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.

Geprijsged als een vrijwel onbeperkte bron van schone energie, kernfusie is een veelbelovende energiebron die zich kan bewijzen als baanbrekend.

Onder de vele voordelen vallen overvloedige brandstof, energie‑efficiëntie, minimale broeikasgassen, betrouwbaarheid, intrinsieke veiligheid en duurzaamheid. Het blijft echter nog in de experimentele fase.

Dit is ondanks het feit dat een record in kernfusie‑energie dit jaar werd behaald toen een team van wetenschappers en ingenieurs 69 megajoule fusie‑energie gedurende 5 seconden hield met slechts 0,2 milligram brandstof. Terwijl deze energie voldoende is om ongeveer 12.000 huishoudens gedurende die tijd van stroom te voorzien, vereist het nog steeds meer energie als input dan het genereert. 

Tot nu toe zijn wetenschappers er slechts in geslaagd om fusie enkele seconden vol te houden. Echter, dankzij AI zou dit binnenkort kunnen veranderen.

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. 

Van het beheersen van fusie‑reacties door realtime instabiliteiten te voorspellen en te voorkomen, tot het analyseren van reactorontwerpen om de beste te vinden, het behouden van stabiele controle over fusie‑reacties voor langere periodes, en zelfs het verminderen van de tijd en kosten voor het analyseren van reactorontwerpen en het voorspellen van veranderingen in plasma – de rol van AI in kernfusie groeit snel.  

Hoewel het genereren van grootschalige energie uit kernfusie mogelijk niet haalbaar is vóór ongeveer 2050, is AI zeker naar voren gekomen als een veelbelovend hulpmiddel om dit proces te versnellen.

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

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

Eerder dit jaar meldden wetenschappers een manier te hebben gevonden om instabiliteiten in plasma te voorspellen, dat zeer gevoelig is voor scheuren en het ontsnappen uit de krachtige magnetische velden van machines die zijn ontworpen om het ingesloten te houden, en dit in realtime te voorkomen met behulp van AI.

De AI‑controller kon potentiële plasma‑scheuring tot 300 milliseconden van tevoren voorspellen, volgens het experiment uitgevoerd door onderzoekers van Princeton University en de PPPL.

Storing zijn een van de grote obstakels in kernfusie, omdat men wil dat de reactor 24/7 jarenlang opereert zonder problemen.

“(Aangezien storing en instabiliteit) zeer problematisch zijn… het ontwikkelen van oplossingen zoals deze vergroot hun vertrouwen dat we deze machines zonder problemen kunnen laten draaien.”

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

AI Bouwen om Nieuwe Legeringen te Vinden voor Kernfusie‑faciliteiten

Een recente studie van het Oak Ridge National Laboratory (ORNL) van het Department of Energy (DOE) heeft een AI‑model ontwikkeld om nieuwe legeringen te identificeren die worden gebruikt in kernfusie‑reactoren als afscherming voor componenten van fusietoepassingen.

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 (DL)-modellen zijn met name effectief gebleken in het vastleggen van relevante niet‑lineariteiten die worden geactiveerd door de atomaire configuraties van een atomaire systeem.

Zodra het DL‑model is getraind, kan het worden gebruikt voor inferentie in een fractie van de tijd die nodig zou zijn voor een volledige DFT‑berekening, terwijl het nauwkeurige resultaten oplevert. Deze aanzienlijke tijdsbesparing bij het voorspellen van legeringseigenschappen met behulp van atomaire informatie versnelt effectief de ontdekking en het ontwerp van nieuwe meercomponenten‑legeringen. 

Dus, de focus van de studie lag op legeringen, die nodig zijn om “uitstekende prestaties bij zeer hoge temperaturen te bereiken.” Deze prestaties moeten zowel betrekking hebben op weerstand tegen hoge temperaturen als op de structurele mechanische eigenschappen die vereist zijn voor het gebruik van de legeringen in complexe kerncentrales. Voor een materiaal om hoge sterkte bij een hogere temperatuur te bereiken, moet de ontledingstemperatuur hoger zijn.

Om deze materialen te maken, is traditioneel wolfraam gebruikt als het primaire element. Ondertussen worden extra elementen toegevoegd als supplement. De resulterende legeringssamenstelling is bestand tegen hoge temperaturen, maar inconsistent in het behouden van de juiste afscherming.

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.

Dus hebben onderzoekers AI gebruikt om de testperiode te omzeilen en bruikbare legeringskandidaten efficiënter te ontdekken. Dit omvatte het genereren van data om het AI‑model te creëren dat drie elementen identificeerde voor testen als potentiële nieuwe legeringskandidaten.

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 betrokken legeringen zijn niobium‑vanadium (NbV), niobium‑tantalum (NbTa), tantalum‑vanadium (TaV) en tertiaire legeringen NbTaV, geordend in body‑centered‑cubic (BCC)-structuren met 128 Bravais‑roosterplaatsen.

Het AI‑model van ORNL is van groot belang in de wereld van kernfusie omdat deze veelbelovende technologie schone en vrijwel onbeperkte energie‑behoeften kan leveren met materialen die extreem hoge temperaturen, straling en mechanische stress kunnen weerstaan. Door hoog‑presterende legeringen te vinden, kunnen we de levensduur en betrouwbaarheid van fusie‑reactoren waarborgen.

Naast het helpen identificeren van nieuwe legeringen veel sneller en kosteneffectiever en het wegnemen van een grote hindernis bij het praktisch en veilig maken van kernfusie‑reactoren, kan zo’n AI‑model ook ontwrichtende technologische vooruitgangen in kernfusie mogelijk maken.

AI‑gedreven Datamodellering om Wetenschappelijke Ontdekkingen te Versnellen

Het hebben van een AI‑gegenereerde database is slechts een deel van het project. Het volgende deel omvat het gebruik van de gegenereerde data voor verder onderzoek naar de ontwikkeling, training en inzet van ML‑modellen voor de ontdekking en het ontwerp van materialen.

Volgens Lupo Pasini zijn zes elementen nodig om het ontwerp van nieuwe hitte‑bestendige high‑entropy legeringen te ondersteunen.

High‑entropy legeringen, of HEA’s, vormen een nieuw frontier voor materiaalkundigen, en momenteel zijn er zeer weinig experimentele resultaten. Een studie van een paar jaar geleden onderzocht 14 elementen en de combinaties die HEA’s opleveren. Met behulp van high‑throughput kwantummechanische berekeningen vonden ze de stabiliteit en elastische eigenschappen van meer dan 7.000 HEA’s.

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.

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.

In de volgende stap zal het team de gegenereerde data gebruiken om het AI‑model te trainen. Het model zal het enorme scala aan verbindingen versnellen als gevolg van het mengen van de zes elementen in verschillende concentraties als legeringen.

“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

Het gebruik van AI om een dieper begrip te krijgen van de complexiteit van materialen heeft zich ook in een rap tempo ontwikkeld. Vorig jaar leidde ORNL’s Lupo Pasini ook een team van computationele wetenschappers dat datasets van ongekende schaal genereerde die de ultraviolet‑zichtbare spectrale eigenschappen van meer dan 10 miljoen organische moleculen leverden.

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.

De quantum‑chemie‑berekeningen werden uitgevoerd met behulp van high‑performance computing‑bronnen om de enorme datasets te genereren. Deze datasets zullen vervolgens worden gebruikt om een DL‑model te trainen om moleculen te identificeren met op maat gemaakte opto‑elektronische en fotoreactiviteitseigenschappen.

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.

Eerder dit jaar toonden Lupo Pasini en het team de schaalbaarheid van HydraGNN op het Perlmutter‑systeem evenals op de Frontier‑ en Summit‑supercomputers. HydraGNN is een implementatie van GNN‑architecturen om snelle en nauwkeurige voorspellingen van materiaaleigenschappen te leveren.

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 die Profiteren van de Fusie 

Zowel de AI‑ als de kernfusie‑industrieën zien miljarden dollars aan investeringen, wat de opwinding en ontwikkeling rond deze twee transformerende technologieën aantoont. Laten we dus enkele prominente namen uit deze sectoren bekijken: 

#1. General Electric (GE)

General Electric (GE.TO ) is betrokken bij onderzoek en ontwikkeling van kernenergie via GE Vernova (GEV ), dat erop gericht is het pad naar betrouwbaardere, betaalbare en duurzame energie te versnellen. Haar inspanningen op dit gebied omvatten nieuwe sensoren en beeldvormingstechnieken om gebruikte kernbrandstofmaterialen realtime te volgen, een inspectietechniek genaamd RADMASS om de hervorming van brandstof betaalbaarder te maken, en de bouw van kokende‑water‑kernreactoren (BWR’s).

Met een marktkapitalisatie van $204,469 mlrd. worden de aandelen van het bedrijf momenteel verhandeld tegen $188,94, een stijging van 47,83 % YTD. Het heeft een EPS (TTM) van 4,28, een P/E (TTM) van 44,09 en een dividendrendement van 0,59 %.

Voor Q2 2024 rapporteerde GE Vernova $8,2 mlrd aan totale omzet en $1,3 mlrd aan nettowinst. Ondertussen overtroffen totale orders van $11,8 mlrd de omzet met 1,4×. Kasstroom uit operationele activiteiten aan het einde van het kwartaal bedroeg $1 mlrd, terwijl de kaspositie van $5,8 mlrd was gestegen ten opzichte van $4,2 mlrd na de spin‑off van GE in april.

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

– GE Vernova‑CEO Scott Strazik

#2. IBM (IBM)

Hoewel NVIDIA (NVDA ) een leider is op het gebied van AI‑ en supercomputing‑technologie, wat de aandelenkoersen dit jaar met 134,76 % heeft doen stijgen, behoort IBM ook tot de koplopers in kwantumcomputing en AI‑onderzoek. De kwantumcomputers van het bedrijf zijn cloud‑gebaseerde kwantumcomputingsystemen die kunnen worden gebruikt voor onderzoek en verkenning.

Door complexe simulaties uit te voeren op deze kwantumcomputers, maakt IBM kritieke doorbraken mogelijk in diverse sectoren. Een paar jaar geleden schreef het bedrijf over het optimaliseren van kernenergieproductie door de waarde van data te ontsluiten.

Met een marktkapitalisatie van $201,54 mlrd worden de aandelen van het bedrijf momenteel verhandeld tegen $218,80, een stijging van 34,82 % YTD. Het heeft een EPS (TTM) van 9,53, een P/E (TTM) van 2,95 en een dividendrendement van 3,05 %.

Voor Q2 2024 rapporteerde IBM een omzet van $15,8 mlrd, een stijging van 2 % met de grootste groei in de software‑divisie. De brutowinstmarge van het bedrijf bedroeg 56,8 % terwijl de operationele (Non‑GAAP) marge 57,8 % was. Netto kasstroom uit operationele activiteiten bedroeg $6,2 mlrd YTD en de vrije kasstroom $4,5 mlrd.

#3. ATI Inc. (ATI)

ATI is gespecialiseerd in de productie van speciale metalen en legeringen, en deze expertise positioneert hen goed voor toepassingen in fusie‑reactoren. High‑Performance Materials & Components (HPMC) is een van haar segmenten, dat hoog‑presterende materialen zoals titanium en op titanium gebaseerde legeringen produceert die worden gebruikt in energie, geneeskunde en de lucht‑ en ruimtevaart. Advanced Alloys & Solutions (AA&S) is een ander segment dat zirconium en verwante legeringen produceert die worden gebruikt in de automobiel-, elektronica-, energie‑ en defensiemarkten.

Met een marktkapitalisatie van $8,20 mlrd worden de aandelen van het bedrijf momenteel verhandeld tegen $66, een stijging van 44,74 % YTD. Het heeft een EPS (TTM) van 2,94 en een P/E (TTM) van 22,48.

Voor Q2 2024 rapporteerde ATI $1,1 mlrd aan omzet, een stijging van 5 % ten opzichte van het voorgaande kwartaal. De nettowinst van het kwartaal bedroeg $81,9 mln, of $0,58 per aandeel, een stijging van 26 % ten opzichte van 1Q24. De aangepaste EBITDA van het bedrijf bedroeg ondertussen $182,6 mln.

“Onze uitvoering en ons vermogen om in te spelen op marktkansen stelt ons in staat de marges te verhogen en een sterke operationele kasstroom te genereren.”

– Kimberly A. Fields, President en CEO

Conclusie

De AI‑maniak is voortdurend in groei, en de integratie ervan in kernfusie‑onderzoek markeert een cruciaal moment voor beide vakgebieden. Door de complexe uitdagingen die inherent zijn aan fusie aan te pakken, heeft AI het potentieel om de tijdlijn om praktische fusie‑energie te bereiken drastisch te verkorten.

Van realtime plasma‑voorspellingen tot het ontdekken van nieuwe legeringen die extreme omstandigheden kunnen weerstaan, AI‑gedreven vooruitgang brengt kernfusie gestaag dichter bij realiteit, en biedt een schonere en duurzamere energietoepassing voor de wereldwijde energiecrisis.

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