IA e Fusione Nucleare – Utilizzare una Tecnologia dirompente per Far Progredire l’Altra

 L’intelligenza artificiale è una delle principali innovazioni tecnologiche dell’ultimo decennio, trasformando i settori in tutti i campi. È difficile trovare un settore in cui il suo impatto non si faccia sentire, inclusa la fusione nucleare—una tecnologia tanto dirompente quanto l’IA stessa.

Considerata una fonte quasi illimitata di energia pulita, la fusione nucleare è una fonte energetica promettente che può rivelarsi rivoluzionaria.

Tra i suoi numerosi vantaggi vi sono carburante abbondante, efficienza energetica, emissioni di gas serra minime, affidabilità, sicurezza intrinseca e sostenibilità. Tuttavia, è ancora nella fase sperimentale.

Ciò nonostante, è stato stabilito quest’anno un record di energia da fusione nucleare quando un team di scienziati e ingegneri ha mantenuto 69 megajoule di energia di fusione per 5 secondi usando solo 0,2 milligrammi di combustibile. Sebbene questa energia sia sufficiente per alimentare circa 12.000 famiglie per quella durata, richiede ancora più energia in ingresso di quanta ne generi. 

Finora, gli scienziati sono riusciti a mantenere la fusione solo per pochi secondi. Tuttavia, le cose potrebbero cambiare grazie all’IA.

I continui progressi nell’IA negli ultimi anni non solo l’hanno resa parte della nostra vita quotidiana, ma l’hanno anche resa fondamentale per raggiungere avanzamenti scientifici. L’IA è ora attivamente esplorata per migliorare la fusione nucleare in diversi modi. 

Dal controllare le reazioni di fusione prevedendo e prevenendo le instabilità in tempo reale all’analizzare i progetti dei reattori per trovare i migliori, mantenendo un controllo stabile delle reazioni di fusione per periodi più lunghi, e persino riducendo tempo e costi nell’analisi dei progetti dei reattori e nella previsione dei cambiamenti del plasma—il ruolo dell’IA nella fusione nucleare sta crescendo rapidamente.  

Sebbene la generazione di energia su larga scala dalla fusione nucleare potrebbe non essere possibile prima del 2050, l’IA è certamente emersa come uno strumento promettente per accelerare questo processo.

Steven Cowley, professore di scienze astrofisiche e direttore del laboratorio del Princeton Plasma Physics Laboratory (PPPL) del Dipartimento dell’Energia, crede: “La fusione potrebbe rivelarsi l’«app killer» dell’IA.”:

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

All’inizio di quest’anno, gli scienziati hanno riferito di aver trovato un modo per prevedere le instabilità nel plasma, altamente soggetto a lacerazioni e a sfuggire ai campi magnetici delle macchine progettate per contenerlo, e di prevenirle in tempo reale usando l’IA.

Il controllore IA è stato in grado di prevedere potenziali lacerazioni del plasma fino a 300 millisecondi in anticipo, secondo l’esperimento condotto dai ricercatori della Princeton University e del PPPL.

Le interruzioni sono uno dei grandi ostacoli nella fusione nucleare, poiché si desidera che il reattore funzioni 24/7 per anni senza alcun problema. 

“(Dato che le interruzioni e le instabilità sono) molto problematiche… sviluppare soluzioni come questa aumenta la loro fiducia nel poter far funzionare queste macchine senza alcun problema.”

– Egemen Kolemen, autore dello studio e professore di ingegneria meccanica e aerospaziale presso la Princeton University

Costruire IA per trovare nuove leghe per le strutture di fusione nucleare

Uno studio recente del Oak Ridge National Laboratory (ORNL) del Dipartimento dell’Energia (DOE) ha creato un modello IA per aiutare a identificare nuove leghe utilizzate nei reattori di fusione nucleare come schermatura per i componenti delle applicazioni di fusione.

Il progetto è iniziato molti anni fa sotto la guida di David Womble, ex direttore dell’AI Initiative, ed è un grande passo verso il miglioramento delle strutture di fusione nucleare. Successivamente, è continuato come area di ricerca prioritaria nell’ambito dell’Intelligenza Artificiale per la Scoperta Scientifica (AISD).

Le attuali limitazioni degli approcci computazionali su larga scala, ha osservato lo studio, stanno facendo luce sul potenziale beneficio dell’integrazione del ML nella scienza dei materiali tradizionale e nella meccanica quantistica. 

I modelli di deep learning (DL), in particolare, si sono dimostrati efficaci nel registrare non linearità rilevanti che sono attivate dalle configurazioni atomiche di un sistema atomico.

Una volta addestrato, il modello DL può essere utilizzato per l’inferenza in una frazione del tempo necessario per eseguire un calcolo DFT completo, producendo risultati accurati. Questo notevole risparmio di tempo nella previsione delle proprietà delle leghe usando informazioni atomiche accelera efficacemente la scoperta e la progettazione di nuove leghe multicomponenti. 

Quindi, il focus dello studio è stato sulle leghe, necessarie per “ottenere prestazioni eccezionali a temperature molto elevate.” Questa prestazione deve riguardare sia la resistenza alle alte temperature sia le proprietà meccaniche strutturali richieste per l’uso delle leghe in impianti nucleari complessi. Perché un materiale raggiunga alta resistenza a temperature più elevate, la sua temperatura di decomposizione deve essere più alta. 

Per produrre questi materiali, tradizionalmente è stato usato il tungsteno come elemento principale. Nel frattempo, vengono aggiunti elementi supplementari. La composizione della lega risultante è stata resistente alle alte temperature ma incoerente nel mantenere una schermatura adeguata.

Recentemente, i ricercatori hanno esaminato la sostituzione di questi materiali tecnologici standard con ciò che il data scientist IA di ORNL Massimiliano Lupo Pasini ha definito “qualcosa di completamente nuovo e dirompente.”

Ma, naturalmente, identificare le potenziali combinazioni metalliche è una grande sfida, data l’enorme quantità di possibilità. 

Quindi, i ricercatori hanno usato l’IA per aggirare il periodo di test e scoprire candidati di leghe utilizzabili in modo più efficiente. Ciò ha comportato la generazione dei dati per creare il modello IA che ha individuato tre elementi da testare come potenziali nuovi candidati di leghe.

Secondo i risultati dello studio, pubblicati sulla rivista Scientific Data, il team ha presentato quattro dataset open source. I dataset hanno fornito i risultati dei calcoli di teoria funzionale della densità (DFT) delle proprietà di stato fondamentale delle leghe. 

Le leghe coinvolte sono niobio-vanadio (NbV), niobio-tantalio (NbTa), tantalio-vanadio (TaV) e leghe ternarie NbTaV ordinate in strutture cubiche a corpo centrato (BCC) con 128 siti di reticolo di Bravais. 

Il modello IA di ORNL è di grande importanza nel mondo della fusione nucleare perché questa tecnologia promettente può fornire materiali per esigenze energetiche pulite e quasi illimitate, capaci di resistere a temperature estremamente elevate, radiazioni e stress meccanico. Pertanto, trovando leghe ad alte prestazioni, possiamo garantire la longevità e l’affidabilità dei reattori di fusione.

Oltre ad aiutare a identificare nuove leghe molto più rapidamente e a costi inferiori, rimuovendo un ostacolo importante nella realizzazione pratica e sicura dei reattori di fusione nucleare, tale modello IA può anche consentire avanzamenti tecnologici dirompenti nella fusione nucleare.

Modellazione dei dati guidata dall’IA per accelerare le scoperte scientifiche

Disporre di un database generato dall’IA è solo una parte del progetto. La parte successiva prevede l’uso dei dati generati per ulteriori ricerche relative allo sviluppo, all’addestramento e al dispiegamento di modelli ML per la scoperta e la progettazione di materiali.

Secondo Lupo Pasini, sono necessari sei elementi per supportare la progettazione di nuove leghe refrattarie ad alta entropia.

Le leghe ad alta entropia, o HEA, rappresentano una nuova frontiera per gli scienziati dei materiali e attualmente ci sono pochissimi risultati sperimentali. Uno studio di qualche anno fa ha esaminato 14 elementi e le combinazioni che producono HEA. Utilizzando calcoli quantistici ad alta produttività, hanno trovato la stabilità e le proprietà elastiche di oltre 7.000 HEA. 

Quello è stato riferito come “il più grande database delle proprietà elastiche delle leghe ad alta entropia”, secondo l’autore dello studio Wei Chen, professore associato di scienza e ingegneria dei materiali presso l’Illinois Institute of Technology.

Ora, per lo studio più recente, c’è anche la questione del costoso compito di eseguire calcoli quantistici sui supercomputer esistenti. Quindi, “i dati da soli non saranno sufficienti.”

Un’altra sfida che il team ha dovuto superare con questi massicci calcoli è stato il tempo. Ci è voluto più di un anno perché il team completasse i calcoli sui supercomputer Perlmutter e Summit e generasse i dati.

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.

Nel passo successivo, il team utilizzerà i dati generati per addestrare il modello IA. Il modello accelererà l’ampia gamma di composti come risultato della miscelazione dei sei elementi a diverse concentrazioni per formare leghe.

“Stiamo cercando di aiutare gli scienziati dei materiali nei loro approcci di prova ed errore nell’identificare la percentuale relativa dei diversi elementi che devono essere mescolati insieme per ottenere leghe che possano portare a avanzamenti tecnologici dirompenti nella fusione.”

– Lupo Pasini

L’uso dell’IA per comprendere le complessità dei materiali a un livello più profondo sta avanzando anche a un ritmo rapido. L’anno scorso, Lupo Pasini di ORNL ha anche guidato un team di scienziati computazionali che ha generato dataset di scala senza precedenti, fornendo le proprietà spettrali ultraviolette e visibili di oltre 10 milioni di molecole organiche. 

Comprendere l’interazione di una molecola con la luce è fondamentale per rivelare le sue proprietà elettroniche e ottiche, che hanno potenziali applicazioni fotoattive nei sistemi di imaging medico e nelle celle solari.

I calcoli di chimica quantistica sono stati eseguiti utilizzando risorse di calcolo ad alte prestazioni per generare i vasti dataset. Questi dataset saranno poi utilizzati per addestrare un modello DL per identificare molecole con proprietà optoelettroniche e fotoreattive su misura.

All’epoca, Lupo Pasini ha osservato che determinare come materia ed energia interagiscono a livello subatomico tramite esperimenti laboriosi e calcoli di primi principi esistenti, che possono facilmente sovraccaricare le strutture di supercalcolo, è semplicemente inaccessibile. Tuttavia, i modelli DL “forniscono strumenti molto promettenti per superare queste barriere.”

Il team sta costruendo un’architettura HydraGNN che prende la struttura atomica e la converte in un grafo prima di provare a prevedere ciò che il codice di primi principi produrrebbe come output.

All’inizio di quest’anno, Lupo Pasini e il team hanno mostrato la scalabilità di HydraGNN sul sistema Perlmutter così come sui supercomputer Frontier e Summit. HydraGNN è un’implementazione di architetture GNN per produrre previsioni rapide e accurate delle proprietà dei materiali.

Con l’illustrazione, il team ha mostrato semplicemente come scalare le reti neurali a grafo (GNN) per mappare le connessioni tra migliaia o persino milioni di variabili e svelare le loro relazioni per accelerare la scoperta scientifica.

Aziende che trarranno beneficio dalla fusione 

Sia l’industria dell’IA che quella della fusione nucleare stanno vedendo investimenti per miliardi di dollari, il che dimostra l’entusiasmo e lo sviluppo che circondano queste due tecnologie trasformative. Vediamo quindi alcuni nomi di spicco in questi settori: 

#1. General Electric (GE)

General Electric (GE.TO ) è coinvolta nella ricerca e sviluppo dell’energia nucleare attraverso la sua GE Vernova (GEV ), che mira ad accelerare il percorso verso un’energia più affidabile, conveniente e sostenibile. I suoi sforzi nel settore includono nuovi sensori e tecniche di imaging per monitorare in tempo reale i materiali del combustibile nucleare usato, una tecnica di ispezione chiamata RADMASS per rendere più conveniente il ritrattamento del combustibile, e la costruzione di reattori nucleari a vapore bollente (BWRs).

Con una capitalizzazione di mercato di $204,469 miliardi, le azioni della società attualmente scambiano a $188,94, in rialzo del 47,83% YTD. Ha un EPS (TTM) di 4,28, un P/E (TTM) di 44,09 e un rendimento da dividendo dello 0,59%.

Per il Q2 2024, GE Vernova ha riportato $8,2 miliardi di fatturato totale e $1,3 miliardi di utile netto. Nel frattempo, gli ordini totali di $11,8 miliardi hanno superato il fatturato di 1,4 volte. Il flusso di cassa dalle attività operative alla fine del trimestre è stato di $1 miliardo, mentre il saldo di cassa di $5,8 miliardi è aumentato da $4,2 miliardi dopo lo spin-off da GE ad aprile.

“Le tendenze di elettrificazione globale e decarbonizzazione continuano a guidare la domanda per i nostri prodotti e servizi.”

– CEO di GE Vernova, Scott Strazik

#2. IBM (IBM)

Mentre NVIDIA (NVDA ) è leader nella tecnologia IA e nel supercomputing, il che ha spinto il prezzo delle sue azioni a salire del 134,76% quest’anno, IBM è anche tra i leader nel calcolo quantistico e nella ricerca IA. I computer quantistici dell’azienda sono sistemi di calcolo quantistico basati su cloud che possono essere usati per ricerca ed esplorazione.

Eseguendo simulazioni complesse su questi computer quantistici, IBM consente importanti progressi in vari settori. Alcuni anni fa, l’azienda ha scritto sull’ottimizzazione della generazione di energia nucleare sbloccando il valore dei dati.

Con una capitalizzazione di mercato di $201,54 miliardi, le azioni della società attualmente scambiano a $218,80, in rialzo del 34,82% YTD. Ha un EPS (TTM) di 9,53, un P/E (TTM) di 2,95 e un rendimento da dividendo del 3,05%.

Per il Q2 2024, IBM ha riportato un fatturato di $15,8 miliardi, con un aumento del 2% e il maggior incremento osservato nel suo segmento software. Il margine di profitto lordo dell’azienda era del 56,8% mentre l’operativo (Non-GAAP) era del 57,8%. Il flusso di cassa netto dalle attività operative è stato di $6,2 miliardi per l’anno fino ad oggi e il flusso di cassa libero è stato di $4,5 miliardi.

#3. ATI Inc. (ATI)

ATI è specializzata nella produzione di metalli e leghe speciali, e questa competenza la posiziona bene per le applicazioni nei reattori di fusione. High-Performance Materials & Components (HPMC) è uno dei suoi segmenti, che produce materiali ad alte prestazioni come titanio e leghe a base di titanio utilizzate nei settori energia, medicina e aerospaziale. Advanced Alloys & Solutions (AA&S) è un altro segmento che produce zirconio e leghe correlate utilizzate nei mercati automobilistico, elettronico, energetico e della difesa.

Con una capitalizzazione di mercato di $8,20 miliardi, le azioni della società attualmente scambiano a $66, in rialzo del 44,74% YTD. Ha un EPS (TTM) di 2,94 e un P/E (TTM) di 22,48.

Per il Q2 2024, ATI ha riportato $1,1 miliardi di vendite, con un aumento del 5% rispetto al trimestre precedente. L’utile netto del trimestre è stato di $81,9 milioni, ovvero $0,58 per azione, in rialzo del 26% rispetto al 1Q24. L’EBITDA rettificato dell’azienda è stato invece $182,6 milioni.

“La nostra esecuzione e capacità di capitalizzare le opportunità di mercato ci permette di aumentare i margini e generare un forte flusso di cassa operativo.”  

– Kimberly A. Fields, Presidente e CEO

Conclusione

La frenesia per l’IA è in costante crescita, e la sua integrazione nella ricerca sulla fusione nucleare segna un momento cruciale per entrambi i campi. Affrontando le complesse sfide intrinseche alla fusione, l’IA ha il potenziale di accorciare drasticamente i tempi per raggiungere un’energia di fusione pratica.

Dalle previsioni in tempo reale del plasma alla scoperta di nuove leghe capaci di resistere a condizioni estreme, i progressi guidati dall’IA stanno spingendo costantemente la fusione nucleare più vicina a diventare una realtà, offrendo una soluzione energetica più pulita e sostenibile alla crisi energetica globale.

Clicca qui per scoprire tutto sugli investimenti nell’intelligenza artificiale.