Perlmutter et Summit et générer les données.

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.

Dans l’étape suivante, l’équipe utilisera les données générées pour entraîner le modèle IA. Le modèle accélérera la vaste gamme de composés en raison du mélange des six éléments à différentes concentrations sous forme d’alliages.

« Nous essayons d’aider les scientifiques des matériaux dans leurs approches d’essais et d’erreurs pour identifier le pourcentage relatif des différents éléments qui doivent être mélangés ensemble afin de concevoir des alliages pouvant conduire à des avancées technologiques disruptives dans la fusion. »

– Lupo Pasini

L’utilisation de l’IA pour comprendre les complexités des matériaux à un niveau plus profond progresse également à un rythme rapide. L’année dernière, Lupo Pasini d’ORNL a également dirigé une équipe de scientifiques computationnels qui ont généré des ensembles de données d’une ampleur sans précédent fournissant les propriétés spectrales ultraviolettes et visibles de plus de 10 millions de molécules organiques. 

Comprendre l’interaction d’une molécule avec la lumière est crucial pour révéler ses propriétés électroniques et optiques, qui ont des applications photoactives potentielles dans les systèmes d’imagerie médicale et les cellules solaires.

Les calculs de chimie quantique ont été exécutés en utilisant des ressources de calcul haute performance pour générer les vastes ensembles de données. Ces ensembles de données seront ensuite utilisés pour entraîner un modèle DL afin d’identifier des molécules avec des propriétés optoélectroniques et photoréactives sur mesure.

À l’époque, Lupo Pasini a noté que déterminer comment la matière et l’énergie interagissent au niveau subatomique via des expériences laborieuses et des calculs de première principe existants, qui peuvent facilement surcharger les installations de supercalcul, est simplement inabordable. Les modèles DL, cependant, « offrent des outils très prometteurs pour surmonter ces barrières ».

L’équipe construit une architecture HydraGNN qui prend la structure atomique et la convertit en graphe avant d’essayer de prédire ce que le code de première principe produirait comme sortie.

Plus tôt cette année, Lupo Pasini et son équipe ont démontré l’évolutivité d’HydraGNN sur le système Perlmutter ainsi que sur les superordinateurs Frontier et Summit. HydraGNN est une implémentation d’architectures GNN pour produire des prédictions rapides et précises des propriétés des matériaux.

Avec l’illustration, l’équipe a montré simplement comment mettre à l’échelle les réseaux de neurones graphiques (GNN) pour cartographier les connexions entre des milliers voire des millions de variables et démêler leurs relations afin d’accélérer la découverte scientifique.

Entreprises qui Bénéficieront de la Fusion 

Les industries de l’IA et de la fusion nucléaire voient toutes deux des milliards de dollars d’investissement, ce qui montre l’enthousiasme et le développement entourant ces deux technologies transformatrices. Voyons donc quelques noms de premier plan dans ces domaines : 

#1. General Electric (GE)

General Electric (GE.TO ) participe à la recherche et au développement de l’énergie nucléaire via sa filiale GE Vernova (GEV ), qui vise à accélérer la voie vers une énergie plus fiable, abordable et durable. Ses efforts dans le domaine comprennent de nouveaux capteurs et techniques d’imagerie pour suivre en temps réel les matériaux de combustible nucléaire usés, une technique d’inspection appelée RADMASS pour rendre le retraitement du combustible plus abordable, et la construction de réacteurs nucléaires à eau bouillante (BWR).

Avec une capitalisation boursière de 204,469 milliards de dollars, les actions de la société se négocient actuellement à 188,94 $, en hausse de 47,83 % depuis le début de l’année. Elle affiche un BPA (TTM) de 4,28, un PER (TTM) de 44,09 et un rendement du dividende de 0,59 %.

Pour le deuxième trimestre 2024, GE Vernova a déclaré un chiffre d’affaires total de 8,2 milliards de dollars et un bénéfice net de 1,3 milliard de dollars. Parallèlement, les commandes totales de 11,8 milliards de dollars ont dépassé le chiffre d’affaires d’un facteur 1,4. La trésorerie provenant des activités opérationnelles à la fin du trimestre s’élevait à 1 milliard de dollars, tandis que le solde de trésorerie de 5,8 milliards de dollars était en hausse par rapport à 4,2 milliards de dollars après la scission de GE en avril.

“Les tendances mondiales d’électrification et de décarbonisation continuent de stimuler la demande pour nos produits et services.”

– PDG de GE Vernova, Scott Strazik

#2. IBM (IBM)

Alors que NVIDIA (NVDA ) est un leader dans la technologie IA et le supercalcul, ce qui a fait grimper son cours de 134,76 % cette année, IBM figure également parmi les leaders du calcul quantique et de la recherche IA. Les ordinateurs quantiques de l’entreprise sont des systèmes de calcul quantique basés sur le cloud qui peuvent être utilisés pour la recherche et l’exploration.

En exécutant des simulations complexes sur ces ordinateurs quantiques, IBM permet des percées critiques dans divers secteurs. Il y a quelques années, l’entreprise a écrit sur l’optimisation de la production d’énergie nucléaire en libérant la valeur des données.

Avec une capitalisation boursière de 201,54 milliards de dollars, les actions de la société se négocient actuellement à 218,80 $, en hausse de 34,82 % depuis le début de l’année. Elle affiche un BPA (TTM) de 9,53, un PER (TTM) de 2,95 et un rendement du dividende de 3,05 %.

Pour le deuxième trimestre 2024, IBM a déclaré un chiffre d’affaires de 15,8 milliards de dollars, ce qui représente une hausse de 2 % avec le plus grand bénéfice observé dans son segment logiciel. La marge brute de l’entreprise était de 56,8 % tandis que la marge opérationnelle (Non-GAAP) était de 57,8 %. La trésorerie nette provenant des activités opérationnelles était de 6,2 milliards de dollars pour l’année à ce jour et le flux de trésorerie disponible était de 4,5 milliards de dollars.

#3. ATI Inc. (ATI)

ATI se spécialise dans la production de métaux et d’alliages spécialisés, et cette expertise les positionne favorablement pour les applications de réacteurs de fusion. High-Performance Materials & Components (HPMC) est l’un de ses segments, qui produit des matériaux haute performance comme le titane et les alliages à base de titane utilisés dans l’énergie, la médecine et l’aérospatiale. Advanced Alloys & Solutions (AA&S) est une autre division qui produit du zirconium et des alliages associés utilisés dans les marchés automobile, électronique, énergétique et de défense.

Avec une capitalisation boursière de 8,20 milliards de dollars, les actions de la société se négocient actuellement à 66 $, en hausse de 44,74 % depuis le début de l’année. Elle affiche un BPA (TTM) de 2,94 et un PER (TTM) de 22,48.

Pour le deuxième trimestre 2024, ATI a déclaré un chiffre d’affaires de 1,1 milliard de dollars, en hausse de 5 % par rapport au trimestre précédent. Le bénéfice net du trimestre était de 81,9 millions de dollars, soit 0,58 $ par action, en hausse de 26 % par rapport au 1T24. L’EBITDA ajusté de l’entreprise était quant à lui de 182,6 millions de dollars.

“Notre exécution et notre capacité à capitaliser sur les opportunités du marché nous permettent d’augmenter les marges et de générer un flux de trésorerie opérationnel solide.”

– Kimberly A. Fields, Présidente et PDG

Conclusion

L’engouement pour l’IA ne cesse de croître, et son intégration à la recherche sur la fusion nucléaire marque un moment décisif pour les deux domaines. En relevant les défis complexes inhérents à la fusion, l’IA a le potentiel de raccourcir drastiquement le délai nécessaire pour atteindre une énergie de fusion pratique.

Des prédictions de plasma en temps réel à la découverte de nouveaux alliages capables de résister à des conditions extrêmes, les avancées pilotées par l’IA rapprochent progressivement la fusion nucléaire de la réalité, offrant une solution énergétique plus propre et plus durable à la crise énergétique mondiale.

Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle.