Wie Singapur mit KI aus wissenschaftlichen Ideen marktreife Technologien machen will

Singapur will künstliche Intelligenz nicht nur zum schnelleren Durchsuchen von Fachartikeln oder zur Vorhersage von Molekülen einsetzen. Mit seinem AI-for-Science-Programm (AI4S) soll KI direkt in den wissenschaftlichen Arbeitsablauf einziehen – von der Formulierung von Hypothesen und der Auswahl von Experimenten bis zur Auswertung von Ergebnissen, zur Überprüfung von Software und zur Entwicklung von Technologien, die außerhalb des Labors getestet werden können.

Die National Research Foundation (NRF) stellt dafür 120 Millionen Singapur-Dollar bereit. Die ersten acht Projekte wurden am 16. Juni 2026 offiziell gestartet. Mehrere Vorhaben sind auf eine Laufzeit von vier bis fünf Jahren angelegt.

Der entscheidende Unterschied liegt zwischen beschleunigter Entdeckung und nachgewiesener Praxistauglichkeit: Ein KI-Modell kann einen vielversprechenden Werkstoff berechnen. Damit ist aber noch nicht bewiesen, dass er zuverlässig, in großen Mengen und zu vertretbaren Kosten hergestellt werden kann. Genau diese Lücke zwischen Prognose und Umsetzung soll AI4S verkleinern. Die angekündigten Materialien, Katalysatoren, Diagnostikmodelle und Softwarewerkzeuge sind allerdings Forschungsziele – keine bereits etablierten kommerziellen Produkte.

Die Materials Data Foundry soll aus Prognosen Herstellungsrezepte machen

Das anschaulichste Beispiel ist die Materials Data Foundry, ein gemeinsames Projekt der National University of Singapore (NUS) und des Acceleration Consortiums der University of Toronto. Das Labor wird mit 10 Millionen S$ finanziert und soll KI, Robotik und Messungen direkt während der Experimente in einer offenen, autonomen Forschungsumgebung verbinden.

Bisher greifen Materialmodelle häufig auf veröffentlichte Daten zurück. Die geplante Anlage soll stattdessen selbst experimentelle Daten erzeugen und dabei festhalten, wie bestimmte Synthesebedingungen die tatsächlichen Eigenschaften eines Materials beeinflussen. Diese Ergebnisse fließen anschließend zurück in die Modelle und helfen, die nächsten Versuche auszuwählen. Es entsteht ein kontinuierlicher Kreislauf aus Vorhersage, Herstellung, Messung und Verbesserung.

Angestrebt werden unter anderem große Mengen an Experimenten und praktische, reproduzierbare Syntheserezepte für Materialien jenseits herkömmlicher Siliziumtechnologien, für Quantentechnik, Elektrokatalysatoren im Bereich sauberen Wasserstoffs sowie für korrosionsbeständige Beschichtungen. Der Nutzen soll somit nicht in einer bloßen Liste KI-generierter Kandidaten liegen, sondern in belastbaren Nachweisen darüber, wie vielversprechende Materialien hergestellt und bewertet werden können.

KI soll Katalysatoren virtuell vorsortieren

Ein weiteres 10-Millionen-S$-Projekt von A*STAR und dem Imperial College London entwickelt ein „Surface Science Foundation Model“ sowie eine Cloud-Plattform. Damit sollen Eigenschaften von Katalysatoren und geeignete Synthesebedingungen vorhergesagt werden. Im Blick stehen unter anderem sauberere Kraftstoffe, Ausgangsstoffe aus Kohlendioxid und Chemikalien auf Basis nachwachsender Rohstoffe.

Die Projektbeschreibung nennt als Ziel eine 500-fache Beschleunigung des computergestützten Screenings. Das bedeutet zunächst, dass Kandidaten schneller rechnerisch geprüft werden können – nicht, dass ein fertiger Kraftstoff oder ein industrieller chemischer Prozess automatisch 500-mal schneller verfügbar ist. Auch Aussagen, die Entwicklung werde „fast fünfmal schneller und günstiger“, sollten vorsichtig eingeordnet werden, sofern sie sich nicht auf eine gesonderte nachgelagerte Kennzahl beziehen. Entscheidend bleibt, ob die ausgewählten Katalysatoren im Experiment funktionieren und sich in wirtschaftlich tragfähige Prozesse überführen lassen.

Prüfbare Software statt blindem Vertrauen in KI-Code

AI4S versteht auch die Zuverlässigkeit von Software als wissenschaftliche und technische Forschungsaufgabe. NUS und Imperial entwickeln Werkzeuge zur Programm- und Codeanalyse, die Software automatisch untersuchen, testen und – soweit möglich – formal verifizieren sollen. Erprobt werden sollen sie an anspruchsvollen und sicherheitsrelevanten Komponenten wie Netzwerkprotokollen und Teilen des Linux-Kernels.

Ein möglicher Anwendungsfall: Ein KI-System prüft den Code, den ein anderes KI-System geschrieben hat. Das könnte Programmierung mit KI verlässlicher machen. Eine automatisierte Analyse ist jedoch keine universelle Sicherheitsgarantie. Formale Methoden können bestimmte Eigenschaften unter klar definierten Annahmen beweisen. Die allgemeine Zuverlässigkeit hängt weiterhin von der Qualität der Spezifikationen, Tests und Systeme ab, in denen der Code eingesetzt wird.

Biomedizinische Projekte führen getrennte Datenquellen zusammen

Im Gesundheitsbereich konzentriert sich das Programm auf Daten, die bislang oft getrennt ausgewertet werden.

Das Projekt MultiOmicsFM von NUS und A*STAR soll ein Grundlagenmodell entwickeln, das DNA-, RNA- und Genaktivitätsdaten aus den multiethnischen Datensätzen Singapurs gemeinsam interpretiert. Die Forschung soll unter anderem das Verständnis von Krankheitsrisiken verbessern und die Entwicklung sowie Verabreichung von mRNA-Therapien unterstützen.

Das Projekt BloodCounts! verfolgt einen anderen Ansatz. Das geplante Modell DeepCBC soll sämtliche Rohparameter eines vollständigen Blutbilds mit Aufnahmen von Blutausstrichen kombinieren. So soll aus einem weit verbreiteten Routinetest mehr diagnostische Information gewonnen werden. Untersucht wird unter anderem, ob sich damit Risiken im Zusammenhang mit Schlaganfällen und Krebserkrankungen besser vorhersagen lassen.

Das ist keine Aussage, dass ein gewöhnliches Blutbild solche Erkrankungen heute bereits diagnostizieren kann. Für einen klinischen Einsatz wären zusätzliche Validierungen, eine regulatorische Prüfung und der Nachweis erforderlich, dass das Modell in den relevanten Bevölkerungsgruppen und Versorgungssituationen zuverlässig funktioniert.

Digitale Zwillinge für Landwirtschaft und Klimaresilienz

Ein weiteres Vorhaben entwickelt wissensgestützte digitale Zwillinge für landwirtschaftliche Flächen in Südostasien. Diese virtuellen Abbilder sollen Beobachtungsdaten mit Erkenntnissen aus der Agrarwissenschaft verbinden. Daraus könnten Prognosen und Entscheidungshilfen für Aussaat, Ressourceneinsatz und Lieferketten entstehen.

Dass wissenschaftliches Wissen ausdrücklich einbezogen wird, ist bedeutsam. Ein digitaler Zwilling, der agronomische Grenzen berücksichtigt, kann besser nachvollziehbar und leichter überprüfbar sein als eine rein opake Vorhersage. Sein praktischer Wert hängt aber weiterhin von Qualität, Abdeckung und Aktualität der zugrunde liegenden Daten ab.

Zum Portfolio gehören außerdem KI-entworfene Grenzflächen, die den Energietransport verbessern sollen. Insgesamt reichen die acht Projekte damit von Materialien, Chemie und Computing über Genomik und Gesundheit bis zu Energie, Landwirtschaft und Klimaresilienz.

Das gemeinsame Prinzip: eine geschlossene Schleife zwischen KI und Experimenten

Über die unterschiedlichen Fachgebiete hinweg folgt AI4S einem ähnlichen Muster:

1. KI schlägt vor: Hypothesen, Materialien, Katalysatoren, Moleküle, Software oder landwirtschaftliche Maßnahmen.
2. Experimente und Analysen prüfen die Vorschläge: in automatisierten Laboren, durch Messungen, Softwaretests oder feldnahe Modelle.
3. Neue Daten verbessern das System: Die nächsten Vorhersagen stützen sich stärker auf tatsächlich beobachtete Ergebnisse.
4. Fachleute bewerten die Relevanz: Sie entscheiden, ob ein Ergebnis herstellbar, zuverlässig, klinisch nützlich oder ökologisch vertretbar ist.

Bei der Materials Data Foundry wird dieser Kreislauf besonders greifbar, weil das Projekt KI-Prognosen ausdrücklich mit automatisierter Synthese und Messung verbinden soll. Dasselbe Grundprinzip gilt für die Katalysatorforschung, die Softwareverifikation und die biomedizinische Modellierung: Schnellere Vorhersagen sind erst dann wertvoll, wenn sie zu vertrauenswürdigen Belegen führen.

Warum Singapur in AI4S investiert

Das Programm ist zugleich eine Strategie für Talentförderung und Forschungsinfrastruktur. Die NRF will KI-Forschende mit Fachleuten aus Bereichen wie Materialwissenschaft, Lebenswissenschaften und Quantenforschung zusammenbringen. Ziel sind „zweisprachige“ Wissenschaftlerinnen und Wissenschaftler, die sowohl rechnergestützte Methoden als auch die wissenschaftlichen Fragen verstehen, auf die sie angewendet werden.

Beteiligt sind singapurische Einrichtungen wie NUS, die Nanyang Technological University (NTU) und A*STAR sowie internationale Partner, darunter die University of Toronto, das Imperial College London, die University of Cambridge und die Kyoto University. Die beiden Imperial-Projekte werden über Imperial Global Singapore auf dem CREATE-Campus ausgerichtet, einem Forschungsstandort der NRF für internationale Zusammenarbeit.

Für Singapur ist das ein Weg, im globalen Wettbewerb um KI-gestützte Forschung sichtbar zu bleiben: Das Land finanziert anspruchsvolle Verbundprojekte, baut gemeinsame experimentelle und digitale Infrastruktur auf, zieht internationale Partner an und bildet Forschende aus, die zwischen Modellen und Laboren vermitteln können.

Woran der Erfolg gemessen werden muss

AI4S wird sich nicht daran messen lassen, wie viele Vorhersagen seine Modelle erzeugen. Entscheidend ist, was den Kontakt mit der Realität übersteht. Zu den überzeugendsten Ergebnissen würden gehören:

• reproduzierbare Herstellungsverfahren für fortschrittliche Materialien;
• Katalysatoren, die unter realistischen Betriebsbedingungen funktionieren;
• Softwarewerkzeuge mit nachvollziehbaren Aussagen zu Korrektheit und Zuverlässigkeit;
• biomedizinische Modelle, die an geeigneten Datensätzen und in relevanten klinischen Umgebungen validiert wurden;
• landwirtschaftliche Entscheidungshilfen, die Prognosen oder Ressourcenplanung nachweislich verbessern.

Singapur setzt damit auf KI in Verbindung mit Experimenten, Verifikation und Fachwissen. Die 120 Millionen S$ könnten wissenschaftliche Entdeckungen systematischer machen und den Weg von der Idee zum Prototyp verkürzen. Die zentrale Frage bleibt jedoch offen: Ob es den acht Forschungsprojekten gelingt, vielversprechende KI-Prognosen in skalierbare, sichere und nützliche Technologien zu verwandeln.