Дмитрий Фомичев: «Хотим уместить в модели все знания о термоядерном синтезе»

Директор проекта департамента «Промышленные решения и технологии ИИ» госкорпорации «Росатом» – о роли ИИ в промышленности
Пресс-служба госкорпорации «Росатом»
Пресс-служба госкорпорации «Росатом»

Искусственный интеллект (ИИ) быстро осваивает нишу фундаментальных научных исследований. В сентябре OpenAI заявила, что ее внутренняя модель с помощью почти 10 000 агентов за 88 часов решила задачу о гладкости решений уравнений Навье – Стокса – одну из семи «задач тысячелетия». Независимая проверка доказательства пока продолжается. Как с помощью ИИ найти новые материалы для промышленности, а в будущем, возможно, обеспечить человечество практически неограниченным источником электроэнергии, в интервью «Ведомости. Инновации и технологии» рассказал директор проекта департамента «Промышленные решения и технологии ИИ» госкорпорации «Росатом» Дмитрий Фомичев.

– Какие направления интересны «Росатому» с точки зрения применения ИИ-технологий?

– Первое – это развитие вычислительной инфраструктуры: суперкомпьютеров для расчетных исследований, моделирования физических процессов, а также анализа научной литературы, данных с экспериментальных стендов и действующих ядерных установок. По сути, это оцифровка научного бэкграунда, накопленного госкорпорацией и страной в целом.

Второй аспект связан с правительственной инициативой, объединенной названием «ИИ в науке». В октябре на форуме «Цифровые дни Иннополиса» вице-премьер Дмитрий Чернышенко дал старт более чем 40 пилотным ИИ-проектам в образовании и науке. Было создано девять тематических рабочих групп: в ракетно-космической отрасли, биоэкономике, медицине, сельском хозяйстве и других направлениях. Рабочая группа №3, в которой мы участвуем, посвящена новым атомным и энергетическим технологиям.

Параллельно реализуется национальный проект по технологическому лидерству (НПТЛ), в рамках которого под кураторством «Росатома» выполняются пять федеральных проектов. Один из них – это развитие атомной энергетики и создание инновационных реакторов четвертого поколения (сейчас сооружается опытно-демонстрационный реактор «Брест-ОД-300» в Томской области). Среди других – создание экспериментальной стендовой базы для исследования новых типов установок, технологии термоядерной энергетики, новые конструкционные и специальные материалы и подготовка кадров нового поколения.

Мы разделяем подход правительства к развитию ИИ как к сквозной задаче в рамках федеральных проектов. Речь идет не о формальном внедрении, а о создании полноценных проектных контуров, которые целенаправленно решают прикладные задачи. Это дает измеримый эффект, а именно сокращается время на расчеты и эксперименты, повышается точность прогнозов, а значит – быстрее достигаются ключевые результаты.

Госкорпорация «Росатом» определила два приоритетных направления, где эффект от ИИ наиболее значим: термоядерные технологии и материаловедение. Здесь ИИ помогает, например, в моделировании поведения материалов в экстремальных условиях или в оптимизации параметров установок. Поэтому именно на этих темах мы концентрируем основные ресурсы и компетенции.

– Как ИИ может помочь в материаловедении?

– Мы всегда занимались материаловедением – изучением свойств топлива для реакторов, конструкционными и специализированными материалами. Еще до всеобщего хайпа вокруг ИИ в атомной отрасли мы использовали модели, основанные на оцифрованных справочниках, для прогнозирования изменений свойства материала при добавлении определенного химического элемента.

Сейчас мы работаем с большими языковыми моделями (LLM). Суть LLM в том, что алгоритм на основе огромных массивов данных, то есть весов и вероятностей, прогнозирует контекст и последовательность слов. Мы перенесли этот принцип в материаловедение: оцифровали справочники, все коэффициенты, параметры, справочные данные и обучили модель работать с ними. Теперь достаточно задать химический состав материала, и модель на основе статистических вероятностей спрогнозирует его свойства: плотность, теплопроводность и другие характеристики.

Это позволяет колоссально ускорить процесс. Если раньше специалист вручную мог за год проработать и испытать лишь десятки вариантов сталей, то цифровая модель ежедневно просчитывает тысячи комбинаций. Из них мы отбираем три-пять самых перспективных и уже их воплощаем в лаборатории, проводим физические испытания. Понятно, что натурные образцы не всегда на 100% совпадают с прогнозами – в реальном мире есть технологические нюансы. Но сам темп поиска решений вырос радикально.

– Речь про специализированные языковые модели, ориентированные на решение узкого круга задач?

– Создание языковых моделей общего назначения требует огромных вычислительных ресурсов и данных – это задача крупных технологических компаний, и такие модели в России уже есть. Наша задача – создавать специализированные модели, адаптированные под отраслевые данные и конкретные бизнес-процессы. Например, у нашей дочерней компании АО «Гринатом» развернут проект «Фабрика ИИ-агентов», где создаются модели для решения внутренних задач госкорпорации.

Кроме того, мы разделяем зоны ответственности в науке. Фундаментальными исследованиями на уровне молекул, химических реакций и катализаторов занимаются профильные институты, мы работаем на прикладном уровне – со сталями и сплавами.

«Мы будем накапливать и негативные знания»

– Перейдем ко второму направлению – термоядерным технологиям. В чем суть проекта и как он соотносится с международным опытом?

– Термоядерной энергетикой в России занимаются прежде всего «Росатом» и НИЦ «Курчатовский институт» – при научном руководстве со стороны Курчатовского института и широкой кооперации с институтами Российской академии наук. «Росатом» играет ведущую роль в этой сфере и участвует в проекте ИТЭР (ITER, International Thermonuclear Experimental Reactor, – масштабный международный проект по созданию первого в мире экспериментального термоядерного реактора. – «Ведомости. Инновации и технологии»), который позволяет консолидировать и развивать компетенции множества участников.

Сегодня в мире сложилась кооперация технологических компаний и национальных лабораторий: ИИ применяют для управления разрядом в реальном времени – нейросети управляют формой плазмы, прогнозируют и предотвращают срывы и неустойчивости. Длительность разрядов на рекордных зарубежных установках измеряется уже десятками минут. Мы идем на шаг дальше и хотим применять ИИ раньше – на этапе конструирования и расчетного обоснования новых токамаков (специальных установок для магнитного удержания плазмы. – «Ведомости. Инновации и технологии»).

Управляемый термоядерный синтез (УТС) в будущем – это источник практически неисчерпаемой, экологически чистой и безопасной энергии. С научной точки зрения это управляемый процесс слияния легких атомных ядер (как правило, изотопов водорода: дейтерия и трития) в более тяжелые ядра гелия, который сопровождается выделением колоссального объема энергии. Однако одной из главных и пока не решенных задач остается удержание высокотемпературной плазмы в рабочей зоне реактора. Сейчас для этого развиваются два основных направления: изоляция плазмы от стенок камеры с помощью мощного магнитного поля (в установках, называемых токамаками и стеллараторами) и сверхбыстрое сжатие и нагрев топливной мишени лазерными импульсами (инерциальный синтез). На сегодняшний день УТС все еще находится на этапе масштабных научно-исследовательских и опытно-конструкторских работ. Ключевым международным проектом является строительство экспериментального реактора ИТЭР во Франции (запуск масштабных экспериментов с плазмой намечен на 2035 г.). Ввод в эксплуатацию первых коммерческих электростанций ожидается в 2050–2060-х гг.

– Как именно ИИ помогает на этапе проектирования установок?

– Генеративный ИИ помогает инженеру быстрее строить и параметризовать геометрию оборудования по его описанию, а также участвует в расчетном обосновании. Обычно расчеты в области теплогидравлики, прочности, плазмофизики ведутся разными группами специалистов, не всегда глубоко связанными между собой. Платформа на базе ИИ помогает нам аккумулировать эти данные. Мы создаем виртуальную модель, своего рода цифровой двойник реактора. ИИ позволяет на основе больших данных прогнозировать новые режимы, выявлять скрытые ошибки, недочеты в конструкции, например необходимость дополнительных датчиков или изменения системы охлаждения, еще до создания установки «в металле».

– На какой стадии находится этот проект?

– Сейчас мы на этапе пилота – запускаем FusionAI. Это не один инструмент, а целый набор ИИ‑сервисов, заточенных под задачи управляемого термоядерного синтеза, в первую очередь под проектирование токамака с реакторными технологиями. У нас уже есть система проектирования, специализированное ПО для расчета разных процессов, например гидродинамики, прочности и физики плазмы, и интеграционная платформа, которая все это связывает. На этой базе мы строим ИИ‑надстройку, которая будет сама передавать данные между блоками, ставить задачи на корректировку геометрии и при этом обязательно работать под контролем конструктора. Вся история итераций будет накапливаться в базе знаний.

В качестве исходных данных мы используем эксплуатационные характеристики действующих и исторических токамаков, а также опубликованные данные и материалы международного проекта ИТЭР. Модель будет выступать виртуальным ассистентом инженера-конструктора, подсказывая, при каких режимах нужно проводить моделирование и на какие узлы обратить внимание.

– Как это решение выглядит с технической точки зрения и архитектуры ИИ?

– Для пользователя это интерфейс одного окна, объединяющий разрозненное ПО в единую информационную среду. С точки зрения ИИ это мультиагентная система. Мы убедились, что один-два агента не могут качественно решить все задачи. Поэтому у нас работают десятки узкоспециализированных агентов: один – с исходными данными, второй – с материаловедением, третий создает расчетную модель, четвертый выступает «критиком», перепроверяющим решения. Также есть агенты, работающие с нормативной и научно-технической базой знаний (в симбиозе с наработками «Фабрики ИИ» от «Гринатома»).

Для старта и создания MVP (minimum viable product, минимально жизнеспособный продукт. – «Ведомости. Инновации и технологии») нам не нужно гигантских мощностей: хватит одной-двух карт уровня Nvidia A100 – этого достаточно, чтобы отработать ключевые сценарии. Сейчас проект в пилоте, и горизонт планирования – до конца 2027 г. Наша цель к этому сроку – показать MVP, где будет виден весь цикл проектирования, работа базы знаний и взаимодействие агентов. Но самое важное даже не функционал, а воспроизводимость: если инженер дважды задает похожий вопрос, ответы не должны быть принципиально разными – это вопрос доверия к инструменту.

Дальше выход на промышленную эксплуатацию в 2028 г. Тут уже совсем другой масштаб: кратно вырастут вычислительные потребности, к системе подключится вся команда, и мы должны будем стабильно решать тысячи задач параллельно.

При этом мы делаем ставку на российские модели или локализованные open‑source‑решения. Все развернуто в нашем защищенном корпоративном облаке – безопасность и соответствие внутренним требованиям для нас безусловный приоритет.

– Есть ли в мире аналоги подобных систем?

– Яркий пример – проект AlphaFold от компании DeepMind (дочерняя компания Google). Изначально это была нейросеть для точного предсказания трехмерной структуры белков (AlphaFold 2). За ее создание Демис Хассабис и Джон Джампер получили Нобелевскую премию по химии в 2024 г. Позже архитектуру развили до мультимодальной системы AlphaFold 3, которая способна моделировать не только белки, но также ДНК, РНК и их сложные взаимодействия.

Мы планируем применить аналогичный подход в области термоядерной энергетики – собрать в единой модели все знания, накопленные в России, а также данные международного проекта. Это важно сразу по нескольким причинам. Во‑первых, так мы сохраняем историческое наследие отрасли. Во‑вторых, появляется удобный способ работы с базой знаний – через привычный чат-интерфейс. В‑третьих, модель позволит понимать логику прошлых конструкторских решений: не просто видеть итоговый результат, а видеть, почему инженеры тогда выбрали именно такой путь. Это напрямую влияет на качество проектирования новых установок – подход становится более обоснованным и оптимальным.

Но самое важное – мы будем фиксировать и «негативные знания». В обычных отчетах остаются только успехи, а весь путь проб и ошибок исчезает. А ведь это тоже опыт: понимание того, что не сработало и почему. Наша модель будет специально хранить такие данные – ошибочные подходы, отбракованные варианты, причины отказа. Так мы страхуем будущее проектирование от повторения старых ошибок и не тратим ресурсы на заведомо бесперспективные ветки

«У нас работают десятки узкоспециализированных агентов»

– Вы упоминали о том, что будете использовать данные ИТЭР. А в целом как ваша работа соотносится с этим проектом?

– ИТЭР – это гигантский международный проект во Франции, цель которого – удержать плазму температурой 50 млн градусов в течение минут. Россия создает для него критически важные элементы: переднюю стенку реактора, магниты, поставляет материалы, в том числе вольфрам и бериллий. Особенность ИТЭР в том, что участники работают по единым правилам и делятся результатами: каждая страна получает доступ к знаниям и технологиям, созданным в проекте. Наша цель – протестировать нашу ИИ-систему, подтвердить ее работоспособность и к 2028–2029 гг. передать мировому сообществу как информационную компоненту для проектирования и обоснования ИТЭР. Но нельзя полагаться только на этот проект. Китай, например, уже проектирует национальный токамак следующего поколения на базе данных ИТЭР, и у страны в планах еще более масштабные установки.

– Как ИИ может изменить мир больших научных исследований?

– Использование ИИ в фундаментальной науке – это палка о двух концах. В сентябре, вскоре после заявления OpenAI о решении задачи Навье – Стокса, 25 филдсовских лауреатов опубликовали декларацию о «серьезном рассогласовании» целей ИИ-индустрии и математики. Они не против ИИ как инструмента, но предупреждают: доказательство, которое никто не понял и не объяснил, мало что дает науке. Проблема в том, что в фундаментальной науке важен сам путь. Ученый может потратить годы на решение задачи, перепробовать множество подходов – из этих попыток рождаются новые теории и направления. ИИ дает очень короткий путь к ответу. ИИ поможет быстрее решать уже сформулированные задачи, но есть риск потерять глубину понимания и перестать порождать новые вопросы. Поэтому в фундаментальной науке ИИ должен оставаться инструментом исследователя, а не заменой самого поиска.

А вот для прикладных исследований и инженерии ИИ – это отличный инструмент. Нам нужны быстрые ответы на сиюминутные задачи: создать новую сталь для моста или написать код. ИИ колоссально ускоряет интенсивное развитие человечества в прикладном поле.