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.

La fusione nucleare potrebbe diventare una fonte di energia a basse emissioni, ma non è ancora una tecnologia commerciale per la produzione di elettricità.

Tra i potenziali vantaggi figurano combustibili ricavabili da risorse abbondanti e basse emissioni operative. Restano però problemi di produzione del trizio, resistenza dei materiali, manutenzione, sicurezza e costi. Anche la fusione produce materiali attivati dalle radiazioni.

Nel febbraio 2024 è stato annunciato che, negli esperimenti finali del 2023, JET aveva prodotto 69 megajoule di energia da fusione in circa cinque secondi, utilizzando circa 0,2 milligrammi di combustibile deuterio-trizio. Era energia liberata dalla reazione, non elettricità consegnata alla rete. L’impianto richiedeva più energia di quanta ne producesse.

La durata del plasma e la produzione di energia da fusione sono misure diverse. Alcuni dispositivi mantengono il plasma per tempi molto più lunghi di pochi secondi senza dimostrare, per questo, una centrale elettrica a fusione.

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. 

L’IA viene studiata per prevedere instabilità del plasma, migliorare il controllo e accelerare simulazioni e analisi dei materiali. Questi compiti possono contribuire alla ricerca, ma non risolvono da soli tutte le difficoltà ingegneristiche della fusione.

Non esiste una data certa per la produzione commerciale su larga scala. Il 2050 è uno degli orizzonti discussi, non una scadenza dimostrata. L’IA è uno strumento promettente per affrontare singoli problemi di ricerca.

Steven Cowley, professore di scienze astrofisiche e direttore del laboratorio del Princeton Plasma Physics Laboratory (PPPL) del Dipartimento dell’Energia, crede: «La fusione potrebbe diventare l’applicazione decisiva dell’IA.» Cowley presenta così una possibile direzione della ricerca:

«La fusione potrebbe rivelarsi la “killer app” dell’IA.»

Nel 2024, ricercatori della Princeton University e del PPPL hanno descritto un controllore basato sull’IA per anticipare e contrastare specifiche instabilità del plasma nel tokamak DIII-D.

Negli esperimenti, il sistema poteva prevedere instabilità di tipo tearing con un anticipo fino a 300 millisecondi e modificare i parametri operativi per evitarle. Non era una previsione di ogni possibile interruzione del plasma.

Le interruzioni del plasma sono un ostacolo importante. Una futura centrale dovrebbe funzionare in modo affidabile, ma questi risultati non dimostrano anni di esercizio continuo senza problemi. 

«Poiché interruzioni e instabilità sono molto problematiche, sviluppare soluzioni come questa aumenta la fiducia nella possibilità di far funzionare queste macchine in modo affidabile.»

– 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

Un progetto dell’Oak Ridge National Laboratory (ORNL) del Dipartimento dell’Energia statunitense ha sviluppato dati di riferimento per modelli di IA destinati alla ricerca di nuove leghe per componenti degli impianti 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 apprendimento profondo possono rappresentare relazioni non lineari tra la configurazione atomica e le proprietà di un materiale.

Dopo l’addestramento, un modello può stimare alcune proprietà molto più rapidamente di un nuovo calcolo completo basato sulla teoria del funzionale della densità (DFT). L’accuratezza dipende dai dati e dal campo di applicazione: le previsioni richiedono verifica.

Le leghe per la fusione devono mantenere proprietà meccaniche adeguate ad alte temperature e sotto irraggiamento. Un’elevata temperatura di fusione è utile, ma non basta: contano anche stabilità, fragilità, corrosione e risposta ai neutroni.

Il tungsteno è un materiale di riferimento per alcuni componenti esposti al plasma, grazie all’elevata temperatura di fusione. Le leghe alternative vengono studiate per migliorare l’insieme delle proprietà richieste, non semplicemente per garantire una generica schermatura.

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. 

L’obiettivo è usare l’IA per selezionare più efficacemente i candidati da studiare, non per saltare le prove sperimentali. La fase descritta ha generato dati su combinazioni di niobio, tantalio e vanadio da utilizzare nello sviluppo dei modelli.

Lo studio, pubblicato su Scientific Data, presenta quattro insiemi di dati aperti ottenuti mediante calcoli DFT delle proprietà dello stato fondamentale.

I dati riguardano le leghe binarie niobio-vanadio (NbV), niobio-tantalio (NbTa) e tantalio-vanadio (TaV), oltre alla lega ternaria NbTaV. Le simulazioni utilizzano strutture cubiche a corpo centrato con celle di 128 siti reticolari.

Materiali più adatti alle alte temperature, all’irraggiamento e alle sollecitazioni meccaniche potrebbero migliorare la durata dei componenti. Il progetto fornisce strumenti per cercarli; non garantisce già affidabilità o longevità dei futuri reattori.

Modelli predittivi più rapidi potrebbero ridurre parte del lavoro necessario per esplorare le composizioni. Restano indispensabili produzione dei campioni, prove e qualificazione dei materiali.

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

I dati sono stati generati con calcoli di primi principi sui supercomputer, non inventati da un modello di IA. Verranno usati per sviluppare, addestrare e valutare modelli di apprendimento automatico per la progettazione dei materiali.

La fase successiva prevista dal progetto amplia la ricerca a sei elementi per studiare leghe refrattarie ad alta entropia. Il numero si riferisce al progetto specifico, non a un requisito universale per tutte queste leghe.

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.

Il supercomputer Summit fa parte dell’Oak Ridge Leadership Computing Facility e si trova presso l’ORNL, mentre Perlmutter è ospitato dal Lawrence Berkeley National Laboratory. Entrambi i sistemi sono strutture di ricerca messe a disposizione degli utenti dall’Office of Science del Dipartimento dell’Energia degli Stati Uniti.

Il team prevede di utilizzare i dati per addestrare modelli capaci di esplorare molte composizioni, variando le concentrazioni dei sei elementi. L’utilità delle previsioni dovrà essere verificata nel relativo intervallo di composizioni.

“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

Nel 2023, Lupo Pasini aveva guidato anche la generazione computazionale di grandi insiemi di dati sulle 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.

Società attive in settori collegati alla ricerca

IA, calcolo scientifico, materiali e industria nucleare possono contribuire alla ricerca sulla fusione. Gli esempi seguenti non dimostrano che le società avranno un beneficio commerciale dalla fusione né costituiscono operatori equivalenti del settore.

#1. General Electric (GE)

General Electric (GE.TO ) continua come GE Aerospace dopo lo scorporo di GE Vernova nell’aprile 2024. GE Vernova (GEV ) è una società distinta, attiva anche nella fissione nucleare attraverso le proprie attività nucleari. Le ricerche su sensori per il combustibile esaurito, l’ispezione RADMASS e i reattori ad acqua bollente (BWR) riguardano la fissione e la gestione del combustibile, non la dimostrazione di centrali a fusione.

Le cifre riportate nell’articolo per GE — capitalizzazione di circa 204,469 miliardi di dollari, prezzo di 188,94 dollari, rialzo del 47,83% da inizio anno, utile per azione di 4,28 dollari, rapporto prezzo/utili di 44,09 e rendimento del dividendo dello 0,59% — sono valori storici del 2024. Non sono quotazioni attuali e non vanno confusi con i risultati della distinta GE Vernova.

Nel secondo trimestre del 2024, GE Vernova ha riportato ricavi di circa 8,2 miliardi di dollari e un utile netto di circa 1,3 miliardi, influenzato anche da operazioni straordinarie. Gli ordini ammontavano a 11,8 miliardi, circa 1,4 volte i ricavi. Il flusso di cassa operativo trimestrale era di circa 1 miliardo; la liquidità di 5,8 miliardi era aumentata rispetto ai 4,2 miliardi dello scorporo di 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)

NVIDIA (NVDA ) è un importante fornitore di tecnologie per IA e supercalcolo. Il rialzo del 134,76% citato nell’articolo è una rilevazione storica del 2024. IBM svolge ricerca nell’IA e nel calcolo quantistico e offre accesso a sistemi quantistici tramite cloud; ciò non implica un vantaggio quantistico già dimostrato per tutti i problemi di fusione.

IBM studia diversi strumenti di calcolo e analisi dei dati. Il lavoro sulla valorizzazione dei dati nella produzione nucleare non va identificato automaticamente con simulazioni quantistiche della fusione.

L’articolo riportava per IBM una capitalizzazione di 201,54 miliardi di dollari e un prezzo di 218,80 dollari, con un rialzo del 34,82% da inizio 2024. Con un utile per azione degli ultimi dodici mesi di 9,53 dollari, il rapporto prezzo/utili corrispondente è circa 22,96, non 2,95. Anche il rendimento del dividendo del 3,05% è un dato storico.

Nel secondo trimestre del 2024, IBM ha riportato ricavi di 15,8 miliardi di dollari, in aumento del 2%, con crescita trainata dal software. Il margine lordo GAAP era del 56,8% e quello lordo operativo non-GAAP del 57,8%: quest’ultimo non è il margine di utile operativo. Nei primi sei mesi dell’anno, il flusso di cassa operativo era di 6,2 miliardi e quello libero di 4,5 miliardi.

#3. ATI Inc. (ATI)

ATI produce metalli e leghe speciali per vari settori. Il segmento High Performance Materials & Components comprende materiali e componenti a base di titanio e altre leghe per applicazioni aerospaziali, energetiche e mediche. Advanced Alloys & Solutions offre altre leghe speciali, anche a base di zirconio. Queste competenze possono essere pertinenti alla ricerca sui materiali, ma non provano contratti o ricavi futuri dalla fusione.

Le cifre citate per ATI — capitalizzazione di 8,20 miliardi di dollari, prezzo di 66 dollari, rialzo del 44,74% da inizio anno, utile per azione di 2,94 dollari e rapporto prezzo/utili di 22,48 — sono rilevazioni storiche del 2024, non valori correnti.

Nel secondo trimestre del 2024, ATI ha riportato vendite di circa 1,1 miliardi di dollari, in aumento del 5% rispetto al trimestre precedente. L’utile netto di 81,9 milioni era cresciuto di circa il 24%; l’utile per azione di 0,58 dollari era aumentato del 26% rispetto al primo trimestre. L’EBITDA rettificato era di 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

L’IA può aiutare ad affrontare singoli problemi della ricerca sulla fusione, dal controllo del plasma all’esplorazione delle leghe. Non stabilisce però una data certa per centrali commerciali né sostituisce la sperimentazione.

Questi progressi possono contribuire allo sviluppo di una futura fonte energetica a basse emissioni. La produzione affidabile ed economicamente sostenibile di elettricità da fusione resta un obiettivo da dimostrare.

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