KI og kjernefysisk fusjon – Bruke en disruptiv teknologi for å fremme den andre

 Kunstig intelligens er en av de viktigste teknologiske fremskrittene det siste tiåret, og transformerer industrier på tvers av sektorer. Det er knapt en bransje der dens påvirkning ikke kan merkes, inkludert kjernefysisk fusjon – en teknologi som er like disruptiv som KI selv.

Hyllet som en nesten ubegrenset kilde til ren energi, kjernefysisk fusjon er en lovende energikilde som kan vise seg å være banebrytende. 

Blant dens mange fordeler er rikelig drivstoff, energieffektivitet, minimale klimagasser, pålitelighet, innebygd sikkerhet og bærekraft. Likevel er den fortsatt i eksperimentell fase.

Dette til tross for at en energirekord for kjernefysisk fusjon ble oppnådd i år da et team av forskere og ingeniører opprettholdt 69 megajoule fusjonsenergi i 5 sekunder ved kun 0,2 milligram drivstoff. Selv om denne energien er nok til å forsyne omtrent 12 000 husholdninger i den perioden, krever den fortsatt mer energi som input enn den genererer. 

Så langt har forskere kun kunnet opprettholde fusjon i noen sekunder. Imidlertid kan ting være i ferd med å endre seg takket være KI.

Kontinuerlige gjennombrudd innen KI de siste årene har ikke bare gjort den til en del av hverdagen vår, men også gjort den kritisk for å oppnå vitenskapelige fremskritt. KI blir nå aktivt utforsket for å forbedre kjernefysisk fusjon på flere måter. 

Fra å kontrollere fusjonsreaksjoner ved å forutsi og forhindre ustabiliteter i sanntid til å analysere reaktordesign for å finne de beste, opprettholde stabil kontroll av fusjonsreaksjoner over lengre perioder, og til og med redusere tid og kostnader ved analyse av reaktordesign og forutsigelse av endringer i plasma – KI sin rolle i kjernefysisk fusjon vokser raskt.  

Selv om det kan ta til rundt 2050 før storstilt energiproduksjon fra kjernefysisk fusjon blir mulig, har KI definitivt fremstått som et lovende verktøy for å akselerere denne prosessen.

Steven Cowley, professor i astrofysiske vitenskaper og laboratoriedirektør ved Energidepartementets Princeton Plasma Physics Laboratory (PPPL), mener:

“Fusjon kan vise seg å bli KIs “killer app.””

Tidligere i år rapporterte forskere at de hadde funnet en måte å forutsi ustabiliteter i plasma på, som er svært utsatt for rivning og å unnslippe de kraftige magnetfeltene i maskiner designet for å holde det innesperret, og forhindre dem i sanntid ved hjelp av KI.

AI‑kontrolleren klarte å forutsi potensiell plasma‑rivning opptil 300 millisekunder i forveien, ifølge eksperimentet utført av forskerne fra Princeton University og PPPL.

Forstyrrelser er en av de store hindringene i kjernefysisk fusjon, da man ønsker at reaktoren skal være i drift 24/7 i flere år uten problemer.

“(Gitt at forstyrrelser og ustabiliteter er) svært problematiske… utvikling av løsninger som dette øker deres tillit til at vi kan drive disse maskinene uten problemer.”

– Egemen Kolemen, studieforfatter og professor i maskin- og romfartsteknikk ved Princeton University

Bygge KI for å finne nye legeringer for kjernefysiske fusjonsanlegg

En nylig studie fra Oak Ridge National Laboratory (ORNL) ved Department of Energy (DOE) har utviklet en KI‑modell for å hjelpe med å identifisere nye legeringer som brukes i kjernefysiske fusjonsreaktorer som skjerming for komponenter i fusjonsapplikasjoner.

Prosjektet startet for mange år siden under ledelse av David Womble, en tidligere AI‑Initiative‑direktør, og er et stort steg mot forbedring av kjernefysiske fusjonsanlegg. Deretter fortsatte det som prioritert forskningsområde under Artificial Intelligence for Scientific Discovery (AISD).

De nåværende begrensningene ved storskala beregningsmetoder, bemerket studien, kaster nytt lys over den potensielle fordelen ved å integrere maskinlæring i tradisjonell materialvitenskap og kvantemekanikk.

Dyp læring (DL)-modeller har spesielt vist seg effektive i å registrere relevante ikke‑lineariteter som utløses av atomers konfigurasjoner i et atomisk system.

Når DL‑modellen er trent, kan den brukes til inferens på en brøkdel av tiden som kreves for å kjøre en full DFT‑beregning, samtidig som den leverer nøyaktige resultater. Denne betydelige tidsbesparelsen ved å forutsi legeringsegenskaper ved hjelp av atominformasjon akselererer effektivt oppdagelsen og designen av nye flerkomponentlegeringer. 

Studiets fokus har dermed vært på legeringer, som må “oppnå eksepsjonell ytelse ved svært høye temperaturer”. Denne ytelsen må omfatte både motstand mot høye temperaturer og de strukturelle mekaniske egenskapene som kreves for bruk av legeringene i komplekse kjernekraftverk. For at et materiale skal oppnå høy styrke ved høyere temperatur, må dets dekomponeringstemperatur også være høyere. 

For å lage disse materialene har wolfram tradisjonelt blitt brukt som hovedelement. Ytterligere elementer tilsettes som supplement. Den resulterende legeringssammensetningen har vært motstandsdyktig mot høye temperaturer, men inkonsekvent i å opprettholde tilstrekkelig skjerming.

Nylig har forskere undersøkt å erstatte disse standardteknologimaterialene med det ORNL AI‑datascientist Massimiliano Lupo Pasini beskrev som “noe helt nytt og disruptivt”.

Men selvfølgelig er det en stor utfordring å identifisere potensielle metallkombinasjoner, gitt det enorme antallet muligheter. 

Derfor brukte forskerne KI for å omgå testperioden og oppdage brukbare legeringskandidater på en mer effektiv måte. Dette innebar å generere data for å lage KI‑modellen som identifiserte tre elementer for testing som potensielle nye legeringskandidater.

Ifølge resultatene fra studien, som er publisert i tidsskriftet Scientific Data, presenterte teamet fire åpne datasett. Datasettene inneholdt resultater fra tetthetsfunksjonalteori (DFT)-beregninger av grunnstilstandsegenskaper for legeringer. 

Legeringene som er involvert er niobium‑vanadium (NbV), niobium‑tantal (NbTa), tantal‑vanadium (TaV), og ternære legeringer NbTaV ordnet i body‑centered‑cubic (BCC)-strukturer med 128 Bravais‑gitterplasser. 

KI‑modellen fra ORNL er av stor betydning i verden av kjernefysisk fusjon fordi denne lovende teknologien kan levere rene og nesten ubegrensede energimaterialer som tåler ekstremt høye temperaturer, stråling og mekanisk stress. Ved å finne høy‑ytelseslegeringer kan vi sikre lang levetid og pålitelighet for fusjonsreaktorer.

I tillegg til å hjelpe med å identifisere nye legeringer langt raskere og kostnadseffektivt, og fjerne et stort hinder for å gjøre kjernefysiske fusjonsreaktorer praktiske og sikre, kan en slik KI‑modell også muliggjøre disruptive teknologiske fremskritt innen kjernefysisk fusjon.

KI‑drevet datamodellering for å fremskynde vitenskapelige oppdagelser

Å ha en KI‑generert database er bare en del av prosjektet. Den neste delen innebærer å bruke de genererte dataene til videre forskning på utvikling, trening og distribusjon av ML‑modeller for oppdagelse og design av materialer.

Ifølge Lupo Pasini er seks elementer nødvendige for å støtte designet av nye refraktære høy‑entropi‑legeringer.

Høy‑entropi‑legeringer, eller HEA‑er, er en ny front for materialforskere, og per i dag finnes det svært få eksperimentelle resultater. En studie fra et par år siden undersøkte 14 elementer og kombinasjonene som gir HEA‑er. Ved hjelp av høy‑gjennomstrømmende kvantemekaniske beregninger fant de stabiliteten og elastiske egenskaper for over 7 000 HEA‑er. 

Det ble rapportert som den “største databasen over elastiske egenskaper for høy‑entropi‑legeringer”, ifølge studieforfatter Wei Chen, førsteamanuensis i materialvitenskap og ingeniørfag ved Illinois Institute of Technology.

I den siste studien er det også spørsmålet om den kostbare oppgaven med å kjøre kvantemekaniske beregninger på eksisterende superdatamaskiner. Så, “dataene alene vil ikke være nok”.

En annen utfordring teamet måtte overvinne med disse massive beregningene var tiden. Det tok mer enn ett år før teamet endelig kunne utføre beregningene på Perlmutter‑ og Summit‑superdatamaskinene og generere data.

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.

I neste steg vil teamet bruke de genererte dataene til å trene KI‑modellen. Modellen vil akselerere det enorme spekteret av forbindelser som resultat av å blande de seks elementene i ulike konsentrasjoner som legeringer.

«Vi prøver å hjelpe materialforskerne med deres prøving‑og‑feiling‑tilnærminger for å identifisere den relative prosentandelen av de ulike elementene som må blandes sammen for å komme frem til legeringer som kan føre til disruptive teknologiske fremskritt i fusjon.»

– Lupo Pasini

Bruken av KI for å forstå kompleksiteten i materialer på et dypere nivå har også utviklet seg i raskt tempo. I fjor ledet ORNLs Lupo Pasini et team av beregningsforskere som genererte datasett av enestående skala som ga de ultrafiolette synlige spektrale egenskapene til over 10 millioner organiske molekyler. 

Å forstå et molekyls interaksjon med lys er avgjørende for å avdekke dets elektroniske og optiske egenskaper, som har potensielle fotoaktive anvendelser i medisinsk bildediagnostikk og solceller.

Kvantkjemiberegningene ble kjørt ved bruk av høyytelses‑databehandlingsressurser for å generere de enorme datasettene. Disse datasettene vil deretter bli brukt til å trene en DL‑modell for å identifisere molekyler med skreddersydde optoelektroniske og fotoreaktive egenskaper.

På den tiden bemerket Lupo Pasini at å fastslå hvordan materie og energi interagerer på subatomært nivå via arbeidsintensive eksperimenter og eksisterende første‑prinsipp‑beregninger, som lett kan overbelaste superdatamaskinanlegg, er simpelthen uoverkommelig. DL‑modeller gir imidlertid «svært lovende verktøy for å overvinne disse barrierene».

Teamet bygger en HydraGNN‑arkitektur som tar inn atomstrukturen og konverterer den til en graf før den forsøker å forutsi hva første‑prinsipp‑koden ville produsere som resultat.

Tidligere i år viste Lupo Pasini og teamet HydraGNN‑skalerbarhet på Perlmutter‑systemet samt på Frontier‑ og Summit‑superdatamaskinene. HydraGNN er en implementering av GNN‑arkitekturer for å levere raske og nøyaktige prediksjoner av materialegenskaper.

Med illustrasjonen viste teamet akkurat hvordan man skalerer graf‑nevrale nettverk (GNN‑er) for å kartlegge forbindelser mellom tusenvis eller til og med millioner av variabler og avdekke deres relasjoner for å fremskynde vitenskapelige oppdagelser.

Selskaper som vil dra nytte av fusjon 

Både KI‑ og kjernefysiske fusjonsindustrier ser milliarder av dollar i investeringer, noe som viser spenningen og utviklingen rundt disse to transformerende teknologiene. La oss derfor se på noen fremtredende navn fra disse feltene: 

#1. General Electric (GE)

General Electric (GE.TO ) er involvert i forskning og utvikling av kjernekraft gjennom sin GE Vernova (GEV ), som har som mål å fremskynde veien mot mer pålitelig, rimelig og bærekraftig energi. Dens innsats på området inkluderer nye sensorer og bildeteknikker for å spore brukt kjernekraftbrensel i sanntid, en inspeksjonsteknikk kalt RADMASS for å gjøre gjenbehandling av brensel mer kostnadseffektiv, og bygging av kokende vann‑kjernekraftreaktorer (BWR‑er).

Med en markedsverdi på 204,469 milliarder dollar handles selskapets aksjer for tiden til 188,94 $, opp 47,83 % år‑til‑dato. Den har en EPS (TTM) på 4,28, en P/E (TTM) på 44,09, og en utbytteavkastning på 0,59 %.

For Q2 2024 rapporterte GE Vernova 8,2 milliarder dollar i total omsetning og 1,3 milliarder dollar i nettoresultat. Samtidig oversteg totale bestillinger på 11,8 milliarder dollar inntektene med 1,4 ganger. Kontanter fra driftsaktiviteter ved kvartalets slutt var 1 milliard dollar, mens kontantbalansen på 5,8 milliarder dollar økte fra 4,2 milliarder dollar etter spin‑off fra GE i april.

“Globale elektrifiserings‑ og dekarboniseringstrender fortsetter å drive etterspørselen etter våre produkter og tjenester.”

– GE Vernova‑administrerende direktør Scott Strazik

#2. IBM (IBM)

Mens NVIDIA (NVDA ) er en leder innen KI‑ og superdatateknologi, som har drevet aksjekursene opp 134,76 % i år, er IBM også blant de ledende innen kvantedatabehandling og KI‑forskning. Selskapets kvantedatamaskiner er skybaserte kvantedatabehandlingssystemer som kan brukes til forskning og utforskning.

Ved å kjøre komplekse simuleringer på disse kvantedatamaskinene muliggjør IBM kritiske gjennombrudd i ulike sektorer. For et par år siden skrev selskapet om optimalisering av kjernekraftproduksjon ved å låse opp verdien av data.

Med en markedsverdi på 201,54 milliarder dollar handles selskapets aksjer for tiden til 218,80 $, opp 34,82 % år‑til‑dato. Den har en EPS (TTM) på 9,53, en P/E (TTM) på 2,95, og en utbytteavkastning på 3,05 %.

For Q2 2024 rapporterte IBM en omsetning på 15,8 milliarder dollar, noe som var en økning på 2 % med den største oppgangen i programvaresegmentet. Selskapets bruttofortjenestemargin var 56,8 % mens driftsmargin (Non‑GAAP) var 57,8 %. Netto kontanter fra driftsaktiviteter var 6,2 milliarder dollar år‑til‑dato, og fri kontantstrøm var 4,5 milliarder dollar.

#3. ATI Inc. (ATI)

ATI spesialiserer seg på produksjon av spesialmetaller og legeringer, og denne ekspertisen posisjonerer dem godt for fusjonsreaktorapplikasjoner. High‑Performance Materials & Components (HPMC) er en av deres segmenter, som produserer høy‑ytelsesmaterialer som titan og titan‑baserte legeringer brukt i energi, medisin og romfart. Advanced Alloys & Solutions (AA&S) er et annet segment som produserer zircon og relaterte legeringer som brukes i bil-, elektronikk‑, energi‑ og forsvarsmarkedene.

Med en markedsverdi på 8,20 milliarder dollar handles selskapets aksjer for tiden til 66 $, opp 44,74 % år‑til‑dato. Den har en EPS (TTM) på 2,94 og en P/E (TTM) på 22,48.

For Q2 2024 rapporterte ATI 1,1 milliarder dollar i salg, noe som var opp 5 % fra forrige kvartal. Nettoresultatet for kvartalet var 81,9 millioner dollar, eller 0,58 $ per aksje, opp 26 % fra 1Q24. Justert EBITDA for selskapet var derimot 182,6 millioner dollar.

“Vår gjennomføring og evne til å utnytte markedsmuligheter gjør at vi kan øke marginene og generere sterk driftskontantstrøm.”  

– Kimberly A. Fields, president og administrerende direktør

Konklusjon

KI‑mani vokser stadig, og dens integrering i forskning på kjernefysisk fusjon markerer et avgjørende øyeblikk for begge feltene. Ved å takle de komplekse utfordringene som er iboende i fusjon, har KI potensialet til å drastisk forkorte tidslinjen for å oppnå praktisk fusjonsenergi.

Fra sanntids‑plasmaprediksjoner til oppdagelse av nye legeringer som kan tåle ekstreme forhold, driver KI‑baserte fremskritt jevnt fusjon nærmere en realitet, og tilbyr en renere og mer bærekraftig energiløsning på den globale energikrisen.

Klikk her for å lære alt om investering i kunstig intelligens.