Bisher werden Modelle häufig mit veröffentlichten Daten zu Materialeigenschaften trainiert. Das neue Labor will dagegen selbst experimentelle Daten erzeugen und dabei dokumentieren, wie sich konkrete Synthesebedingungen auf die spätere Leistung eines Materials auswirken. Geplant sind Zehntausende Reaktionen, herstellbare Materialkandidaten und frei zugängliche Softwarewerkzeuge.

Das Ziel sind damit nicht bloß von einer KI vorgeschlagene Verbindungen, sondern reproduzierbare Herstellungsrezepte – unter anderem für Materialien jenseits der Siliziumtechnologie und für Quantenanwendungen, langlebige Elektrokatalysatoren für die Produktion von sauberem Wasserstoff sowie korrosionsbeständige Beschichtungen.

Katalysatoren: Erst digital aussieben, dann im Labor prüfen

Ein weiteres 10-Millionen-S$-Programm von A*STAR und dem Imperial College London soll ein Surface Science Foundation Model und eine cloudbasierte Plattform entwickeln. Damit sollen Eigenschaften von Katalysatoren und geeignete Synthesebedingungen vorhergesagt werden – mit Anwendungen bei saubereren Kraftstoffen, CO₂-basierten Ausgangsstoffen und biobasierten Chemikalien.

Die zentrale Programmbeschreibung nennt als Ziel eine 500-fache Beschleunigung des computergestützten Screenings. Aussagen, wonach die Entwicklung „fast fünfmal schneller und günstiger“ werde, sollten daher vorsichtig eingeordnet werden, sofern sie sich nicht auf eine separate nachgelagerte Entwicklungskennzahl beziehen.

KI-Code soll sich selbst kontrollieren lassen

NUS und Imperial entwickeln außerdem Werkzeuge zur Programm- und Schlussfolgerungsanalyse. Sie sollen KI-generierten Code automatisch untersuchen, testen, formal verifizieren und dessen Korrektheit beweisen können. Gleichzeitig sollen weniger formale Verfahren dabei helfen, undokumentierten Bestandscode zu verstehen.

Erprobt werden die Werkzeuge an sicherheits- und systemrelevanter Software, darunter Netzwerkprotokolle und Komponenten des Linux-Kernels. Langfristig könnten KI-Agenten so den Code anderer KI-Systeme prüfen – ein wichtiger Schritt, wenn Software zunehmend automatisiert geschrieben wird.

Biomedizin: Mehr Informationen aus denselben Daten

Im Bereich der Lebenswissenschaften arbeiten NUS und A*STAR am MultiOmicsFM. Das geplante Foundation Model soll DNA-, RNA- und Genaktivitätsdaten gemeinsam auswerten, statt jede biologische Datenebene isoliert zu betrachten. Grundlage sind unter anderem multiethnische Datensätze aus Singapur. Das Projekt soll die Erforschung von Krankheitsrisiken und die Optimierung von mRNA-Therapien unterstützen.

Das Projekt BloodCounts! verfolgt einen anderen, aber verwandten Ansatz. Das Modell DeepCBC soll sämtliche Rohparameter eines großen Blutbilds mit Bildern von Blutausstrichen kombinieren. Ein großes Blutbild ist ein weitverbreiteter Routinetest; die zusätzliche KI-Auswertung soll aus derselben Untersuchung mehr diagnostisch nutzbare Informationen gewinnen und unter anderem bei der Vorhersage von Schlaganfall- und Krebsrisiken helfen.

Landwirtschaft für ein unbeständigeres Klima

NUS und das University of Illinois’ Agricultural Resilience and Climate Systems Laboratory (ARCS) entwickeln wissensbasierte digitale Zwillinge für die Landwirtschaft. Dabei handelt es sich um virtuelle Abbilder südostasiatischer Anbauflächen, die reale Beobachtungsdaten mit Erkenntnissen aus der Pflanzen- und Agrarwissenschaft verbinden.

Die geplanten Systeme sollen nachvollziehbare Prognosen und Entscheidungshilfen für Aussaat, Ressourceneinsatz und Lieferketten liefern. Der Anspruch ist somit nicht eine undurchsichtige Vorhersage, sondern ein Modell, dessen Empfehlungen sich mit wissenschaftlichen Prinzipien erklären lassen.

Ein Programm über mehrere Forschungsfelder hinweg

Das Portfolio umfasst außerdem KI-entworfene Schnittstellen, die den Energietransport verbessern sollen. Zusammen decken die acht Projekte damit Materialien, Katalyse, Informatik, Genomik, Energie, Landwirtschaft und Blutanalytik ab. AI4S ist folglich nicht als KI-Initiative für nur einen Wirtschaftssektor angelegt, sondern als breit angelegtes Forschungsprogramm.

Die strategische Idee hinter AI4S

Übersetzung in die Praxis: KI kann vielversprechende Materialien, Moleküle, Experimente oder Code vorschlagen. Erst automatisierte Labore, Hochdurchsatz-Screenings, reale Messungen und formale Verifikation zeigen jedoch, ob daraus etwas Herstellbares, Sicheres und Nützliches entsteht. Das Materials Data Foundry verkörpert diesen geschlossenen Kreislauf besonders deutlich.

Neue Forschergeneration: AI4S will Wissenschaftler ausbilden, die sowohl KI als auch traditionelle Fachgebiete wie Materialwissenschaft, Biowissenschaften oder Quantenforschung beherrschen. Diese „zweisprachigen“ Forscher sollen wissenschaftliche Fragestellungen, Datenqualität und experimentelle Grenzen bereits bei der Modellentwicklung berücksichtigen.

Internationale Drehscheibe: Mit NRF-Finanzierung, internationalen Kooperationen über das CREATE-Programm, gemeinsamer digitaler und experimenteller Infrastruktur, offenen Werkzeugen und Industriepartnern versucht Singapur, sich als Standort für KI-gestützte Forschung und deren Anwendung zu etablieren. Die beiden Imperial-Projekte werden beispielsweise über Imperial Global Singapore am CREATE-Campus koordiniert und sollen Forschern weltweit offenstehen.

Der entscheidende Maßstab wird am Ende nicht sein, wie schnell ein Modell Vorhersagen erzeugt. Entscheidend ist, ob die acht Projekte überprüfte und skalierbare Ergebnisse hervorbringen: industrielle Herstellungsprotokolle, leistungsfähige Katalysatoren, belastbare medizinische Entscheidungshilfen und verlässliche Software.

Bisher werden Modelle häufig mit veröffentlichten Daten zu Materialeigenschaften trainiert. Das neue Labor will dagegen selbst experimentelle Daten erzeugen und dabei dokumentieren, wie sich konkrete Synthesebedingungen auf die spätere Leistung eines Materials auswirken. Geplant sind Zehntausende Reaktionen, herstellbare Materialkandidaten und frei zugängliche Softwarewerkzeuge.

Das Ziel sind damit nicht bloß von einer KI vorgeschlagene Verbindungen, sondern reproduzierbare Herstellungsrezepte – unter anderem für Materialien jenseits der Siliziumtechnologie und für Quantenanwendungen, langlebige Elektrokatalysatoren für die Produktion von sauberem Wasserstoff sowie korrosionsbeständige Beschichtungen.

Katalysatoren: Erst digital aussieben, dann im Labor prüfen

Ein weiteres 10-Millionen-S$-Programm von A*STAR und dem Imperial College London soll ein Surface Science Foundation Model und eine cloudbasierte Plattform entwickeln. Damit sollen Eigenschaften von Katalysatoren und geeignete Synthesebedingungen vorhergesagt werden – mit Anwendungen bei saubereren Kraftstoffen, CO₂-basierten Ausgangsstoffen und biobasierten Chemikalien.

Die zentrale Programmbeschreibung nennt als Ziel eine 500-fache Beschleunigung des computergestützten Screenings. Aussagen, wonach die Entwicklung „fast fünfmal schneller und günstiger“ werde, sollten daher vorsichtig eingeordnet werden, sofern sie sich nicht auf eine separate nachgelagerte Entwicklungskennzahl beziehen.

KI-Code soll sich selbst kontrollieren lassen

NUS und Imperial entwickeln außerdem Werkzeuge zur Programm- und Schlussfolgerungsanalyse. Sie sollen KI-generierten Code automatisch untersuchen, testen, formal verifizieren und dessen Korrektheit beweisen können. Gleichzeitig sollen weniger formale Verfahren dabei helfen, undokumentierten Bestandscode zu verstehen.

Erprobt werden die Werkzeuge an sicherheits- und systemrelevanter Software, darunter Netzwerkprotokolle und Komponenten des Linux-Kernels. Langfristig könnten KI-Agenten so den Code anderer KI-Systeme prüfen – ein wichtiger Schritt, wenn Software zunehmend automatisiert geschrieben wird.

Biomedizin: Mehr Informationen aus denselben Daten

Im Bereich der Lebenswissenschaften arbeiten NUS und A*STAR am MultiOmicsFM. Das geplante Foundation Model soll DNA-, RNA- und Genaktivitätsdaten gemeinsam auswerten, statt jede biologische Datenebene isoliert zu betrachten. Grundlage sind unter anderem multiethnische Datensätze aus Singapur. Das Projekt soll die Erforschung von Krankheitsrisiken und die Optimierung von mRNA-Therapien unterstützen.

Das Projekt BloodCounts! verfolgt einen anderen, aber verwandten Ansatz. Das Modell DeepCBC soll sämtliche Rohparameter eines großen Blutbilds mit Bildern von Blutausstrichen kombinieren. Ein großes Blutbild ist ein weitverbreiteter Routinetest; die zusätzliche KI-Auswertung soll aus derselben Untersuchung mehr diagnostisch nutzbare Informationen gewinnen und unter anderem bei der Vorhersage von Schlaganfall- und Krebsrisiken helfen.

Landwirtschaft für ein unbeständigeres Klima

NUS und das University of Illinois’ Agricultural Resilience and Climate Systems Laboratory (ARCS) entwickeln wissensbasierte digitale Zwillinge für die Landwirtschaft. Dabei handelt es sich um virtuelle Abbilder südostasiatischer Anbauflächen, die reale Beobachtungsdaten mit Erkenntnissen aus der Pflanzen- und Agrarwissenschaft verbinden.

Die geplanten Systeme sollen nachvollziehbare Prognosen und Entscheidungshilfen für Aussaat, Ressourceneinsatz und Lieferketten liefern. Der Anspruch ist somit nicht eine undurchsichtige Vorhersage, sondern ein Modell, dessen Empfehlungen sich mit wissenschaftlichen Prinzipien erklären lassen.

Ein Programm über mehrere Forschungsfelder hinweg

Das Portfolio umfasst außerdem KI-entworfene Schnittstellen, die den Energietransport verbessern sollen. Zusammen decken die acht Projekte damit Materialien, Katalyse, Informatik, Genomik, Energie, Landwirtschaft und Blutanalytik ab. AI4S ist folglich nicht als KI-Initiative für nur einen Wirtschaftssektor angelegt, sondern als breit angelegtes Forschungsprogramm.

Die strategische Idee hinter AI4S

Übersetzung in die Praxis: KI kann vielversprechende Materialien, Moleküle, Experimente oder Code vorschlagen. Erst automatisierte Labore, Hochdurchsatz-Screenings, reale Messungen und formale Verifikation zeigen jedoch, ob daraus etwas Herstellbares, Sicheres und Nützliches entsteht. Das Materials Data Foundry verkörpert diesen geschlossenen Kreislauf besonders deutlich.

Neue Forschergeneration: AI4S will Wissenschaftler ausbilden, die sowohl KI als auch traditionelle Fachgebiete wie Materialwissenschaft, Biowissenschaften oder Quantenforschung beherrschen. Diese „zweisprachigen“ Forscher sollen wissenschaftliche Fragestellungen, Datenqualität und experimentelle Grenzen bereits bei der Modellentwicklung berücksichtigen.

Internationale Drehscheibe: Mit NRF-Finanzierung, internationalen Kooperationen über das CREATE-Programm, gemeinsamer digitaler und experimenteller Infrastruktur, offenen Werkzeugen und Industriepartnern versucht Singapur, sich als Standort für KI-gestützte Forschung und deren Anwendung zu etablieren. Die beiden Imperial-Projekte werden beispielsweise über Imperial Global Singapore am CREATE-Campus koordiniert und sollen Forschern weltweit offenstehen.

Der entscheidende Maßstab wird am Ende nicht sein, wie schnell ein Modell Vorhersagen erzeugt. Entscheidend ist, ob die acht Projekte überprüfte und skalierbare Ergebnisse hervorbringen: industrielle Herstellungsprotokolle, leistungsfähige Katalysatoren, belastbare medizinische Entscheidungshilfen und verlässliche Software.