Singapore vil bruge 120 millioner S$ på at føre AI-forskning fra opdagelse til virkelighed

Det planlagte anlæg skal kombinere AI, robotteknologi og målinger direkte under forsøgene i et åbent, autonomt laboratorium. I stedet for udelukkende at bygge på offentliggjorte materialedata skal laboratoriet generere eksperimentelle data, der forbinder betingelserne for en syntese med materialets faktiske egenskaber. Dataene kan derefter forbedre modellerne og styre de næste forsøg – en løbende feedbacksløjfe mellem beregning og fysisk afprøvning.

Projektets mål omfatter et stort antal forsøg samt praktiske og reproducerbare opskrifter på syntese inden for blandt andet materialer til kvanteteknologi og teknologier efter siliciumæraen, elektrokatalysatorer med relevans for ren brintproduktion og korrosionsbestandige belægninger. Det tiltænkte resultat er derfor ikke blot en liste over kandidater foreslået af AI, men dokumentation for, hvordan lovende materialer rent faktisk kan fremstilles og evalueres.

AI skal gennemsøge katalysatordesign, før forskerne tester dem

Et separat projekt til 10 millioner S$ under ledelse af A*STAR og Imperial College London skal udvikle en såkaldt Surface Science Foundation Model samt en cloudplatform, der kan forudsige katalysatorers egenskaber og betingelserne for at fremstille dem. Forskningen sigter blandt andet mod renere brændstoffer, råstoffer baseret på kuldioxid og biobaserede kemikalier.

Projektbeskrivelsen nævner et mål om at gøre den beregningsmæssige screening 500 gange hurtigere. Det er et mål for selve screeningen – ikke et bevis på, at et færdigt brændstof eller en kemisk proces vil kunne udvikles 500 gange hurtigere. Påstande om, at arbejdet bliver »næsten fem gange hurtigere og billigere«, bør derfor vurderes forsigtigt, medmindre de henviser til en separat måling længere nede i udviklingsforløbet. Den afgørende prøve bliver, om de computerudvalgte katalysatorer fungerer i eksperimenter og kan indgå i levedygtige processer.

Forskningsprojekter skal gøre AI-genereret kode mere pålidelig

AI4S behandler også softwaresikkerhed som et forsknings- og ingeniørproblem. NUS og Imperial udvikler værktøjer til programræsonnement, der kan analysere og teste kode, verificere bestemte egenskaber formelt og – hvor det er muligt – bevise, at koden er korrekt. Værktøjerne skal blandt andet afprøves på kompleks eller samfundskritisk software som netværksprotokoller og komponenter i Linux-kernen.

En mulig anvendelse er, at ét AI-system reviderer kode, som et andet AI-system har skrevet. Det kan gøre AI-assisteret programmering mere pålidelig, men automatisk analyse er ikke det samme som en universel sikkerhedsgaranti. Formelle metoder kan fastslå bestemte egenskaber under klart definerede antagelser. Den bredere pålidelighed afhænger fortsat af kvaliteten af specifikationer, tests og de systemer, som koden indgår i.

Sundhedsprojekter samler biologiske og kliniske data

På det biomedicinske område omfatter programmet projekter, der bruger AI til at sammenholde datatyper, som forskere ofte analyserer hver for sig.

NUS og A*STAR’s MultiOmicsFM er planlagt som en grundmodel, der kombinerer data om DNA, RNA og genaktivitet fra Singapores multietniske datasæt. Forskningsmålene omfatter studier af sygdomsrisiko samt forbedringer af design og levering af mRNA-behandlinger.

BloodCounts!-projektet følger en anden vej. Her skal forskerne udvikle DeepCBC-modellen ved at kombinere alle rå parametre fra komplette blodtællinger med billeder af blodudstrygninger. Målet er at hente mere diagnostisk information ud af en almindeligt anvendt blodprøve og undersøge, om de samlede data kan bruges til at forudsige risici for eksempelvis slagtilfælde og kræft.

Der er tale om fremadrettede forskningsanvendelser – ikke om en påstand om, at en rutinemæssig blodprøve allerede kan diagnosticere disse sygdomme. En eventuel klinisk anvendelse vil kræve validering, myndighedsgodkendelse og dokumentation for, at modellen fungerer stabilt på tværs af relevante befolkningsgrupper og behandlingsmiljøer.

Digitale tvillinger skal styrke landbrug og klimatilpasning

Et andet projekt skal skabe videnstyrede digitale tvillinger af landbrugsområder i Sydøstasien. De virtuelle modeller skal kombinere observerede data med principper fra plante- og landbrugsvidenskab og dermed give prognoser og beslutningsværktøjer til blandt andet såning, ressourceforbrug og forsyningskæder.

Vægten på videnskabelig viden er væsentlig. En digital tvilling, der tager højde for agronomiske begrænsninger, kan være lettere at fortolke og udfordre end en helt uigennemsigtig forudsigelse. Dens værdi vil dog stadig afhænge af, hvor gode, dækkende og aktuelle de underliggende data er.

Porteføljen på otte projekter omfatter også AI-designede grænseflader, der skal forbedre energitransport. Samlet spænder initiativet over materialer, datalogi, genetik, sundhed, energi, landbrug og klimatilpasning i stedet for at fokusere på én bestemt kommerciel sektor.

En lukket kredsløb mellem AI og eksperimenter

På tværs af projekterne går den samme arbejdsmodel igen:

1. AI søger eller foreslår hypoteser, materialer, katalysatorer, molekylære designs, kode eller landbrugsindsatser.
2. Fysiske eller digitale forsøg afprøver forslagene gennem automatiserede laboratorier, målinger, softwareanalyse eller modeller, der afspejler forhold i den virkelige verden.
3. Nye resultater forbedrer systemet, så de næste forudsigelser i højere grad bygger på observerede data.
4. Fageksperter vurderer betydningen, herunder om et resultat kan fremstilles, er pålideligt, kan bruges klinisk eller er relevant for miljøet.

Materials Data Foundry gør denne kredsløbsmodel mest konkret, fordi laboratoriet specifikt skal forbinde AI-forudsigelser med automatiseret syntese og måling. Det samme princip findes i katalysatorscreening, softwareverifikation og biomedicinsk modellering: Hurtigere forudsigelser har først for alvor værdi, når de fører til troværdig dokumentation.

Hvorfor investerer Singapore i AI4S?

Initiativet handler også om talenter og infrastruktur. NRF har placeret AI4S i et samarbejde mellem AI-forskere og eksperter inden for blandt andet materialevidenskab, biovidenskab og kvantevidenskab. Ambitionen er at uddanne »tosprogede« forskere, der både forstår beregningsmetoderne og de videnskabelige problemer, de skal anvendes på.

Projekterne samler institutioner i Singapore – herunder NUS, Nanyang Technological University (NTU) og A*STAR – med internationale partnere som University of Toronto, Imperial College London, University of Cambridge og Kyoto University. Imperials to projekter huses gennem Imperial Global Singapore på CREATE-campus, der fungerer som ramme for internationalt forskningssamarbejde og adgang til forskningsmiljøer.

Strukturen giver Singapore en måde at konkurrere om den næste generation af AI-baseret forskning på: Landet finansierer ambitiøse udfordringsprojekter, bygger fælles eksperimentel og digital infrastruktur, tiltrækker internationale samarbejdspartnere og uddanner forskere, der kan oversætte mellem modeller og laboratorier.

Det bliver målt på resultater – ikke på antal forudsigelser

AI4S vil i sidste ende blive vurderet mindre på, hvor mange forslag modellerne kan producere, end på hvad der holder, når det møder virkeligheden. De stærkeste resultater vil være:

• reproducerbare produktionsopskrifter til avancerede materialer;
• katalysatorer, der fungerer under realistiske driftsforhold;
• softwareværktøjer, som kan dokumentere meningsfulde garantier for korrekthed eller pålidelighed;
• biomedicinske modeller, der er valideret på relevante datasæt og i relevante kliniske miljøer; og
• landbrugsbaserede beslutningsværktøjer, der i praksis forbedrer prognoser eller planlægning af ressourcer.

Singapore satser altså på AI, der er koblet til eksperimenter, verifikation og faglig ekspertise. Initiativet til 120 millioner S$ kan gøre videnskabelige opdagelser mere systematiske og forkorte vejen fra idé til prototype. Men det centrale spørgsmål står stadig åbent: Kan de otte forskningsprojekter omsætte lovende AI-assisterede forudsigelser til teknologier, der er skalerbare, sikre og nyttige?