AI och kärnfusion – Att använda en disruptiv teknik för att främja den andra

 Artificiell intelligens är en av de största teknologiska framstegen under det senaste decenniet och omvandlar industrier över hela spektrumet. Det finns knappt någon sektor där dess påverkan inte kan kännas, inklusive kärnfusion – en teknik som är lika disruptiv som AI själv.

Hyllad som en nästan obegränsad källa till ren energi är kärnfusion en lovande energikälla som kan visa sig vara spelväxlare.

Bland de möjliga fördelarna finns rikliga bränsleresurser och låga utsläpp av växthusgaser under drift. Tekniken är dock fortfarande under utveckling, och tillförlitlighet, materialförsörjning och ekonomi måste visas i praktiken.

I februari 2024 meddelades att JET i sina sista deuterium–tritiumexperiment 2023 hade producerat sammanlagt 69 megajoule fusionsenergi under fem sekunder med cirka 0,2 milligram bränsle. Det var värmeenergi, inte levererad el. Hela anläggningen förbrukade mer energi än fusionen producerade.

Olika fusionsanläggningar har uppnått olika tider för plasmadrift. Den centrala utmaningen är att kombinera tillräcklig temperatur, inneslutning och energivinst under lång tid. AI kan bidra till styrningen.

Kontinuerliga genombrott inom AI de senaste åren har inte bara gjort den till en del av våra dagliga liv utan också gjort den avgörande för att uppnå vetenskapliga framsteg. AI utforskas nu aktivt för att förbättra kärnfusion på flera sätt.

Från att kontrollera fusionsreaktioner genom att förutsäga och förhindra instabiliteter i realtid till att analysera reaktordesigner för att hitta de bästa, upprätthålla stabil kontroll av fusionsreaktioner under längre perioder och till och med minska tid och kostnad för analys av reaktordesigner samt förutsäga förändringar i plasma – AI:s roll i kärnfusion växer snabbt.

Även om det kanske inte blir möjligt att generera storskalig energi från kärnfusion förrän omkring 2050, har AI utan tvekan framträtt som ett lovande verktyg för att påskynda denna process.

Steven Cowley, professor i astrofysik och chef för Princeton Plasma Physics Laboratory (PPPL) inom USA:s energidepartement, menar:

att fusion kan bli ett av AI:s viktigaste tillämpningsområden.

År 2024 visade forskare från Princeton och PPPL hur AI kunde förutse och motverka vissa rivningsinstabiliteter i plasmat vid DIII-D-anläggningen. Instabiliteterna påverkar magnetfältets struktur och kan leda till att plasmainneslutningen bryts.

AI-styrsystemet kunde förutse sådana instabiliteter upp till 300 millisekunder i förväg, vilket gav tid att justera driftparametrarna.

Störningar är ett av de stora hindren i kärnfusion, eftersom man vill att reaktorn ska vara i drift 24/7 i åratal utan några problem.

“(Med tanke på att störningar och instabiliteter är) mycket problematiska… att utveckla lösningar som detta ökar deras förtroende för att vi kan driva dessa maskiner utan några problem.”

– Egemen Kolemen, studiens författare och professor i maskin- och rymdteknik vid Princeton University

Bygga AI för att hitta nya legeringar för kärnfusionsanläggningar

En nyligen genomförd studie av Oak Ridge National Laboratory (ORNL) vid Department of Energy (DOE) har skapat en AI‑modell för att hjälpa till att identifiera nya legeringar som används i kärnfusionsreaktorer som skydd för komponenter i fusionsapplikationer.

Projektet startade för många år sedan under ledning av David Womble, en tidigare AI Initiative Director, och är ett stort steg mot att förbättra kärnfusionsanläggningar. Därefter fortsatte det som ett prioriterat forskningsområde under Artificial Intelligence for Scientific Discovery (AISD).

De nuvarande begränsningarna för storskaliga beräkningsmetoder, noterade studien, kastar nytt ljus på den potentiella fördelen med att integrera maskininlärning i traditionell materialvetenskap och kvantmekanik.

Djupinlärningsmodeller (DL) har i synnerhet varit effektiva för att registrera relevanta icke‑linjäriteter som utlöses av ett atomsystems atomkonfigurationer.

När DL‑modellen är tränad kan den användas för inferens på en bråkdel av den tid som krävs för att köra en fullständig DFT‑beräkning samtidigt som den ger korrekta resultat. Denna betydande tidsbesparing vid förutsägelse av legeringsegenskaper med atominformation påskyndar effektivt upptäckten och designen av nya flerkomponentslegeringar.

Studien undersökte legeringar som kan behålla goda mekaniska egenskaper vid mycket höga temperaturer. För sådana metaller är bland annat hög smälttemperatur och motstånd mot strålning och mekanisk belastning viktiga; det handlar inte om en allmän ”sönderfallstemperatur”.

För att tillverka dessa material har volfram traditionellt använts som huvudämne. Ytterligare element tillsätts däremellan som ett komplement. Den resulterande legeringssammanställningen har varit motståndskraftig mot höga temperaturer men inkonsekvent i att upprätthålla korrekt skydd.

Nyligen har forskare undersökt att ersätta dessa standardteknologimaterial med det som ORNL:s AI‑datascientist Massimiliano Lupo Pasini beskrev som ”något helt nytt och disruptivt”.

Men naturligtvis är det en stor utmaning att identifiera potentiella metallkombinationer, med tanke på det enorma antalet möjligheter.

Forskarna genererade beräkningsdata för att utveckla en AI-modell och undersöka niob, tantal och vanadin som legeringskomponenter. Syftet är att effektivisera sökningen efter lovande kandidater, inte att ersätta all experimentell provning.

Enligt studiens resultat, som publicerats i tidskriften Scientific Data, presenterade teamet fyra öppna dataset. Datasets innehöll resultat från beräkningar med densitetsfunktionalteori (DFT) av grundtillståndsegenskaper för legeringar.

De involverade legeringarna är niobium‑vanadium (NbV), niobium‑tantal (NbTa), tantal‑vanadium (TaV) och ternära legeringar NbTaV ordnade i body‑centered‑cubic (BCC) strukturer med 128 Bravais‑gitterplatser.

Fusionsreaktorer behöver material som tål höga temperaturer, strålning och mekanisk belastning. ORNL:s modeller kan hjälpa forskare att hitta lovande legeringar snabbare och därmed stödja utvecklingen av mer hållbara komponenter.

Förutom att hjälpa till att identifiera nya legeringar mycket snabbare och kostnadseffektivare samt avlägsna ett stort hinder för att göra kärnfusionsreaktorer praktiska och säkra, kan en sådan AI‑modell också möjliggöra disruptiva teknologiska framsteg inom kärnfusion.

AI‑driven datamodellering för att påskynda vetenskapliga upptäckter

Databasen med kvantmekaniska beräkningsresultat är en del av projektet. Uppgifterna används sedan för att utveckla och träna maskininlärningsmodeller för materialdesign; databasen är inte bara AI-genererade förutsägelser.

Enligt Lupo Pasini behövs sex element för att stödja designen av nya refraktära högentropi‑legeringar.

Högentropi‑legeringar, eller HEA, är en ny front för materialforskare, och för närvarande finns det väldigt få experimentella resultat. En studie från ett par år sedan undersökte 14 element och kombinationerna som ger HEA. Med hjälp av höggenomströmmande kvantmekaniska beräkningar fann de stabiliteten och de elastiska egenskaperna för över 7 000 HEA.

Det var enligt uppgift den ”största databasen över de elastiska egenskaperna hos högentropi‑legeringar”, enligt studiens författare Wei Chen, docent i materialvetenskap och -teknik vid Illinois Institute of Technology.

Nu, för den senaste studien, finns även den kostsamma uppgiften att köra kvantmekaniska beräkningar på befintliga superdatorer. Så, ”datat ensamt kommer inte att räcka.”

Ytterligare en utmaning som teamet behövde övervinna med dessa massiva beräkningar var tidsaspekten. Det tog mer än ett år för teamet att slutligen utföra beräkningarna på superdatorerna Perlmutter och Summit och generera data.

Superdatorn Summit ingår i Oak Ridge Leadership Computing Facility och finns vid ORNL, medan Perlmutter finns vid Lawrence Berkeley National Laboratory. Båda datorsystemen är forskningsanläggningar som Office of Science inom USA:s energidepartement tillhandahåller för externa användare.

I nästa steg ska modellen tränas på beräkningsdata för att snabbare undersöka många sammansättningar av de sex utvalda elementen i olika koncentrationer.

“Vi försöker hjälpa materialforskare med deras trial‑and‑error‑metoder för att identifiera den relativa andelen av de olika elementen som måste blandas tillsammans för att skapa legeringar som kan leda till disruptiva teknologiska framsteg inom fusion.”

– Lupo Pasini

Användningen av AI för att få en djupare förståelse av materialens komplexitet har också utvecklats i snabb takt. Förra året ledde ORNL:s Lupo Pasini dessutom ett team av beräkningsvetenskapsmän som genererade dataset av oöverträffad skala som gav de ultraviolett‑synliga spektrala egenskaperna för över 10 miljoner organiska molekyler.

Att förstå en molekyls interaktion med ljus är avgörande för att avslöja dess elektroniska och optiska egenskaper, vilka har potentiella fotoaktiva tillämpningar i medicinska bildsystem och solceller.

Kvantkemi‑beräkningarna kördes med hjälp av högpresterande beräkningsresurser för att generera de enorma datasetten. Dessa dataset kommer sedan att användas för att träna en DL‑modell för att identifiera molekyler med skräddarsydda optoelektroniska och fotoreaktiva egenskaper.

Lupo Pasini framhöll att både experiment och beräkningar från grundläggande fysikaliska principer kan vara mycket resurskrävande. Djupinlärning kan ge snabbare approximationer när modellerna har tränats och validerats.

HydraGNN omvandlar atomstrukturer till grafer och använder grafneuronnät för att förutsäga egenskaper som annars beräknas med metoder från grundläggande fysikaliska principer.

Tidigare i år visade Lupo Pasini och teamet HydraGNN:s skalning på Perlmutter‑systemet samt Frontier‑ och Summit‑superdatorerna. HydraGNN är en implementering av GNN‑arkitekturer för att producera snabba och exakta förutsägelser av materialegenskaper.

Med illustrationen visade teamet precis hur man skalar grafneuronätverk (GNN) för att kartlägga kopplingar mellan tusentals eller till och med miljoner variabler och avtäcka deras relationer för att påskynda vetenskapliga upptäckter.

Företag med verksamhet inom närliggande områden

Både AI‑ och kärnfusionsindustrierna får miljarder dollar i investeringar, vilket visar på spänningen och utvecklingen kring dessa två transformerande teknologier. Så låt oss titta på några framstående namn inom dessa områden: 

#1. General Electric (GE)

General Electric, numera GE Aerospace (GE.TO ), ska skiljas från GE Vernova (GEV ), som blev ett separat börsnoterat bolag i april 2024. GE Vernovas kärnkraftsverksamhet omfattar bland annat fissionsreaktorer och bränsleteknik; detta är inte samma sak som kommersiell kärnfusion.

De historiska aktieuppgifterna i artikeln för GE, inte GE Vernova, var ett börsvärde på cirka 204,469 miljarder dollar och en kurs på 188,94 dollar. Ökningen sedan årets början var 47,83 %, EPS för de senaste tolv månaderna 4,28 dollar, P/E 44,09 och direktavkastningen 0,59 %. Dessa är uppgifter från 2024, inte aktuella värden.

För Q2 2024 rapporterade GE Vernova 8,2 miljarder dollar i total omsättning och 1,3 miljarder dollar i nettoresultat. Samtidigt översteg totala order på 11,8 miljarder dollar intäkterna med 1,4‑fald. Kassaflöde från den löpande verksamheten i kvartalets slut uppgick till 1 miljard dollar, medan kassabalansen på 5,8 miljarder dollar ökade från 4,2 miljarder dollar efter avknoppningen från GE i april.

“Globala elektrifierings‑ och avkarboniseringstrender fortsätter att driva efterfrågan på våra produkter och tjänster.”

– GE Vernova CEO Scott Strazik

#2. IBM (IBM)

Medan NVIDIA (NVDA ) är en ledare inom AI‑ och superdatorer, vilket har drivit deras aktiekurser upp 134,76 % i år, är IBM också bland de ledande inom kvantberäkning och AI‑forskning. Företagets kvantdatorer är molnbaserade kvantberäkningssystem som kan användas för forskning och utforskning.

Genom att köra komplexa simuleringar på dessa kvantdatorer möjliggör IBM kritiska genombrott inom olika sektorer. För ett par år sedan skrev företaget om att optimera kärnkraftsproduktion genom att låsa upp värdet av data.

I artikelns historiska uppgifter från 2024 hade IBM ett börsvärde på 201,54 miljarder dollar och en kurs på 218,80 dollar, upp 34,82 % sedan årets början. Med EPS på 9,53 dollar motsvarar kursen ett P/E-tal på cirka 22,96, inte 2,95. Direktavkastningen angavs till 3,05 %.

För andra kvartalet 2024 rapporterade IBM en omsättning på 15,8 miljarder dollar, upp 2 %. Bruttomarginalen var 56,8 % enligt GAAP och 57,8 % på justerad operativ basis; 57,8 % är alltså också en bruttomarginal, inte rörelsemarginal. Kassaflödet från löpande verksamhet under första halvåret var 6,2 miljarder dollar och det fria kassaflödet 4,5 miljarder.

#3. ATI Inc. (ATI)

ATI är specialiserat på produktion av specialmetaller och legeringar, och denna expertis placerar dem väl för tillämpningar i fusionsreaktorer. High‑Performance Materials & Components (HPMC) är ett av deras segment, som producerar högpresterande material som titan och titanbaserade legeringar som används inom energi, medicin och rymdteknik. Advanced Alloys & Solutions (AA&S) är ett annat segment som producerar zirkonium och relaterade legeringar som används på bil-, elektronik-, energi- och försvarsmarknaderna.

I artikelns historiska aktieuppgifter från 2024 hade ATI ett börsvärde på 8,20 miljarder dollar och en kurs på 66 dollar, upp 44,74 % sedan årets början. EPS för de senaste tolv månaderna var 2,94 dollar och P/E-talet 22,48.

För Q2 2024 rapporterade ATI 1,1 miljarder dollar i försäljning, vilket var en ökning med 5 % från föregående kvartal. Nettoresultatet för kvartalet var 81,9 miljoner dollar, eller 0,58 $ per aktie, upp 26 % från 1Q24. Justerad EBITDA för företaget var under tiden 182,6 miljoner dollar.

“Vårt genomförande och vår förmåga att ta vara på marknadsmöjligheter gör att vi kan driva ökade marginaler och generera starkt operativt kassaflöde.”

— Kimberly A. Fields, vd

Slutsats

AI‑mani växer ständigt, och dess integration i kärnfusionsforskning markerar ett avgörande ögonblick för båda fälten. Genom att tackla de komplexa utmaningarna som är inneboende i fusion har AI potentialen att drastiskt förkorta tidslinjen för att uppnå praktisk fusionsenergi.

Från realtidsförutsägelser av plasma till att upptäcka nya legeringar som kan stå emot extrema förhållanden, driver AI‑drivna framsteg stadigt kärnfusion närmare att bli en verklighet och erbjuder en renare och mer hållbar energilösning på den globala energikrisen.

Klicka här för att lära dig allt om att investera i artificiell intelligens.