Jak Singapur využívá AI k cestě od vědeckého objevu k reálné technologii

Plánované pracoviště spojí AI, robotiku a měření přímo během experimentu v otevřené autonomní laboratoři. Nebude se opírat pouze o již publikovaná data o materiálech. Má vytvářet vlastní experimentální data, která propojí podmínky syntézy se skutečným výkonem výsledného materiálu. Tato měření pak mohou zlepšovat modely a pomáhat vybírat další experimenty – vznikne tak zpětná vazba mezi předpovědí a fyzickým testováním.

Mezi deklarované cíle patří velké množství experimentů a praktické, reprodukovatelné „recepty“ pro oblasti, jako jsou materiály pro post-silikonové či kvantové technologie, elektrokatalyzátory důležité pro čistý vodík nebo povlaky odolné proti korozi. Výsledkem tedy nemá být jen seznam kandidátů vytvořených AI, ale také důkaz, jak lze slibné materiály skutečně vyrobit a vyhodnotit.

AI nejprve prohledá návrhy katalyzátorů, potom nastoupí experiment

Samostatný projekt za 10 milionů S$, vedený singapurskou agenturou A*STAR a londýnskou Imperial College, vyvine základní model povrchové vědy a cloudovou platformu pro předpovídání vlastností katalyzátorů i podmínek jejich syntézy. Výzkum má najít uplatnění například u čistších paliv, surovin vyráběných z oxidu uhličitého a chemikálií na biologické bázi.

Popis programu uvádí cíl až 500násobného urychlení výpočetního screeningu. Jde však o cíl pro fázi výběru a simulací, nikoli o důkaz, že hotové palivo nebo chemický proces vznikne 500krát rychleji. Tvrzení o téměř pětkrát rychlejším a levnějším vývoji je proto třeba posuzovat opatrně, pokud se nevztahuje k jinému, navazujícímu ukazateli. Rozhodující bude, zda katalyzátory vybrané výpočtem obstojí v experimentech a povedou k životaschopným výrobním procesům.

Ověřování softwaru vytvořeného umělou inteligencí

AI4S chápe spolehlivost softwaru jako vědecký i inženýrský problém. NUS a Imperial vyvíjejí nástroje pro uvažování o programech, které dokážou kód analyzovat a testovat, formálně ověřovat jeho vlastnosti a tam, kde je to možné, dokazovat jeho správnost. Nástroje mají být použitelné u náročného nebo kritického softwaru, například síťových protokolů a částí linuxového jádra.

Jedním z navrhovaných využití je, aby systémy AI kontrolovaly kód vytvořený jinými systémy AI. To by mohlo zvýšit spolehlivost programování s podporou umělé inteligence. Automatická analýza však není totéž jako univerzální záruka bezpečnosti. Formální metody mohou při přesně stanovených předpokladech prokázat konkrétní vlastnosti; celková spolehlivost nadále závisí na kvalitě zadání, testů a prostředí, ve kterém kód funguje.

Biomedicína spojí data, která se obvykle vyhodnocují odděleně

V biomedicíně program zahrnuje projekty, jejichž cílem je integrovat typy dat, které vědci často analyzují samostatně.

MultiOmicsFM, na němž spolupracují NUS a A*STAR, má být základním modelem kombinujícím údaje o DNA, RNA a aktivitě genů z mnohonárodnostních datových souborů v Singapuru. Výzkumné cíle zahrnují studium rizika onemocnění a lepší návrh i doručování mRNA terapií.

Projekt BloodCounts! volí jiný přístup. Vyvíjí model DeepCBC, který využije všechny původní parametry kompletního krevního obrazu společně se snímky krevních nátěrů. Cílem je získat z běžně používaného vyšetření více diagnostických informací a prozkoumat, zda kombinovaná data pomohou předpovídat rizika spojená například s mrtvicí nebo rakovinou.

Jde o plánovaný výzkum, nikoli o tvrzení, že běžný krevní test už dnes dokáže tyto nemoci diagnostikovat. Jakékoli klinické využití by vyžadovalo další validaci, posouzení regulačními úřady a důkazy, že model spolehlivě funguje u relevantních skupin obyvatel i v různých podmínkách zdravotní péče.

Digitální dvojčata pomohou zemědělství a odolnosti vůči klimatu

Další projekt vytvoří zemědělská digitální dvojčata pro půdu v jihovýchodní Asii. Tato virtuální znázornění mají kombinovat pozorovaná data s principy rostlinné a zemědělské vědy. Výsledkem mají být prognózy a nástroje pro rozhodování o výsadbě, využití zdrojů a dodavatelských řetězcích.

Důraz na vědecké znalosti je důležitý. Digitální dvojče, které zohledňuje agronomická omezení, může být srozumitelnější a snáze kontrolovatelné než neprůhledná predikce. Jeho užitečnost však bude stále záviset na kvalitě, rozsahu a aktuálnosti vstupních dat.

Portfolio osmi projektů zahrnuje také AI navržená rozhraní, jejichž cílem je zlepšit přenos energie. Dohromady tak pokrývá materiály, výpočetní techniku, genomiku, zdravotnictví, energetiku, zemědělství a odolnost vůči klimatickým změnám, místo aby se soustředilo na jediný komerční sektor.

Společný princip: uzavřený okruh mezi AI a experimentem

Napříč celým portfoliem se opakuje podobný model:

1. AI hledá nebo navrhuje hypotézy, materiály, katalyzátory, molekuly, software či zemědělské zásahy.
2. Fyzické nebo digitální experimenty návrhy testují prostřednictvím automatizovaných laboratoří, měření, analýzy softwaru nebo modelů relevantních pro praxi.
3. Nové důkazy systém zlepšují, takže další předpovědi vycházejí z pozorovaných výsledků.
4. Odborníci rozhodují, co má skutečný význam – zda je výsledek vyrobitelný, spolehlivý, klinicky využitelný nebo šetrný k životnímu prostředí.

Materials Data Foundry tento princip ukazuje nejzřetelněji, protože je výslovně navržena tak, aby spojila předpovědi AI s automatizovanou syntézou a měřením. Stejná logika se objevuje při hledání katalyzátorů, ověřování softwaru i biomedicínském modelování: rychlejší předpověď má hodnotu teprve tehdy, když vede k důvěryhodným důkazům.

Proč Singapur do AI pro vědu investuje

Iniciativa je zároveň strategií pro rozvoj talentu a výzkumné infrastruktury. NRF postavil AI4S na spolupráci odborníků na AI s vědci z oborů, jako jsou materiálové a biologické vědy nebo kvantový výzkum. Jejím deklarovaným cílem je vychovávat „dvojjazyčné“ výzkumníky, kteří rozumějí výpočetním metodám i vědeckým problémům, na něž je používají.

Na projektech spolupracují singapurské instituce včetně NUS, Nanyang Technological University (NTU) a A*STAR s mezinárodními partnery, jako jsou University of Toronto, Imperial College London, University of Cambridge a Kyoto University. Dva projekty Imperial College sídlí prostřednictvím Imperial Global Singapore v kampusu CREATE, který podporuje mezinárodní výzkumnou spolupráci a sdílení kapacit.

Singapur tím získává způsob, jak soutěžit o významné místo ve výzkumu založeném na AI: financovat ambiciózní projekty zaměřené na konkrétní výzvy, budovat společnou experimentální a digitální infrastrukturu, přitahovat globální spolupracovníky a školit vědce schopné překládat mezi světem modelů a laboratoří.

Podle čeho se bude úspěch měřit

AI4S nebude rozhodovat především podle počtu předpovědí, které jeho modely vytvoří, ale podle toho, co obstojí při kontaktu s realitou. Mezi nejpřesvědčivější výsledky by patřily:

• reprodukovatelné výrobní postupy pro pokročilé materiály;
• katalyzátory fungující v realistických provozních podmínkách;
• softwarové nástroje schopné prokázat smysluplné záruky správnosti či spolehlivosti;
• biomedicínské modely ověřené na vhodných datech a v odpovídajícím klinickém prostředí;
• zemědělské nástroje, které v praxi zlepší předpovědi nebo plánování využití zdrojů.

Singapurský program tak sází na AI propojenou s experimenty, ověřováním a odbornými znalostmi. Investice 120 milionů S$ může učinit vědecké objevy systematičtějšími a urychlit cestu od nápadu k prototypu. Klíčová otázka však zůstává otevřená: dokážou osmička výzkumných projektů proměnit slibné předpovědi podporované AI v technologie, které budou škálovatelné, bezpečné a skutečně užitečné?