AI at Nuclear Fusion – Paggamit ng Isang Nakakagambalang Teknolohiya upang Paunlarin ang Isa Pa

 Ang artificial intelligence ay isa sa mga pangunahing pag-unlad sa teknolohiya ng nakaraang dekada, na nagbabago ng mga industriya sa lahat ng larangan. Halos walang sektor na hindi nararamdaman ang epekto nito, kabilang ang nuclear fusion—isang teknolohiya na kasing-gambala ng AI mismo.

Tinagurian bilang halos walang hangganang mapagkukunan ng malinis na enerhiya, ang nuclear fusion ay isang pangakong mapagkukunan ng enerhiya na maaaring maging mapagbago. 

Kabilang sa maraming benepisyo nito ang saganang fuel, kahusayan sa enerhiya, kaunting greenhouse gases, pagiging maaasahan, likas na kaligtasan, at pagpapanatili. Gayunpaman, ito ay nasa yugto pa ng eksperimento.

Ito ay sa kabila ng katotohanang isang rekord sa enerhiya ng nuclear fusion ay naabot ngayong taon nang ang isang pangkat ng mga siyentipiko at inhinyero ay nagpapanatili ng 69 megajoules ng fusion energy sa loob ng 5 segundo gamit lamang ang 0.2 milligram ng fuel. Bagaman sapat ang enerhiyang ito upang mapatakbo ang humigit-kumulang 12,000 kabahayan sa nasabing tagal, ito ay nangangailangan pa rin ng mas maraming enerhiya bilang input kaysa nalilikha nito. 

Sa ngayon, ang mga siyentipiko ay nakapagpanatili lamang ng fusion sa loob ng ilang segundo. Gayunpaman, maaaring magbago ang sitwasyon dahil sa AI.

Ang patuloy na mga breakthrough sa AI sa mga nagdaang taon ay hindi lamang nagpasok nito sa ating pang-araw-araw na buhay kundi ginawa rin itong kritikal para sa pag-abot ng mga siyentipikong pag-unlad. Aktibong sinusuri ngayon ang AI upang mapabuti ang nuclear fusion sa ilang paraan. 

Mula sa pagkontrol ng mga fusion reaction sa pamamagitan ng pag-forecast at pag-iwas sa mga instability nang real-time hanggang sa pagsusuri ng mga disenyo ng reaktor upang mahanap ang pinakamahusay, pagpapanatili ng matatag na kontrol ng mga fusion reaction nang mas matagal, at kahit na pagpapababa ng oras at gastos sa pagsusuri ng mga disenyo ng reaktor at pag-forecast ng mga pagbabago sa plasma—ang papel ng AI sa nuclear fusion ay mabilis na lumalago.  

Bagaman maaaring hindi pa posible ang paglikha ng malakihang enerhiya mula sa nuclear fusion bago ang 2050, tiyak na lumitaw ang AI bilang isang pangakong kasangkapan upang pabilisin ang prosesong ito.

Si Steven Cowley, propesor ng astrophysical sciences at laboratory director ng Energy Department’s Princeton Plasma Physics Laboratory (PPPL), naniniwala:

“Maaaring maging ‘killer app’ ng AI ang fusion.”

Noong unang bahagi ng taong ito, iniulat ng mga siyentipiko na nakahanap sila ng paraan upang i-forecast ang mga instability sa plasma, na madaling mapunit at tumakas mula sa mga magnetic field ng mga makina na dinisenyo upang panatilihin ito, at maiwasan ito nang real-time gamit ang AI.

Nagawa ng AI controller na i-predict ang posibleng pagputol ng plasma hanggang 300 milisegundo nang maaga, ayon sa eksperimento na isinagawa ng mga mananaliksik mula sa Princeton University at PPPL.

Ang mga disruptions ay isa sa mga malaking hadlang sa nuclear fusion, dahil nais ng isa na ang reaktor ay patuloy na gumagana 24/7 para sa mga taon nang walang anumang problema. 

“(Dahil ang mga disruptions at instabilities ay) napaka-problematiko… ang pag-develop ng mga solusyon tulad nito ay nagpapataas ng kanilang kumpiyansa na mapatakbo namin ang mga makinang ito nang walang anumang isyu.”

– Egemen Kolemen, may-akda ng pag-aaral at propesor ng mechanical at aerospace engineering sa Princeton University

Pagbuo ng AI upang Makahanap ng mga Bagong Aloy para sa mga Pasilidad ng Nuclear Fusion

Isang kamakailang pag-aaral ng Oak Ridge National Laboratory (ORNL) ng Department of Energy (DOE) ang lumikha ng isang AI model upang makatulong sa pagtukoy ng mga bagong aloy na ginagamit sa mga nuclear fusion reactor bilang pananggalang para sa mga komponent ng aplikasyon ng fusion.

Nagsimula ang proyekto maraming taon na ang nakalilipas sa pangunguna ni David Womble, dating AI Initiative Director, at ito ay isang malaking hakbang patungo sa pagpapabuti ng mga pasilidad ng nuclear fusion. Pagkatapos, ito ay nagpatuloy bilang prayoridad na larangan ng pananaliksik sa ilalim ng Artificial Intelligence for Scientific Discovery (AISD).

Ang kasalukuyang mga limitasyon ng malakihang computational approaches, ayon sa pag-aaral, ay nagbubukas ng bagong liwanag sa potensyal na benepisyo ng pagsasama ng ML sa tradisyunal na material science at quantum mechanics. 

Ang mga deep learning (DL) model, partikular, ay naging epektibo sa pagrekord ng mga kaugnay na nonlinearity na na-trigger ng mga atomic configuration ng isang atomic system.

Kapag ang DL model ay na-train, maaari itong gamitin para sa inference sa isang bahagi lamang ng oras na kinakailangan para patakbuhin ang buong DFT calculation habang nagbibigay ng tumpak na resulta. Ang malaking pagtitipid sa oras sa pag-forecast ng mga katangian ng aloy gamit ang atomic na impormasyon ay epektibong nagpapabilis ng pagtuklas at disenyo ng mga bagong multi-component na aloy. 

Kaya, ang pokus ng pag-aaral ay sa mga aloy, na kinakailangan upang \”makamit ang pambihirang pagganap sa napakataas na temperatura.\” Ang pagganap na ito ay kailangang masukat sa resistensya sa mataas na temperatura pati na rin sa mga estruktural na mekanikal na katangian na kinakailangan para sa paggamit ng mga aloy sa komplikadong nuclear plant. Upang makamit ng isang materyal ang mataas na lakas sa mas mataas na temperatura, ang temperatura ng pagkasira nito ay kailangang mas mataas. 

Upang gawin ang mga materyales na ito, ang tungsten ay ginamit bilang pangunahing elemento tradisyonal. Ang mga karagdagang elemento, samantala, ay idinadagdag bilang suplemento. Ang nagresultang komposisyon ng aloy ay tumatagal sa mataas na temperatura ngunit hindi palaging napapanatili ang tamang shielding.

Kamakailan, sinuri ng mga mananaliksik ang pagpapalit ng mga standard na materyales ng teknolohiya ng kung ano ang inilalarawan ng ORNL AI data scientist na si Massimiliano Lupo Pasini bilang \”isang bagay na ganap na bago at nakakagambala.\”

Ngunit, siyempre, ang pagtukoy ng mga posibleng kombinasyon ng metal ay isang malaking hamon, dahil sa napakalawak na bilang ng mga posibilidad. 

Kaya, gumamit ang mga mananaliksik ng AI upang malampasan ang yugto ng test-run at matuklasan ang magagamit na kandidato ng aloy sa mas epektibong paraan. Ito ay kinabibilangan ng pagbuo ng data upang lumikha ng AI model na natuklasan ang tatlong elemento para sa pagsubok bilang posibleng bagong kandidato ng aloy.

Ayon sa mga resulta ng pag-aaral, na na-publish sa journal na Scientific Data, nagpakita ang koponan ng apat na open-source na dataset. Ang mga dataset ay nagbigay ng mga resulta ng density functional theory (DFT) calculations ng mga katangian ng ground-state ng mga aloy. 

Ang mga aloy na kasangkot ay niobium-vanadium (NbV), niobium-tantalum (NbTa), tantalum-vanadium (TaV), at ternary aloy na NbTaV na nakaayos sa body-centered-cubic (BCC) na estruktura na may 128 Bravais lattice sites. 

Ang AI model mula sa ORNL ay may malaking kahalagahan sa mundo ng nuclear fusion dahil ang pangakong teknolohiyang ito ay maaaring magbigay ng malinis at halos walang hangganang pangangailangan sa enerhiya mga materyales na kayang tiisin ang napakataas na temperatura, radiation, at mekanikal na stress. Kaya, sa pamamagitan ng paghahanap ng mga high-performance na aloy, maaari nating matiyak ang katagalan at pagiging maaasahan ng mga fusion reactor.

Bukod sa pagtulong na matukoy ang mga bagong aloy nang mas mabilis at mas matipid at pagtanggal ng isang malaking balakid sa pagpapraktikal at ligtas ng mga nuclear fusion reactor, ang ganitong AI model ay maaari ring magbigay-daan sa mga nakakagambalang pag-unlad sa teknolohiya ng nuclear fusion.

AI-Driven na Pagmomodelo ng Data upang Pabilisin ang mga Siyentipikong Diskubre

Ang pagkakaroon ng AI-generated na database ay isa lamang bahagi ng proyekto. Ang susunod na bahagi ay kinabibilangan ng paggamit ng nabuo na data para sa karagdagang pananaliksik hinggil sa pag-develop, pagsasanay, at pag-deploy ng mga ML model para sa pagtuklas at disenyo ng mga materyales.

Ayon kay Lupo Pasini, anim na elemento ang kailangan upang suportahan ang disenyo ng mga bagong refractory high entropy na aloy. 

Ang high entropy alloys, o HEAs, ay isang bagong hangganan para sa mga material scientists, at sa kasalukuyan, kakaunti lamang ang mga experimental na resulta. Isang pag-aaral mula ilang taon na ang nakalilipas ang sumuri sa 14 elemento at ang mga kombinasyon na nagbubunga ng HEAs. Sa paggamit ng high-throughput quantum mechanical calculations, natuklasan nila ang katatagan at elastic properties ng higit sa 7,000 HEAs. 

Ayon sa ulat, iyon ang \”pinakamalaking database ng mga elastic properties ng high-entropy alloys,\” ayon kay Wei Chen, associate professor ng material science at engineering sa Illinois Institute of Technology.

Ngayon, para sa pinakabagong pag-aaral, may isyu rin ng magastos na gawain ng pagtakbo ng quantum mechanical calculations sa mga umiiral na supercomputer. Kaya, \”hindi sapat ang data lamang.\”

Isa pang hamon na kailangang pagtagumpayan ng koponan sa mga napakalaking kalkulasyong ito ay ang oras. Tumagal ng higit sa isang taon bago nagawa ng koponan ang mga kalkulasyon sa Perlmutter at Summit supercomputers at makabuo ng data.

The Summit supercomputer ay bahagi ng Oak Ridge Leadership Computing Facility at matatagpuan sa ORNL, samantalang ang Perlmutter ay nasa Lawrence Berkeley National Laboratory, at ang parehong computing system ay mga pasilidad ng DOE Office of Science para sa mga user.

Sa susunod na hakbang, gagamitin ng koponan ang nabuo na data upang sanayin ang AI model. Ang model ay magpapabilis sa napakalawak na hanay ng mga compound bilang resulta ng paghahalo ng anim na elemento sa iba’t ibang konsentrasyon bilang mga aloy.

“Sinusubukan naming tulungan ang mga material scientist sa kanilang trial-and-error na pamamaraan sa pagtukoy ng relatibong porsyento ng iba’t ibang elemento na kailangang haluin magkasama upang makabuo ng mga aloy na maaaring magdala ng nakakagambalang pag-unlad sa teknolohiya ng fusion.”

– Lupo Pasini

Ang paggamit ng AI upang maunawaan ang mga komplikasyon ng mga materyales sa mas malalim na antas ay patuloy ding umuunlad nang mabilis. Noong nakaraang taon, pinamunuan ni Lupo Pasini mula sa ORNL din ang isang koponan ng mga computational scientist na lumikha ng mga dataset na walang kapantay ang sukat na nagbigay ng ultraviolet visible spectral properties ng higit sa 10 milyong organic molecules. 

Ang pag-unawa sa pakikipag-ugnayan ng isang molekula sa liwanag ay mahalaga upang ilahad ang mga elektronik at optikal na katangian nito, na may potensyal na photoactive na aplikasyon sa mga sistema ng medikal na imaging at solar cells.

Ang mga quantum chemistry calculations ay isinagawa gamit ang high-performance computing resources upang lumikha ng napakalawak na mga dataset. Gagamitin ang mga dataset na ito upang sanayin ang isang DL model na tukuyin ang mga molekula na may iniangkop na optoelectronic at photoreactivity na katangian.

Noong panahong iyon, binigyang-diin ni Lupo Pasini na ang pagtukoy kung paano nag-uugnayan ang materya at enerhiya sa subatomic na antas sa pamamagitan ng mga labor-intensive na eksperimento at umiiral na first-principles calculations, na madaling magpabigat sa mga pasilidad ng supercomputing, ay sadyang hindi kayang tustusan. Ang mga DL model, gayunpaman, “nagbibigay ng napakagandang kasangkapan upang lampasan ang mga hadlang na ito.”

Ang koponan ay bumubuo ng HydraGNN architecture na tumatanggap ng atomic structure at nagko-convert nito sa isang graph bago subukang i-predict kung ano ang ilalabas ng first-principles code.

Noong unang bahagi ng taong ito, ipinakita nina Lupo Pasini at ng koponan ang pag-scale ng HydraGNN sa Perlmutter system gayundin sa Frontier at Summit supercomputers. Ang HydraGNN ay isang implementasyon ng GNN architectures upang magbigay ng mabilis at tumpak na prediksyon ng mga katangian ng materyal.

Sa pamamagitan ng ilustrasyon, ipinakita ng koponan kung paano i-scale ang graph neural networks (GNNs) upang i-map ang mga koneksyon sa pagitan ng libu-libo o kahit milyong mga variable at tuklasin ang kanilang mga relasyon upang mapabilis ang siyentipikong pagtuklas.

Mga Kumpanyang Makikinabang mula sa Fusion 

Parehong industriya ng AI at nuclear fusion ay nakakatanggap ng bilyong dolyar na pamumuhunan, na nagpapakita ng kasabikan at pag-unlad sa paligid ng dalawang nagbabagong teknolohiyang ito. Kaya, tingnan natin ang ilang kilalang pangalan mula sa mga larangang ito: 

#1. General Electric (GE)

Ang General Electric (GE.TO ) ay kasangkot sa pananaliksik at pag-develop ng nuclear power sa pamamagitan ng GE Vernova (GEV ), na naglalayong pabilisin ang landas patungo sa mas maaasahan, abot-kayang, at napapanatiling enerhiya. Kasama sa mga pagsisikap nito sa larangan ang mga bagong sensor at imaging technique upang subaybayan ang mga ginamit na materyales ng nuclear fuel nang real-time, isang inspection technique na tinatawag na RADMASS upang gawing mas abot-kaya ang pag-reprocess ng fuel, at ang pagtatayo ng boiling water nuclear reactors (BWRs).

Sa market cap na $204.469 bilyon, ang mga shares ng kumpanya ay kasalukuyang nagte-trade sa $188.94, tumaas ng 47.83% YTD. Mayroon itong EPS (TTM) na 4.28, P/E (TTM) na 44.09, at dividend yield na 0.59%.

Para sa Q2 2024, iniulat ng GE Vernova na $8.2 bilyong kabuuang kita at $1.3 bilyong net income. Samantala, ang kabuuang order na $11.8 bilyon ay lumagpas sa kita ng 1.4 beses. Ang cash mula sa operating activities sa pagtatapos ng quarter ay umabot sa $1 bilyon, habang ang cash balance na $5.8 bilyon ay tumaas mula $4.2 bilyon matapos ang spin-off mula sa GE noong Abril.

“Patuloy na pinapagana ng mga trend ng global electrification at decarbonization ang demand para sa aming mga produkto at serbisyo.”

– GE Vernova CEO Scott Strazik

#2. IBM (IBM)

Habang ang NVIDIA (NVDA ) ay nangunguna sa AI at supercomputing technology, na nagdulot ng pagtaas ng presyo ng stock nito ng 134.76% ngayong taon, ang IBM ay isa rin sa mga nangunguna sa quantum computing at AI research. Ang mga quantum computer ng kumpanya ay cloud-based na quantum computing systems na maaari gamitin para sa pananaliksik at eksplorasyon.

Sa pamamagitan ng pagpapatakbo ng komplikadong simulation sa mga quantum computer na ito, pinapayagan ng IBM ang mga kritikal na breakthrough sa iba’t ibang sektor. Ilang taon na ang nakalipas, ang kumpanya sumulat tungkol sa pag-optimize ng pagbuo ng nuclear power sa pamamagitan ng pagbubukas ng halaga ng data.

Sa market cap na $201.54 bilyon, ang mga shares ng kumpanya ay kasalukuyang nagte-trade sa $218.80, tumaas ng 34.82% YTD. Mayroon itong EPS (TTM) na 9.53, P/E (TTM) na 2.95, at dividend yield na 3.05%.

Para sa Q2 2024, iniulat ng IBM na kita na $15.8 bilyon, na ay pagtaas ng 2% na may pinakamalaking pagtaas sa software segment nito. Ang gross profit margin ng kumpanya ay 56.8% habang ang operating (Non-GAAP) ay 57.8%. Ang net cash mula sa operating activities ay $6.2 bilyon para sa year-to-date at ang free cash flow ay $4.5 bilyon.

#3. ATI Inc. (ATI)

Ang ATI ay dalubhasa sa paggawa ng specialty metals at alloys, at ang kadalubhasang ito ay naglalagay sa kanila sa magandang posisyon para sa mga aplikasyon ng fusion reactor. Ang High-Performance Materials & Components (HPMC) ay isa sa mga segment nito, na gumagawa ng high-performance na materyales tulad ng titanium at titanium-based alloys na ginagamit sa enerhiya, medisina, at aerospace. Ang Advanced Alloys & Solutions (AA&S) ay isa pang kumpanya na gumagawa ng zirconium at mga kaugnay na alloys na ginagamit sa automotive, electronics, enerhiya, at defense markets.

Sa market cap na $8.20 bilyon, ang mga shares ng kumpanya ay kasalukuyang nagte-trade sa $66, tumaas ng 44.74% YTD. Mayroon itong EPS (TTM) na 2.94 at P/E (TTM) na 22.48.

Para sa Q2 2024, iniulat ng ATI na $1.1 bilyong benta, na tumaas ng 5% mula sa nakaraang quarter. Ang net income ng quarter ay $81.9 milyon, o $0.58 bawat share, tumaas ng 26% mula sa 1Q24. Ang Adjusted EBITDA ng kumpanya ay $182.6 milyon.

“Ang aming pagpapatupad at kakayahang samantalahin ang mga oportunidad sa merkado ay nagbibigay-daan sa amin upang pataasin ang margin at lumikha ng malakas na operating cash flow.”  

– Kimberly A. Fields, President and CEO

Konklusyon

Ang AI mania ay patuloy na lumalago, at ang pagsasama nito sa pananaliksik ng nuclear fusion ay nagmamarka ng isang mahalagang sandali para sa parehong larangan. Sa pamamagitan ng pagharap sa mga kumplikadong hamon na likas sa fusion, may potensyal ang AI na lubos na paikliin ang timeline upang makamit ang praktikal na enerhiya mula sa fusion.

Mula sa real-time na prediksyon ng plasma hanggang sa pagtuklas ng mga bagong aloy na kayang tiisin ang matinding kondisyon, ang mga AI-driven na pag-unlad ay patuloy na itinutulak ang nuclear fusion na mas mapalapit sa pagiging realidad, na nag-aalok ng mas malinis at mas napapanatiling solusyon sa enerhiya para sa pandaigdigang krisis sa enerhiya.

I-click dito upang malaman ang lahat tungkol sa pamumuhunan sa artificial intelligence.