La diferencia clave es que sus modelos no se entrenarán únicamente con propiedades de materiales publicadas. El sistema generará datos experimentales que relacionen las condiciones de síntesis con el rendimiento real del material. El objetivo es estudiar decenas de miles de reacciones, encontrar candidatos que puedan sintetizarse y producir herramientas de software abiertas.

En lugar de limitarse a predecir qué compuesto podría funcionar, el proyecto busca obtener “recetas” reproducibles para fabricar materiales destinados a tecnologías más allá del silicio y a la computación cuántica, electrocatalizadores duraderos de interés para el hidrógeno limpio y recubrimientos resistentes a la corrosión.

Catalizadores: explorar más opciones antes de pasar al laboratorio

Otro proyecto, liderado por A*STAR e Imperial College London, desarrollará un Surface Science Foundation Model y una plataforma en la nube. Su función será predecir las propiedades de los catalizadores y las condiciones necesarias para sintetizarlos, con aplicaciones potenciales en combustibles más limpios, materias primas derivadas del CO₂ y productos químicos de origen biológico.

La descripción principal del programa fija como meta acelerar 500 veces el cribado computacional. Por eso, las afirmaciones de que el proceso sería “casi cinco veces más rápido y barato” deben interpretarse con cautela, salvo que correspondan a una métrica distinta de una fase posterior del desarrollo.

IA capaz de revisar el código generado por otra IA

La IA4S también aborda un problema cada vez más relevante: cómo comprobar que el software producido o modificado por sistemas de IA es correcto y seguro.

Investigadores de la NUS e Imperial desarrollarán herramientas de razonamiento sobre programas capaces de analizar, probar, verificar formalmente y demostrar la corrección del código. Para interpretar programas sin documentación suficiente, combinarán esos métodos con formas de razonamiento menos formales.

Las pruebas se realizarán con software de importancia crítica, incluidos protocolos de red y componentes del núcleo de Linux. La meta es que agentes de IA puedan auditar el código creado por otros sistemas de IA, no simplemente generarlo.

Biomedicina: aprovechar todo lo que contiene una prueba de sangre

En ciencias de la vida, la NUS y A*STAR preparan MultiOmicsFM, un modelo fundacional diseñado para interpretar conjuntamente datos de ADN, ARN y actividad genética. El proyecto utilizará conjuntos de datos multiétnicos de Singapur y pretende apoyar la investigación sobre el riesgo de enfermedades y la optimización de terapias de ARN mensajero (ARNm).

El proyecto BloodCounts! seguirá una vía diferente, pero complementaria. Su modelo DeepCBC se entrenará con todos los parámetros de los análisis completos de sangre y con imágenes de frotis sanguíneos. La intención es extraer más información diagnóstica de una prueba habitual y contribuir a predecir afecciones como el riesgo de accidente cerebrovascular y cáncer.

Esto no significa que una sola analítica vaya a diagnosticar automáticamente esas enfermedades. El objetivo declarado es investigar si la combinación de datos hematológicos detallados e imágenes puede mejorar la evaluación del riesgo y ampliar el valor clínico de una prueba común.

Agricultura y energía: modelos conectados con el mundo físico

En agricultura, la NUS y el proyecto Illinois ARCS desarrollarán gemelos digitales agrícolas guiados por conocimiento científico. Estos modelos virtuales representarán terrenos del Sudeste Asiático combinando datos observados con principios de la ciencia de cultivos.

La finalidad es ofrecer previsiones interpretables y herramientas de decisión para elegir cuándo plantar, gestionar recursos y organizar cadenas de suministro, en lugar de depender únicamente de predicciones difíciles de explicar.

La cartera de ocho proyectos incluye además interfaces diseñadas con IA para mejorar el transporte de energía. En conjunto, las iniciativas cubren materiales, computación, genómica, software, agricultura, energía y análisis sanguíneo: AI4S no está planteado como un programa para un solo sector.

La lógica estratégica del programa

Cerrar el ciclo entre predicción y validación

La IA puede proponer materiales, moléculas, experimentos o código prometedores. Pero los laboratorios automatizados, las mediciones de alto rendimiento y la verificación formal son los que aportan la evidencia necesaria para saber si esas propuestas pueden fabricarse, son seguras y resultan útiles.

Materials Data Foundry representa con mayor claridad este modelo de ciclo cerrado: el sistema genera una hipótesis, ejecuta un experimento, incorpora los resultados y mejora sus siguientes decisiones.

Formar científicos “bilingües”

AI4S también persigue un objetivo de talento. El programa quiere formar investigadores capaces de desenvolverse tanto en IA como en disciplinas como la ciencia de materiales, las ciencias de la vida o la ciencia cuántica. La idea es que las preguntas científicas, la calidad de los datos y las limitaciones experimentales influyan en el diseño de los modelos desde el principio.

Crear una plataforma internacional de investigación

Singapur está combinando financiación de la NRF, colaboraciones internacionales vinculadas a CREATE —el Campus for Research Excellence and Technological Enterprise—, infraestructuras digitales y experimentales compartidas, herramientas abiertas y socios industriales.

Los dos programas de Imperial, por ejemplo, se gestionan a través de Imperial Global Singapore en CREATE y están concebidos para facilitar el acceso de investigadores de todo el mundo.

El verdadero examen del programa no será si sus modelos hacen predicciones más deprisa, sino si producen resultados validados y escalables: protocolos de fabricación, catalizadores eficaces, evidencia para apoyar decisiones clínicas y software fiable. Ahí es donde la IA aplicada a la ciencia tendrá que demostrar que puede convertir una posibilidad calculada en una tecnología que funcione fuera del laboratorio.

La diferencia clave es que sus modelos no se entrenarán únicamente con propiedades de materiales publicadas. El sistema generará datos experimentales que relacionen las condiciones de síntesis con el rendimiento real del material. El objetivo es estudiar decenas de miles de reacciones, encontrar candidatos que puedan sintetizarse y producir herramientas de software abiertas.

En lugar de limitarse a predecir qué compuesto podría funcionar, el proyecto busca obtener “recetas” reproducibles para fabricar materiales destinados a tecnologías más allá del silicio y a la computación cuántica, electrocatalizadores duraderos de interés para el hidrógeno limpio y recubrimientos resistentes a la corrosión.

Catalizadores: explorar más opciones antes de pasar al laboratorio

Otro proyecto, liderado por A*STAR e Imperial College London, desarrollará un Surface Science Foundation Model y una plataforma en la nube. Su función será predecir las propiedades de los catalizadores y las condiciones necesarias para sintetizarlos, con aplicaciones potenciales en combustibles más limpios, materias primas derivadas del CO₂ y productos químicos de origen biológico.

La descripción principal del programa fija como meta acelerar 500 veces el cribado computacional. Por eso, las afirmaciones de que el proceso sería “casi cinco veces más rápido y barato” deben interpretarse con cautela, salvo que correspondan a una métrica distinta de una fase posterior del desarrollo.

IA capaz de revisar el código generado por otra IA

La IA4S también aborda un problema cada vez más relevante: cómo comprobar que el software producido o modificado por sistemas de IA es correcto y seguro.

Investigadores de la NUS e Imperial desarrollarán herramientas de razonamiento sobre programas capaces de analizar, probar, verificar formalmente y demostrar la corrección del código. Para interpretar programas sin documentación suficiente, combinarán esos métodos con formas de razonamiento menos formales.

Las pruebas se realizarán con software de importancia crítica, incluidos protocolos de red y componentes del núcleo de Linux. La meta es que agentes de IA puedan auditar el código creado por otros sistemas de IA, no simplemente generarlo.

Biomedicina: aprovechar todo lo que contiene una prueba de sangre

En ciencias de la vida, la NUS y A*STAR preparan MultiOmicsFM, un modelo fundacional diseñado para interpretar conjuntamente datos de ADN, ARN y actividad genética. El proyecto utilizará conjuntos de datos multiétnicos de Singapur y pretende apoyar la investigación sobre el riesgo de enfermedades y la optimización de terapias de ARN mensajero (ARNm).

El proyecto BloodCounts! seguirá una vía diferente, pero complementaria. Su modelo DeepCBC se entrenará con todos los parámetros de los análisis completos de sangre y con imágenes de frotis sanguíneos. La intención es extraer más información diagnóstica de una prueba habitual y contribuir a predecir afecciones como el riesgo de accidente cerebrovascular y cáncer.

Esto no significa que una sola analítica vaya a diagnosticar automáticamente esas enfermedades. El objetivo declarado es investigar si la combinación de datos hematológicos detallados e imágenes puede mejorar la evaluación del riesgo y ampliar el valor clínico de una prueba común.

Agricultura y energía: modelos conectados con el mundo físico

En agricultura, la NUS y el proyecto Illinois ARCS desarrollarán gemelos digitales agrícolas guiados por conocimiento científico. Estos modelos virtuales representarán terrenos del Sudeste Asiático combinando datos observados con principios de la ciencia de cultivos.

La finalidad es ofrecer previsiones interpretables y herramientas de decisión para elegir cuándo plantar, gestionar recursos y organizar cadenas de suministro, en lugar de depender únicamente de predicciones difíciles de explicar.

La cartera de ocho proyectos incluye además interfaces diseñadas con IA para mejorar el transporte de energía. En conjunto, las iniciativas cubren materiales, computación, genómica, software, agricultura, energía y análisis sanguíneo: AI4S no está planteado como un programa para un solo sector.

La lógica estratégica del programa

Cerrar el ciclo entre predicción y validación

La IA puede proponer materiales, moléculas, experimentos o código prometedores. Pero los laboratorios automatizados, las mediciones de alto rendimiento y la verificación formal son los que aportan la evidencia necesaria para saber si esas propuestas pueden fabricarse, son seguras y resultan útiles.

Materials Data Foundry representa con mayor claridad este modelo de ciclo cerrado: el sistema genera una hipótesis, ejecuta un experimento, incorpora los resultados y mejora sus siguientes decisiones.

Formar científicos “bilingües”

AI4S también persigue un objetivo de talento. El programa quiere formar investigadores capaces de desenvolverse tanto en IA como en disciplinas como la ciencia de materiales, las ciencias de la vida o la ciencia cuántica. La idea es que las preguntas científicas, la calidad de los datos y las limitaciones experimentales influyan en el diseño de los modelos desde el principio.

Crear una plataforma internacional de investigación

Singapur está combinando financiación de la NRF, colaboraciones internacionales vinculadas a CREATE —el Campus for Research Excellence and Technological Enterprise—, infraestructuras digitales y experimentales compartidas, herramientas abiertas y socios industriales.

Los dos programas de Imperial, por ejemplo, se gestionan a través de Imperial Global Singapore en CREATE y están concebidos para facilitar el acceso de investigadores de todo el mundo.

El verdadero examen del programa no será si sus modelos hacen predicciones más deprisa, sino si producen resultados validados y escalables: protocolos de fabricación, catalizadores eficaces, evidencia para apoyar decisiones clínicas y software fiable. Ahí es donde la IA aplicada a la ciencia tendrá que demostrar que puede convertir una posibilidad calculada en una tecnología que funcione fuera del laboratorio.