Singapores AI-forskningsprogram skal gøre videnskabelige gennembrud mere anvendelige

Fra AI-forudsigelser til virkelige eksperimenter

Singapores AI4S – AI for Science – er et program under landets National Research Foundation med et budget på 120 millioner singapore-dollar. Målet er ikke blot at bruge AI til at analysere eksisterende forskning, men at gøre teknologien til en del af hele forskningsforløbet: fra valg af hypoteser og planlægning af eksperimenter til softwarekontrol og udvikling af teknologier, der kan tages i brug.

De første otte projekter blev lanceret 16. juni 2026. De samler AI-forskere, specialister fra de enkelte fagområder og internationale samarbejdspartnere. Projekterne er dog stadig fremadrettede forskningssatsninger; deres forventede resultater er endnu ikke dokumenterede kommercielle løsninger.

Materialer: broen fra forudsigelse til produktion

Det mest konkrete eksempel er Materials Data Foundry, et fælles projekt mellem National University of Singapore og University of Toronto med en bevilling på 10 millioner singapore-dollar. Et åbent, autonomt laboratorium skal kombinere AI, robotter og målinger under selve eksperimenterne.

I stedet for kun at træne modeller på offentliggjorte data om materialers egenskaber skal laboratoriet selv skabe forsøgsdata, der forbinder fremstillingsbetingelser med materialernes faktiske ydeevne. Målet er blandt andet titusindvis af reaktioner, kandidater der kan fremstilles i praksis, og åbne softwareværktøjer.

På den måde skal projektet udvikle reproducerbare “opskrifter” – ikke kun computergenererede forslag til nye forbindelser. Fokus omfatter materialer til teknologier efter siliciumæraen og kvanteteknologi, holdbare elektrokatalysatorer med relevans for ren brintproduktion samt korrosionsbestandige overfladebelægninger.

Katalysatorer: søgning i et enormt designrum

Et projekt ledet af A*STAR og Imperial College London skal udvikle en såkaldt Surface Science Foundation Model og en cloudplatform. Systemet skal forudsige både katalysatorers egenskaber og de betingelser, der kræves for at fremstille dem.

Katalysatorer kan få betydning for renere brændstoffer, råmaterialer baseret på CO₂ og biobaserede kemikalier. Den primære projektbeskrivelse angiver et mål om 500 gange hurtigere beregningsmæssig screening. Påstande om, at processen bliver “næsten fem gange hurtigere og billigere”, bør derfor fortolkes med forsigtighed, medmindre de henviser til en separat måling i en senere udviklingsfase.

Når AI skal kontrollere AI-genereret kode

Forskere fra NUS og Imperial udvikler værktøjer, der kan analysere, teste og formelt verificere software samt bevise, at bestemte dele af koden fungerer korrekt. Samtidig skal mindre formelle analysemetoder gøre det muligt at fortolke kode, hvor dokumentationen mangler.

Værktøjerne skal afprøves på software med store konsekvenser, blandt andet netværksprotokoller og komponenter i Linux-kernen. Den langsigtede ambition er, at AI-agenter skal kunne kontrollere kode, som andre AI-systemer har skrevet.

Biomedicin: flere lag af biologiske data på én gang

Projektet MultiOmicsFM fra NUS og A*STAR skal udvikle en grundmodel, der samlet fortolker DNA-, RNA- og genaktivitetsdata fra Singapores multietniske datasæt. Det skal understøtte forskning i sygdomsrisiko og optimering af mRNA-behandlinger.

Et separat projekt, BloodCounts!, skal træne modellen DeepCBC på alle rå parametre fra komplette blodtællinger samt billeder af blodudstrygninger. En komplet blodtælling er en almindelig blodprøve, men forskerne vil forsøge at hente langt mere diagnostisk information ud af den ved at kombinere flere datatyper.

Ambitionen er blandt andet at understøtte forudsigelser om tilstande som slagtilfælde og kræftrisiko.

Landbrug og klimaresiliens

NUS og University of Illinois-projektet ARCS skal udvikle videnstyrede digitale tvillinger af landbrugsområder i Sydøstasien. En digital tvilling er her en virtuel model af landbrugsjord, som kombinerer observerede data med principper fra plante- og landbrugsvidenskab.

Modellerne skal levere forklarlige prognoser og beslutningsværktøjer til blandt andet såtidspunkter, ressourceforbrug og forsyningskæder. Tanken er altså ikke kun at skabe hurtige, men uigennemsigtige forudsigelser.

Et bredt program – ikke ét enkelt AI-projekt

De otte projekter omfatter også AI-designede grænseflader, der skal forbedre energitransport. Samlet spænder porteføljen over materialer, katalyse, datalogi, genomik, software, landbrug og blodanalyse. AI4S er dermed tænkt som en tværgående forskningsindsats og ikke som et program for én bestemt industri.

Strategien bag satsningen

Fra forslag til valideret løsning

AI kan foreslå lovende materialer, molekyler, eksperimenter eller stykker kode. Men automatiserede laboratorier, højkapacitetsscreening, fysiske målinger og formel softwareverifikation er nødvendige for at afgøre, hvad der faktisk kan fremstilles, er sikkert og har praktisk værdi.

Materials Data Foundry er det tydeligste eksempel på denne “lukkede sløjfe”: AI foreslår et forsøg, laboratoriet udfører det, resultaterne føres tilbage i modellen, og næste forsøg kan planlægges på et bedre grundlag.

Forskere, der taler både AI og fagvidenskab

AI4S vil også uddanne såkaldte “tosprogede” forskere – personer, der både forstår AI og et fag som materialevidenskab, biovidenskab eller kvanteforskning. Det skal sikre, at forskningsspørgsmål, datakvalitet og eksperimentelle begrænsninger indgår i modellerne fra begyndelsen.

Singapore som internationalt knudepunkt

Med finansiering fra National Research Foundation, internationale samarbejder gennem CREATE-campusset, fælles digital og eksperimentel infrastruktur, åbne værktøjer og industripartnere forsøger Singapore at positionere sig som et samlingspunkt for AI-drevet forskning og teknologioverførsel.

Imperials to programmer er eksempelvis placeret hos Imperial Global Singapore på CREATE og er udformet, så forskere fra hele verden kan få adgang.

Den afgørende test bliver, om projekterne kan levere validerede og skalerbare resultater: fremstillingsprotokoller, bedre katalysatorer, klinisk dokumentation til beslutningsstøtte og pålidelig software. Det er i sidste ende vigtigere end blot at få AI-modeller til at komme frem til svar hurtigere.