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 dess många fördelar finns riklig bränsle, energieffektivitet, minimala växthusgaser, pålitlighet, inneboende säkerhet och hållbarhet. Dock är den fortfarande i ett experimentellt stadium.

Detta trots att ett rekord för kärnfusionsenergi uppnåddes i år när ett team av forskare och ingenjörer upprätthöll 69 megajoule fusionenergi i 5 sekunder med endast 0,2 milligram bränsle. Även om denna energi räcker för att driva cirka 12 000 hushåll under den perioden kräver den fortfarande mer energi som insats än den genererar.

Hittills har forskare bara kunnat upprätthålla fusion i några sekunder. Men saker kan snart förändras tack vare AI.

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

“Fusion might turn out to be AI’s “killer app.”

Tidigare i år rapporterade forskare att de hittat ett sätt att förutsäga instabiliteter i plasma, som är mycket benäget att slitas och undkomma de kraftfulla magnetiska fälten i maskiner som är designade för att hålla det inneslutet, och förhindra dem i realtid med hjälp av AI.

AI‑kontrollern kunde förutsäga potentiell plasmaskada upp till 300 millisekunder i förväg, enligt experimentet som utfördes av forskarna från Princeton University och PPPL.

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.

Så har studiens fokus legat på legeringar, som krävs för att ”uppnå exceptionell prestanda vid mycket höga temperaturer.” Denna prestanda måste omfatta både motstånd mot höga temperaturer samt de strukturella mekaniska egenskaper som krävs för legeringarnas användning i komplexa kärnanläggningar. För att ett material ska uppnå hög styrka vid högre temperatur måste dess sönderfallstemperatur vara högre.

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.

Så använde forskarna AI för att kringgå testperioden och upptäcka användbara legeringskandidater på ett mer effektivt sätt. Detta innebar att generera data för att skapa AI‑modellen som identifierade tre element för testning som potentiella nya legeringskandidater.

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.

AI‑modellen från ORNL är av stor betydelse för kärnfusionsvärlden eftersom denna lovande teknik kan tillhandahålla rena och nästan obegränsade energimaterial som kan stå emot extremt höga temperaturer, strålning och mekanisk stress. Så genom att hitta högpresterande legeringar kan vi säkerställa livslängd och tillförlitlighet för fusionsreaktorer.

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

Att ha en AI‑genererad databas är bara en del av projektet. Nästa del innebär att använda den genererade datan för vidare forskning kring utveckling, träning och implementering av ML‑modeller för upptäckt och design av material.

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.

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 nästa steg kommer teamet att använda den genererade datan för att träna AI‑modellen. Modellen kommer att påskynda det enorma spektrumet av föreningar som ett resultat av att blanda de sex elementen i olika koncentrationer som legeringar.

“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.

Vid den tidpunkten noterade Lupo Pasini att bestämma hur materia och energi interagerar på subatomär nivå via arbetsintensiva experiment och befintliga förstahandsberäkningar, som lätt kan överbelasta superdatoranläggningar, helt enkelt är oöverkomligt. DL‑modeller erbjuder dock ”mycket lovande verktyg för att övervinna dessa hinder”.

Teamet bygger en HydraGNN‑arkitektur som tar in atomstrukturen och omvandlar den till en graf innan den försöker förutsäga vad förstahandskoden skulle producera som resultat.

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 som kan dra nytta av fusionen

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 är involverat i forskning och utveckling av kärnkraft genom sin GE Vernova, som syftar till att påskynda vägen mot mer pålitlig, prisvärd och hållbar energi. Dess insatser inom området inkluderar nya sensorer och avbildningstekniker för att spåra använda kärnbränslematerial i realtid, en inspektionsmetod kallad RADMASS för att göra återbehandling av bränsle mer prisvärd, samt byggande av kokande vatten‑reaktorer (BWR).

Med ett börsvärde på 204,469 miljarder dollar handlas företagets aktier för närvarande till 188,94 $, upp 47,83 % år‑till‑datum. Det har en EPS (TTM) på 4,28, ett P/E (TTM) på 44,09 och en utdelningsavkastning på 0,59 %.

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 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.

Med ett börsvärde på 201,54 miljarder dollar handlas företagets aktier för närvarande till 218,80 $, upp 34,82 % år‑till‑datum. Det har en EPS (TTM) på 9,53, ett P/E (TTM) på 2,95 och en utdelningsavkastning på 3,05 %.

För Q2 2024 rapporterade IBM en omsättning på 15,8 miljarder dollar, vilket var en ökning med 2 % med den största uppgången i deras mjukvarusegment. Företagets bruttovinstmarginal var 56,8 % medan den operativa (Non‑GAAP) var 57,8 %. Netto kassaflöde från den löpande verksamheten var 6,2 miljarder dollar år‑till‑datum och fritt kassaflöde var 4,5 miljarder dollar.

#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.

Med ett börsvärde på 8,20 miljarder dollar handlas företagets aktier för närvarande till 66 $, upp 44,74 % år‑till‑datum. Det har en EPS (TTM) på 2,94 och ett P/E (TTM) på 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.

“Vår genomförande och förmåga att kapitalisera på marknadsmöjligheter gör att vi kan driva ökade marginaler och generera starkt operativt kassaflöde.”

– Kimberly A. Fields, President and CEO

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.