AI en Kernfusie – Eén Ontwrichtende Technologie Gebruiken om de Andere te Bevorderen

 Kunstmatige intelligentie is een van de belangrijkste technologische vooruitgangen van het afgelopen decennium, en transformeert sectoren in hun geheel. Er is nauwelijks een sector waar de impact niet voelbaar is, inclusief kernfusie – een technologie die net zo ontwrichtend is als AI zelf.

Vaak genoemd als een mogelijke bron van energie met lage uitstoot, is kernfusie een veelbelovend onderzoeksgebied. Commerciële elektriciteitsproductie moet echter nog worden aangetoond.

Mogelijke voordelen zijn brandstoffen uit ruim beschikbare grondstoffen en lage operationele uitstoot. Er blijven uitdagingen rond tritiumproductie, materialen, onderhoud, veiligheid en kosten. Ook fusie kan radioactief geactiveerde materialen opleveren.

In februari 2024 werd een record voor de geproduceerde fusie-energie aangekondigd: JET had tijdens zijn laatste experimenten in 2023 circa 69 megajoule in ongeveer vijf seconden geproduceerd met ongeveer 0,2 milligram deuterium-tritiumbrandstof. Dit was reactie-energie, geen aan het elektriciteitsnet geleverde stroom. Het experiment verbruikte meer energie dan het produceerde.

Plasmaduur en geproduceerde fusie-energie zijn verschillende grootheden. Sommige apparaten houden plasma veel langer dan enkele seconden in stand, zonder daarmee een elektriciteitscentrale met netto-opbrengst te demonstreren.

Continue doorbraken in AI in de afgelopen jaren hebben het niet alleen een onderdeel van ons dagelijks leven gemaakt, maar ook cruciaal voor het bereiken van wetenschappelijke vooruitgang. AI wordt nu actief onderzocht om kernfusie op verschillende manieren te verbeteren. 

AI wordt onderzocht voor het voorspellen van plasma-instabiliteiten, het verbeteren van de regeling en het versnellen van simulaties en materiaalonderzoek. Deze toepassingen kunnen afzonderlijke problemen helpen oplossen, maar nemen niet alle technische uitdagingen weg.

Er is geen vaststaande datum voor grootschalige commerciële fusie-energie. Het jaar 2050 is een van de besproken tijdshorizonnen, geen bewezen deadline. AI kan onderzoek ondersteunen, maar bepaalt die planning niet.

Steven Cowley, hoogleraar astrofysica en directeur van het Princeton Plasma Physics Laboratory (PPPL) van het Amerikaanse ministerie van Energie, gelooft:

“Fusie zou wel eens AI’s \”killer app\” kunnen worden.”

In 2024 beschreven onderzoekers van Princeton University en PPPL een AI-regelaar voor het voorspellen en tegengaan van specifieke plasma-instabiliteiten in de DIII-D-tokamak.

In de experimenten kon de regelaar instabiliteiten van het type tearing tot 300 milliseconden vooraf voorspellen en de bedrijfsinstellingen aanpassen. Dit betekent niet dat alle mogelijke plasmaverstoringen voorspelbaar zijn.

Plasmaverstoringen zijn een belangrijk obstakel. Een toekomstige centrale moet betrouwbaar functioneren, maar dit onderzoek toonde geen jarenlange ononderbroken werking aan.

«Omdat verstoringen en instabiliteiten zo problematisch zijn, vergroten oplossingen als deze het vertrouwen dat we zulke machines betrouwbaar kunnen laten werken.»

– Egemen Kolemen, studie‑auteur en professor in werktuigbouw‑ en lucht‑ en ruimtevaartkunde aan Princeton University

AI voor het zoeken naar nieuwe legeringen voor fusie-installaties

Een project van Oak Ridge National Laboratory (ORNL) heeft referentiegegevens ontwikkeld voor AI-modellen die nieuwe legeringen voor onderdelen van fusie-installaties moeten helpen vinden.

Het project begon vele jaren geleden onder leiding van David Womble, een voormalige AI Initiative Director, en is een grote stap richting verbetering van kernfusie‑faciliteiten. Vervolgens ging het verder als prioriteitsgebied van onderzoek onder Artificial Intelligence for Scientific Discovery (AISD).

De huidige beperkingen van grootschalige computationele benaderingen, merkte de studie op, werpen nieuw licht op het potentiële voordeel van het integreren van machine learning binnen traditionele materiaalkunde en kwantummechanica.

Deep learning kan niet-lineaire verbanden tussen atomaire configuraties en materiaaleigenschappen leren beschrijven.

Na training kan een model bepaalde eigenschappen veel sneller schatten dan een nieuwe volledige berekening met dichtheidsfunctionaaltheorie (DFT). De nauwkeurigheid hangt af van de trainingsgegevens en het toepassingsgebied; de voorspellingen moeten worden gecontroleerd.

Legeringen voor fusie-installaties moeten mechanische eigenschappen behouden bij hoge temperaturen en onder bestraling. Een hoog smeltpunt helpt, maar ook stabiliteit, brosheid, corrosie en de reactie op neutronen zijn belangrijk.

Wolfraam is een referentiemateriaal voor sommige onderdelen die aan het plasma worden blootgesteld, onder meer vanwege het hoge smeltpunt. Alternatieve legeringen worden onderzocht om het geheel aan benodigde eigenschappen te verbeteren, niet alleen een algemene afschermingsfunctie.

Recent hebben onderzoekers gekeken naar het vervangen van deze standaardtechnologiematerialen door wat ORNL AI‑datascientist Massimiliano Lupo Pasini beschreef als “iets volledig nieuws en ontwrichtends.”

Maar natuurlijk is het identificeren van potentiële metalen combinaties een grote uitdaging, gezien het enorme aantal mogelijkheden.

AI moet helpen om kansrijke samenstellingen efficiënter te selecteren, niet om experimenten over te slaan. De beschreven fase leverde berekende gegevens over niobium, tantaal en vanadium voor de ontwikkeling van modellen.

Volgens de resultaten van de studie, die gepubliceerd zijn in het tijdschrift Scientific Data, presenteerde het team vier open‑source datasets. De datasets leverden resultaten van dichtheidsfunctionaaltheorie (DFT)-berekeningen van grondtoestandseigenschappen van legeringen.

De gegevens betreffen de binaire legeringen niobium-vanadium (NbV), niobium-tantaal (NbTa) en tantaal-vanadium (TaV), en de ternaire legering NbTaV. De simulaties gebruiken ruimtelijk gecentreerde kubische structuren met cellen van 128 roosterplaatsen.

Geschiktere materialen kunnen de levensduur van onderdelen verbeteren. Het project levert hulpmiddelen om kandidaten te zoeken; het garandeert nog geen betrouwbare toekomstige reactoren.

Snellere voorspellingen kunnen een deel van de verkenning van samenstellingen versnellen. Productie van proefmonsters, testen en kwalificatie blijven nodig.

AI‑gedreven Datamodellering om Wetenschappelijke Ontdekkingen te Versnellen

De database is gemaakt met berekeningen op basis van fundamentele fysische principes, niet door een AI-model verzonnen. De gegevens worden vervolgens gebruikt voor de ontwikkeling, training en beoordeling van machinelearningmodellen.

In een volgende projectfase willen de onderzoekers de zoektocht uitbreiden naar zes elementen voor vuurvaste legeringen met hoge entropie. Zes elementen is een projectkeuze, geen algemene vereiste voor alle legeringen met hoge entropie.

Legeringen met hoge entropie vormen een actief onderzoeksgebied. Een eerdere studie onderzocht combinaties van 14 elementen en berekende de stabiliteit en elastische eigenschappen van meer dan 7.000 samenstellingen.

Dat was naar verluidt de “grootste database van de elastische eigenschappen van high‑entropy legeringen,” aldus studie‑auteur Wei Chen, universitair hoofddocent materiaalkunde en -techniek aan het Illinois Institute of Technology.

Voor de nieuwste studie is er bovendien de dure taak van het uitvoeren van kwantummechanische berekeningen op bestaande supercomputers. Dus, “de data alleen zal niet genoeg zijn.”

Een andere uitdaging die het team moest overwinnen met deze enorme berekeningen was de tijd. Het kostte meer dan een jaar voordat het team de berekeningen op de Perlmutter‑ en Summit‑supercomputers kon uitvoeren en data kon genereren.

De Summit-supercomputer maakt deel uit van de Oak Ridge Leadership Computing Facility en staat bij ORNL, terwijl Perlmutter is ondergebracht bij het Lawrence Berkeley National Laboratory. Beide computersystemen zijn onderzoeksfaciliteiten van het Office of Science van het Amerikaanse ministerie van Energie die beschikbaar zijn voor externe gebruikers.

Het team wil de gegevens gebruiken om modellen te trainen die veel verschillende verhoudingen van de zes elementen kunnen onderzoeken. De bruikbaarheid van de uitkomsten moet binnen het betreffende samenstellingsgebied worden getoetst.

“We proberen de materiaalkundigen te helpen met hun trial‑and‑error‑benaderingen bij het identificeren van het relatieve percentage van de verschillende elementen die moeten worden gemengd om legeringen te ontwikkelen die kunnen leiden tot ontwrichtende technologische vooruitgangen in fusie.”

– Lupo Pasini

In 2023 leidde Lupo Pasini ook de berekening van grote datasets met ultraviolette en zichtbare spectrale eigenschappen van meer dan 10 miljoen organische moleculen.

Het begrijpen van de interactie van een molecuul met licht is cruciaal om de elektronische en optische eigenschappen te onthullen, die potentiële fotoactieve toepassingen hebben in medische beeldvorming en zonnecellen.

Deze kwantumchemische berekeningen werden uitgevoerd op krachtige conventionele computers. De datasets kunnen vervolgens dienen om modellen te trainen die moleculen met gewenste opto-elektronische en fotoreactieve eigenschappen zoeken.

Destijds merkte Lupo Pasini op dat het bepalen hoe materie en energie op subatomair niveau interageren via arbeidsintensieve experimenten en bestaande first‑principles‑berekeningen, die supercomputing‑faciliteiten gemakkelijk kunnen overbelasten, simpelweg onbetaalbaar is. DL‑modellen bieden echter “zeer veelbelovende hulpmiddelen om deze barrières te overwinnen.”

Het team bouwt een HydraGNN‑architectuur die de atomaire structuur opneemt en deze omzet in een graaf voordat geprobeerd wordt te voorspellen wat de first‑principles‑code als output zou produceren.

In 2024 demonstreerde het team de schaalbaarheid van HydraGNN op Perlmutter, Frontier en Summit. HydraGNN gebruikt graafneurale netwerken voor het voorspellen van materiaaleigenschappen.

Met de illustratie toonde het team precies hoe graph‑neural‑netwerken (GNN’s) geschaald kunnen worden om verbindingen tussen duizenden of zelfs miljoenen variabelen in kaart te brengen en hun relaties te ontrafelen om wetenschappelijke ontdekkingen te versnellen.

Bedrijven in aanverwante onderzoeks- en industriesectoren

AI, wetenschappelijke rekenkracht, materiaaltechnologie en de nucleaire industrie kunnen bijdragen aan fusieonderzoek. De onderstaande voorbeelden tonen echter geen gegarandeerde inkomsten uit fusie aan en zijn geen gelijksoortige fusiebedrijven.

#1. General Electric (GE)

General Electric (GE.TO ) gaat sinds de afsplitsing van GE Vernova in april 2024 verder als GE Aerospace. GE Vernova (GEV ) is een afzonderlijke onderneming met onder meer activiteiten in kernsplijting. Sensoren voor gebruikte kernbrandstof, de RADMASS-inspectietechniek en kokendwaterreactoren (BWR’s) hebben betrekking op splijting en brandstofbeheer, niet op een bewezen fusiecentrale.

De genoemde GE-cijfers — een marktwaarde van 204,469 miljard dollar, koers van 188,94 dollar, stijging van 47,83% sinds begin 2024, winst per aandeel van 4,28 dollar, koers-winstverhouding van 44,09 en dividendrendement van 0,59% — zijn historische momentopnamen uit 2024. Ze zijn niet actueel en moeten worden onderscheiden van de resultaten van GE Vernova.

GE Vernova rapporteerde over het tweede kwartaal van 2024 ongeveer 8,2 miljard dollar omzet en 1,3 miljard dollar nettowinst, mede beïnvloed door bijzondere transacties. De orders bedroegen 11,8 miljard dollar, circa 1,4 maal de omzet. De operationele kasstroom in het kwartaal was ongeveer 1 miljard dollar; de kaspositie steeg van 4,2 miljard bij de afsplitsing tot 5,8 miljard dollar.

“Globale elektrificatie‑ en decarbonisatietrends blijven de vraag naar onze producten en diensten stimuleren.”

– GE Vernova‑CEO Scott Strazik

#2. IBM (IBM)

NVIDIA (NVDA ) levert technologie voor AI en supercomputers. De genoemde koersstijging van 134,76% is een historische meting uit 2024. IBM doet onderzoek naar AI en kwantumcomputers en biedt toegang tot kwantumsystemen via de cloud. Dat betekent niet dat voor alle fusieproblemen al een praktisch kwantumvoordeel is aangetoond.

IBM onderzoekt verschillende vormen van simulatie en data-analyse. Werk over datagebruik bij nucleaire elektriciteitsproductie mag niet automatisch worden gelijkgesteld aan kwantumsimulaties van kernfusie.

De historische IBM-cijfers in het artikel waren een marktwaarde van 201,54 miljard dollar, koers van 218,80 dollar en een stijging van 34,82% sinds begin 2024. Bij een winst per aandeel over twaalf maanden van 9,53 dollar hoort een koers-winstverhouding van ongeveer 22,96. Het genoemde dividendrendement van 3,05% is eveneens een momentopname.

IBM rapporteerde over het tweede kwartaal van 2024 een omzet van 15,8 miljard dollar, 2% meer dan een jaar eerder, met software als belangrijke groeibron. De GAAP-brutomarge was 56,8% en de operationeel aangepaste non-GAAP-brutomarge 57,8%; dat laatste is geen operationele winstmarge. De operationele kasstroom van 6,2 miljard dollar en vrije kasstroom van 4,5 miljard betroffen de eerste zes maanden van het jaar.

#3. ATI Inc. (ATI)

ATI produceert speciale metalen en legeringen. High Performance Materials & Components levert onder andere titaniumproducten en componenten voor luchtvaart, energie en medische toepassingen. Advanced Alloys & Solutions omvat andere speciale legeringen, waaronder zirkoniumproducten. Deze kennis kan relevant zijn voor materiaalonderzoek, maar bewijst geen toekomstige fusiecontracten of -inkomsten.

De ATI-cijfers — marktwaarde van 8,20 miljard dollar, koers van 66 dollar, stijging van 44,74% sinds begin 2024, winst per aandeel van 2,94 dollar en koers-winstverhouding van 22,48 — zijn historische momentopnamen, geen actuele koersen.

ATI rapporteerde over het tweede kwartaal van 2024 ongeveer 1,1 miljard dollar omzet, 5% meer dan in het vorige kwartaal. De nettowinst van 81,9 miljoen dollar steeg met ongeveer 24%; de winst per aandeel van 0,58 dollar nam met 26% toe ten opzichte van het eerste kwartaal. De aangepaste EBITDA was 182,6 miljoen dollar.

«Onze uitvoering en ons vermogen om marktkansen te benutten stellen ons in staat de marges te verhogen en een sterke operationele kasstroom te genereren.»

– Kimberly A. Fields, President en CEO

Conclusie

AI kan afzonderlijke problemen in fusieonderzoek helpen aanpakken, van plasmaregeling tot het zoeken naar geschikte legeringen. Het vervangt geen experimenten en geeft geen zekerheid over het tijdstip van commerciële toepassing.

Deze ontwikkelingen kunnen bijdragen aan een toekomstige energiebron met lage uitstoot. Betrouwbare en economisch haalbare elektriciteitsproductie uit kernfusie moet nog worden aangetoond.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.