Der Engpass der Fusion heißt Zeit und KI soll ihn lösen
Neue KI-Plattform soll Simulationen in der Fusionsforschung stark verkürzen. STELLAR-AI verbindet Supercomputer, KI und Experimente.
Blick ins Innere von NSTX-U : Die Versuchsanlage am Princeton Plasma Physics Laboratory dient als reale Testumgebung, deren Messdaten künftig direkt mit KI-gestützten Simulationen ausgewertet werden sollen. PPL Communications Department, Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Princeton Plasma Physics Laboratory will einen der größten Bremsklötze der Fusionsforschung angehen: den Zeitverlust durch extrem aufwendige Simulationen. Mit einer neuen Rechenplattform namens STELLAR-AI sollen künstliche Intelligenz und Hochleistungsrechner enger verzahnt werden. Ziel ist klar umrissen: schneller zu belastbaren Designs, stabileren Experimenten und am Ende zu einem wirtschaftlich betreibbaren Fusionskraftwerk.
Inhaltsverzeichnis
Wenn Simulationen Monate dauern
Fusionsplasmen sind schwer zu bändigen. Sie reagieren empfindlich auf kleinste Änderungen. Wer neue Reaktorgeometrien testen oder Betriebszustände optimieren will, braucht hochpräzise Simulationen. Bislang dauern diese oft Wochen oder Monate. Auch das Training von KI-Modellen verschlingt enorme Rechenzeit. Genau hier setzt STELLAR-AI an: Die Plattform soll Simulation, KI-Training und Experimente deutlich enger koppeln.
Kernidee ist, Rechenressourcen direkt mit realen Versuchsanlagen zu verbinden. Ein zentrales Beispiel ist das National Spherical Torus Experiment-Upgrade (NSTX-U), das am PPPL wieder in Betrieb gehen soll. Künftig können Forschende während laufender Experimente Daten auswerten und Modelle sofort anpassen. Das verkürzt Feedback-Schleifen drastisch.
KI trifft Hochleistungsrechner – und Quantenchips
STELLAR-AI kombiniert verschiedene Hardware-Typen. Klassische CPUs übernehmen Steuer- und Logikaufgaben. GPUs beschleunigen KI-Berechnungen durch massive Parallelisierung. Hinzu kommen QPUs, also Quantenprozessoren, die bei bestimmten Optimierungsproblemen Vorteile versprechen. Diese Mischung ist kein Selbstzweck. Sie soll genau die Rechenarten abdecken, die in der Fusionsforschung dominieren.
Jonathan Menard, stellvertretender Forschungsdirektor am PPPL, beschreibt den Anspruch so:
„Die Fusion ist ein komplexes System von Systemen. Wir brauchen KI und Hochleistungsrechner, um das Design für einen wirtschaftlichen Bau und Betrieb wirklich zu optimieren.“ Und weiter: „Wir wollen Simulationstechnologie und Experimente – insbesondere NSTX-U – mit KI und Partnerschaften verknüpfen, um die Fusion zu beschleunigen.“
Teil einer nationalen KI-Strategie
STELLAR-AI gehört zur Genesis-Mission, einer Initiative des U.S. Department of Energy, die Ende 2025 per Executive Order gestartet wurde. Ziel ist, KI systematisch in die Forschung der nationalen Labore einzubetten.
Shantenu Jha, Leiter der Computerwissenschaften am PPPL, ordnet das so ein:
„Die Genesis-Plattform ist ein integriertes, ambitioniertes System, das die verschiedenen einzigartigen Ressourcen des DOE zusammenführt: Versuchseinrichtungen, Supercomputer, Datenarchive und KI-Modelle.“ STELLAR-AI liefert dafür fusionsspezifische Codes, Daten und Modelle – und speist sie zurück in das nationale Ökosystem.
Digitale Zwillinge und neue Reaktordesigns
Ein zentrales Vorhaben ist der digitale Zwilling von NSTX-U. Dahinter steckt ein virtuelles Abbild der Anlage, das physikalisches Verhalten realistisch nachrechnet. Forschende können Ideen zuerst virtuell testen, Risiken abschätzen und erst dann reale Experimente starten. Das spart Zeit und reduziert teure Fehlversuche.
Parallel dazu läuft StellFoundry, ein Projekt zur Beschleunigung von Stellarator-Designs. Stellaratoren haben eine komplex verdrehte Geometrie und gelten als stabiler, sind aber schwer zu optimieren. KI soll hier Millionen möglicher Konfigurationen durchforsten – ein Prozess, der bisher Monate oder Jahre dauert.
Netzwerk aus Forschung und Industrie
STELLAR-AI setzt bewusst auf Breite. Beteiligt sind nationale Labore wie PPPL und die UK Atomic Energy Authority, Universitäten wie das Massachusetts Institute of Technology und die University of Wisconsin–Madison. Die Princeton University unterstützt Betrieb, Softwareentwicklung und Schulungen.
Auf der Technologieseite liefern NVIDIA Optimierungen für zentrale Fusionscodes, während Microsoft Cloud-Ressourcen über Azure einbringt. Auch private Fusionsunternehmen wie Commonwealth Fusion Systems oder General Atomics sind eingebunden. Das Ziel ist klar: Forschungsergebnisse schneller in marktfähige Technik zu überführen.
Ein Beitrag von:
