Materials Data Foundry yrittää ratkaista tekoälyn valmistusongelman

Tekoäly voi löytää simulaatiosta materiaalin, joka näyttää lupaavalta. Se ei vielä kerro, miten materiaali valmistetaan luotettavasti, suuressa mittakaavassa tai niin, että sen todellinen suorituskyky vastaa mallin ennustetta. Tähän ennusteen ja tuotannon väliseen pullonkaulaan keskittyy 10 miljoonan Singaporen dollarin Materials Data Foundry, jonka perustavat yhdessä Singaporen kansallinen yliopisto NUS ja Toronton yliopiston Acceleration Consortium.

Suunniteltu laboratorio yhdistää tekoälyn, robotiikan ja reaaliaikaiset mittaukset avoimeksi autonomiseksi laboratorioksi. Pelkästään julkaistuihin materiaalitietoihin tukeutumisen sijaan se tuottaa kokeellista dataa, joka yhdistää synteesiolosuhteet materiaalin todelliseen suorituskykyyn. Mittaustulokset voivat puolestaan parantaa malleja ja ohjata seuraavia kokeita. Näin ennusteet ja fyysiset kokeet muodostavat jatkuvan palautesilmukan.

Hankkeen tavoitteisiin kuuluu suuri määrä kokeita sekä käytännöllisten ja toistettavien valmistusreseptien kehittäminen esimerkiksi piiteknologiaa seuraaville tai kvanttimateriaaleille, puhtaan vedyn tuotannossa tarvittaville sähkökemiallisille katalyyteille ja korroosiota kestäville pinnoitteille. Tarkoitus ei siis ole tuottaa vain listaa tekoälyn ehdottamista materiaaleista, vaan näyttöä siitä, miten lupaavat materiaalit voidaan todella valmistaa ja arvioida.

Katalyyttejä seulotaan ensin laskennallisesti

A*STARin ja Imperial Collegen johtamassa erillisessä 10 miljoonan Singaporen dollarin hankkeessa kehitetään Surface Science Foundation Model -perusmallia ja pilvipalvelua. Niiden avulla pyritään ennustamaan katalyyttien ominaisuuksia ja synteesiolosuhteita. Sovelluskohteita ovat muun muassa puhtaammat polttoaineet, hiilidioksidista valmistettavat raaka-aineet ja biopohjaiset kemikaalit.

Hankekuvauksessa mainitaan tavoitteeksi laskennallisen seulonnan 500-kertainen nopeutuminen. Kyse on seulonnan tavoitteesta – ei siitä, että valmis polttoaine tai kemiallinen tuotantoprosessi valmistuisi 500 kertaa nopeammin. Väitteisiin lähes viisinkertaisesta nopeus- ja kustannusedusta on siksi syytä suhtautua varovasti, elleivät ne koske erillistä myöhempää kehitysvaihetta. Lopullisesti ratkaisevaa on, toimivatko laskennallisesti valitut katalyytit kokeissa ja voidaanko niiden avulla rakentaa taloudellisesti toimivia prosesseja.

Tekoälyn tuottamaa ohjelmakoodia halutaan testata ja todentaa

AI4S käsittelee myös ohjelmistojen luotettavuutta tieteen ja insinöörityön tutkimusongelmana. NUS ja Imperial kehittävät ohjelmien päättelyyn perustuvia työkaluja, jotka voivat analysoida ja testata koodia, todentaa sen ominaisuuksia formaalisti ja mahdollisuuksien mukaan osoittaa sen oikeellisuuden. Työkaluja on tarkoitus kokeilla vaativissa ja seurauksiltaan merkittävissä ohjelmistoissa, kuten verkkoprotokollissa ja Linux-ytimen osissa.

Yksi mahdollinen käyttötapa on, että tekoälyjärjestelmä tarkastaa toisen tekoälyjärjestelmän tuottamaa koodia. Tämä voisi tehdä tekoälyavusteisesta ohjelmoinnista luotettavampaa, mutta automaattinen analyysi ei ole yleinen turvallisuustakuu. Formaalit menetelmät voivat osoittaa tiettyjä ominaisuuksia määriteltyjen oletusten vallitessa. Laajempi luotettavuus riippuu edelleen vaatimusten, testien ja käyttöympäristön laadusta.

Biolääketieteessä yhdistetään eri tietolähteitä

Biolääketieteen hankkeissa tekoälyä käytetään yhdistämään aineistoja, joita tutkijat usein analysoivat erillään.

NUSin ja A*STARin MultiOmicsFM-hankkeessa suunnitellaan perusmallia, joka yhdistää DNA:ta, RNA:ta ja geenien aktiivisuutta kuvaavaa dataa Singaporesta kerättyihin monietnisiin aineistoihin. Tavoitteena on tutkia sairausriskejä sekä parantaa mRNA-hoitojen suunnittelua ja kuljetusta.

BloodCounts!-hankkeessa kehitetään toisenlaista DeepCBC-mallia. Se hyödyntää täydellisten verenkuvatutkimusten kaikkia alkuperäisiä mittausparametreja sekä verinäytteiden sivelykuvia. Tavoitteena on saada yleisesti käytetystä verikokeesta enemmän diagnostista tietoa ja tutkia, voidaanko yhdistetyn aineiston avulla ennustaa esimerkiksi aivohalvaukseen ja syöpään liittyviä riskejä.

Kyse on tulevaisuuteen suuntautuvasta tutkimuksesta, ei väitteestä, että tavallinen verikoe pystyisi tällä hetkellä diagnosoimaan nämä sairaudet. Mahdollinen kliininen käyttö edellyttäisi validointia, viranomaisarviointia ja näyttöä siitä, että malli toimii luotettavasti eri väestöissä ja hoitoympäristöissä.

Digitaaliset kaksoset tuovat tekoälyn maatalouteen ja ilmastokestävyyteen

Yhdessä hankkeessa rakennetaan tietoon ohjautuvia maatalouden digitaalisia kaksosia Kaakkois-Aasian viljelyalueille. Digitaalisella kaksosella tarkoitetaan tässä virtuaalista esitystä viljelyympäristöstä. Siinä havaintoaineisto yhdistetään kasvitieteen periaatteisiin, jotta voidaan tuottaa ennusteita ja päätöksenteon työkaluja muun muassa kylvöön, resurssien käyttöön ja toimitusketjuihin.

Tieteellisen tiedon sisällyttäminen malleihin on merkittävää. Maatalouden reunaehdot huomioiva digitaalinen kaksonen voi olla helpommin tulkittava ja haastettavissa kuin läpinäkymätön ennuste. Sen hyödyllisyys riippuu silti siitä, kuinka laadukasta, kattavaa ja ajantasaista taustadata on.

Kahdeksan hankkeen kokonaisuuteen kuuluu lisäksi tekoälyn avulla suunniteltavia rajapintoja, joiden tavoitteena on parantaa energian siirtymistä. Portfolio ulottuu materiaaleista, laskennasta ja genomiikasta terveyteen, energiaan, maatalouteen ja ilmastokestävyyteen sen sijaan, että se keskittyisi vain yhteen kaupalliseen toimialaan.

Toimintamalli on suljettu kierros tekoälyn ja kokeiden välillä

Hankkeiden yhteinen toimintamalli voidaan tiivistää neljään vaiheeseen:

1. Tekoäly etsii tai ehdottaa hypoteeseja, materiaaleja, katalyyttejä, molekyylejä, ohjelmakoodia tai maatalouden toimenpiteitä.
2. Fyysiset tai digitaaliset kokeet testaavat ehdotuksia automaattisissa laboratorioissa, mittauksissa, ohjelmistoanalyyseissä tai kenttäolosuhteita jäljittelevissä malleissa.
3. Uusi näyttö parantaa järjestelmää, jolloin seuraavat ennusteet perustuvat paremmin havaittuihin tuloksiin.
4. Alan asiantuntijat arvioivat merkityksen: onko tulos valmistettavissa, luotettava, kliinisesti hyödyllinen tai ympäristön kannalta relevantti?

Materials Data Foundry tekee tämän kierroksen näkyvimmäksi, koska se on nimenomaisesti suunniteltu yhdistämään tekoälyn ennusteet automaattiseen synteesiin ja mittauksiin. Sama periaate toistuu katalyyttien seulonnassa, ohjelmistojen varmentamisessa ja biolääketieteellisessä mallinnuksessa: nopeammista ennusteista on hyötyä vasta, kun ne tuottavat luotettavaa näyttöä.

Singapore hakee tekoälyllä myös osaajia ja kansainvälistä asemaa

AI4S on tutkimusohjelman lisäksi lahjakkuus- ja infrastruktuuristrategia. NRF haluaa yhdistää tekoälytutkijat materiaalitieteen, biotieteiden ja kvanttitieteen kaltaisten alojen asiantuntijoihin. Tavoitteena on kouluttaa niin sanottuja kaksikielisiä tutkijoita, jotka hallitsevat sekä laskennalliset menetelmät että niiden taustalla olevat tieteelliset ongelmat.

Hankkeissa ovat mukana singaporelaiset instituutiot, kuten NUS, Nanyang Technological University (NTU) ja A*STAR, sekä kansainväliset kumppanit Toronton yliopistosta, Imperial Collegesta, Cambridgen yliopistosta ja Kioton yliopistosta. Imperialin kaksi ohjelmaa toimivat Imperial Global Singaporen kautta NRF:n CREATE-tutkimuskampuksella, jonka painopisteenä on kansainvälinen tutkimusyhteistyö ja avoin tutkijaverkosto.

Rakenteen ansiosta Singapore voi houkutella AI-vetoista tutkimusta maahan yhdistämällä kunnianhimoisen hankerahoituksen, jaetun kokeellisen ja digitaalisen infrastruktuurin, kansainväliset kumppanit sekä tutkijakoulutuksen, joka yhdistää mallit ja laboratoriot.

Menestys mitataan sillä, mikä toimii käytännössä

AI4S-ohjelmaa ei lopulta arvioida ensisijaisesti sen perusteella, kuinka monta ennustetta mallit tuottavat. Olennaisempia tuloksia olisivat esimerkiksi:

• toistettavat valmistusreseptit kehittyneille materiaaleille;
• katalyytit, jotka toimivat realistisissa käyttöolosuhteissa;
• ohjelmistotyökalut, jotka osoittavat merkittäviä oikeellisuus- tai luotettavuustakuita;
• biolääketieteelliset mallit, jotka on validoitu asianmukaisissa aineistoissa ja kliinisissä ympäristöissä; sekä
• maatalouden päätöksentekotyökalut, jotka parantavat käytännön ennusteita tai resurssien suunnittelua.

Singapore tekee siis suuren panostuksen tekoälyyn, joka on kytketty kokeisiin, varmentamiseen ja alakohtaiseen asiantuntemukseen. 120 miljoonan Singaporen dollarin ohjelma voi tehdä tieteellisestä löytämisestä järjestelmällisempää ja nopeuttaa matkaa ideasta prototyyppiin. Ratkaiseva kysymys on kuitenkin vielä avoin: pystyvätkö kahdeksan tutkimushanketta muuttamaan lupaavat tekoälyavusteiset ennusteet skaalautuviksi, turvallisiksi ja hyödyllisiksi teknologioiksi.

Materials Data Foundry yrittää ratkaista tekoälyn valmistusongelman

Tekoäly voi löytää simulaatiosta materiaalin, joka näyttää lupaavalta. Se ei vielä kerro, miten materiaali valmistetaan luotettavasti, suuressa mittakaavassa tai niin, että sen todellinen suorituskyky vastaa mallin ennustetta. Tähän ennusteen ja tuotannon väliseen pullonkaulaan keskittyy 10 miljoonan Singaporen dollarin Materials Data Foundry, jonka perustavat yhdessä Singaporen kansallinen yliopisto NUS ja Toronton yliopiston Acceleration Consortium.

Suunniteltu laboratorio yhdistää tekoälyn, robotiikan ja reaaliaikaiset mittaukset avoimeksi autonomiseksi laboratorioksi. Pelkästään julkaistuihin materiaalitietoihin tukeutumisen sijaan se tuottaa kokeellista dataa, joka yhdistää synteesiolosuhteet materiaalin todelliseen suorituskykyyn. Mittaustulokset voivat puolestaan parantaa malleja ja ohjata seuraavia kokeita. Näin ennusteet ja fyysiset kokeet muodostavat jatkuvan palautesilmukan.

Hankkeen tavoitteisiin kuuluu suuri määrä kokeita sekä käytännöllisten ja toistettavien valmistusreseptien kehittäminen esimerkiksi piiteknologiaa seuraaville tai kvanttimateriaaleille, puhtaan vedyn tuotannossa tarvittaville sähkökemiallisille katalyyteille ja korroosiota kestäville pinnoitteille. Tarkoitus ei siis ole tuottaa vain listaa tekoälyn ehdottamista materiaaleista, vaan näyttöä siitä, miten lupaavat materiaalit voidaan todella valmistaa ja arvioida.

Katalyyttejä seulotaan ensin laskennallisesti

A*STARin ja Imperial Collegen johtamassa erillisessä 10 miljoonan Singaporen dollarin hankkeessa kehitetään Surface Science Foundation Model -perusmallia ja pilvipalvelua. Niiden avulla pyritään ennustamaan katalyyttien ominaisuuksia ja synteesiolosuhteita. Sovelluskohteita ovat muun muassa puhtaammat polttoaineet, hiilidioksidista valmistettavat raaka-aineet ja biopohjaiset kemikaalit.

Hankekuvauksessa mainitaan tavoitteeksi laskennallisen seulonnan 500-kertainen nopeutuminen. Kyse on seulonnan tavoitteesta – ei siitä, että valmis polttoaine tai kemiallinen tuotantoprosessi valmistuisi 500 kertaa nopeammin. Väitteisiin lähes viisinkertaisesta nopeus- ja kustannusedusta on siksi syytä suhtautua varovasti, elleivät ne koske erillistä myöhempää kehitysvaihetta. Lopullisesti ratkaisevaa on, toimivatko laskennallisesti valitut katalyytit kokeissa ja voidaanko niiden avulla rakentaa taloudellisesti toimivia prosesseja.

Tekoälyn tuottamaa ohjelmakoodia halutaan testata ja todentaa

AI4S käsittelee myös ohjelmistojen luotettavuutta tieteen ja insinöörityön tutkimusongelmana. NUS ja Imperial kehittävät ohjelmien päättelyyn perustuvia työkaluja, jotka voivat analysoida ja testata koodia, todentaa sen ominaisuuksia formaalisti ja mahdollisuuksien mukaan osoittaa sen oikeellisuuden. Työkaluja on tarkoitus kokeilla vaativissa ja seurauksiltaan merkittävissä ohjelmistoissa, kuten verkkoprotokollissa ja Linux-ytimen osissa.

Yksi mahdollinen käyttötapa on, että tekoälyjärjestelmä tarkastaa toisen tekoälyjärjestelmän tuottamaa koodia. Tämä voisi tehdä tekoälyavusteisesta ohjelmoinnista luotettavampaa, mutta automaattinen analyysi ei ole yleinen turvallisuustakuu. Formaalit menetelmät voivat osoittaa tiettyjä ominaisuuksia määriteltyjen oletusten vallitessa. Laajempi luotettavuus riippuu edelleen vaatimusten, testien ja käyttöympäristön laadusta.

Biolääketieteessä yhdistetään eri tietolähteitä

Biolääketieteen hankkeissa tekoälyä käytetään yhdistämään aineistoja, joita tutkijat usein analysoivat erillään.

NUSin ja A*STARin MultiOmicsFM-hankkeessa suunnitellaan perusmallia, joka yhdistää DNA:ta, RNA:ta ja geenien aktiivisuutta kuvaavaa dataa Singaporesta kerättyihin monietnisiin aineistoihin. Tavoitteena on tutkia sairausriskejä sekä parantaa mRNA-hoitojen suunnittelua ja kuljetusta.

BloodCounts!-hankkeessa kehitetään toisenlaista DeepCBC-mallia. Se hyödyntää täydellisten verenkuvatutkimusten kaikkia alkuperäisiä mittausparametreja sekä verinäytteiden sivelykuvia. Tavoitteena on saada yleisesti käytetystä verikokeesta enemmän diagnostista tietoa ja tutkia, voidaanko yhdistetyn aineiston avulla ennustaa esimerkiksi aivohalvaukseen ja syöpään liittyviä riskejä.

Kyse on tulevaisuuteen suuntautuvasta tutkimuksesta, ei väitteestä, että tavallinen verikoe pystyisi tällä hetkellä diagnosoimaan nämä sairaudet. Mahdollinen kliininen käyttö edellyttäisi validointia, viranomaisarviointia ja näyttöä siitä, että malli toimii luotettavasti eri väestöissä ja hoitoympäristöissä.

Digitaaliset kaksoset tuovat tekoälyn maatalouteen ja ilmastokestävyyteen

Yhdessä hankkeessa rakennetaan tietoon ohjautuvia maatalouden digitaalisia kaksosia Kaakkois-Aasian viljelyalueille. Digitaalisella kaksosella tarkoitetaan tässä virtuaalista esitystä viljelyympäristöstä. Siinä havaintoaineisto yhdistetään kasvitieteen periaatteisiin, jotta voidaan tuottaa ennusteita ja päätöksenteon työkaluja muun muassa kylvöön, resurssien käyttöön ja toimitusketjuihin.

Tieteellisen tiedon sisällyttäminen malleihin on merkittävää. Maatalouden reunaehdot huomioiva digitaalinen kaksonen voi olla helpommin tulkittava ja haastettavissa kuin läpinäkymätön ennuste. Sen hyödyllisyys riippuu silti siitä, kuinka laadukasta, kattavaa ja ajantasaista taustadata on.

Kahdeksan hankkeen kokonaisuuteen kuuluu lisäksi tekoälyn avulla suunniteltavia rajapintoja, joiden tavoitteena on parantaa energian siirtymistä. Portfolio ulottuu materiaaleista, laskennasta ja genomiikasta terveyteen, energiaan, maatalouteen ja ilmastokestävyyteen sen sijaan, että se keskittyisi vain yhteen kaupalliseen toimialaan.

Toimintamalli on suljettu kierros tekoälyn ja kokeiden välillä

Hankkeiden yhteinen toimintamalli voidaan tiivistää neljään vaiheeseen:

1. Tekoäly etsii tai ehdottaa hypoteeseja, materiaaleja, katalyyttejä, molekyylejä, ohjelmakoodia tai maatalouden toimenpiteitä.
2. Fyysiset tai digitaaliset kokeet testaavat ehdotuksia automaattisissa laboratorioissa, mittauksissa, ohjelmistoanalyyseissä tai kenttäolosuhteita jäljittelevissä malleissa.
3. Uusi näyttö parantaa järjestelmää, jolloin seuraavat ennusteet perustuvat paremmin havaittuihin tuloksiin.
4. Alan asiantuntijat arvioivat merkityksen: onko tulos valmistettavissa, luotettava, kliinisesti hyödyllinen tai ympäristön kannalta relevantti?

Materials Data Foundry tekee tämän kierroksen näkyvimmäksi, koska se on nimenomaisesti suunniteltu yhdistämään tekoälyn ennusteet automaattiseen synteesiin ja mittauksiin. Sama periaate toistuu katalyyttien seulonnassa, ohjelmistojen varmentamisessa ja biolääketieteellisessä mallinnuksessa: nopeammista ennusteista on hyötyä vasta, kun ne tuottavat luotettavaa näyttöä.

Singapore hakee tekoälyllä myös osaajia ja kansainvälistä asemaa

AI4S on tutkimusohjelman lisäksi lahjakkuus- ja infrastruktuuristrategia. NRF haluaa yhdistää tekoälytutkijat materiaalitieteen, biotieteiden ja kvanttitieteen kaltaisten alojen asiantuntijoihin. Tavoitteena on kouluttaa niin sanottuja kaksikielisiä tutkijoita, jotka hallitsevat sekä laskennalliset menetelmät että niiden taustalla olevat tieteelliset ongelmat.

Hankkeissa ovat mukana singaporelaiset instituutiot, kuten NUS, Nanyang Technological University (NTU) ja A*STAR, sekä kansainväliset kumppanit Toronton yliopistosta, Imperial Collegesta, Cambridgen yliopistosta ja Kioton yliopistosta. Imperialin kaksi ohjelmaa toimivat Imperial Global Singaporen kautta NRF:n CREATE-tutkimuskampuksella, jonka painopisteenä on kansainvälinen tutkimusyhteistyö ja avoin tutkijaverkosto.

Rakenteen ansiosta Singapore voi houkutella AI-vetoista tutkimusta maahan yhdistämällä kunnianhimoisen hankerahoituksen, jaetun kokeellisen ja digitaalisen infrastruktuurin, kansainväliset kumppanit sekä tutkijakoulutuksen, joka yhdistää mallit ja laboratoriot.

Menestys mitataan sillä, mikä toimii käytännössä

AI4S-ohjelmaa ei lopulta arvioida ensisijaisesti sen perusteella, kuinka monta ennustetta mallit tuottavat. Olennaisempia tuloksia olisivat esimerkiksi:

• toistettavat valmistusreseptit kehittyneille materiaaleille;
• katalyytit, jotka toimivat realistisissa käyttöolosuhteissa;
• ohjelmistotyökalut, jotka osoittavat merkittäviä oikeellisuus- tai luotettavuustakuita;
• biolääketieteelliset mallit, jotka on validoitu asianmukaisissa aineistoissa ja kliinisissä ympäristöissä; sekä
• maatalouden päätöksentekotyökalut, jotka parantavat käytännön ennusteita tai resurssien suunnittelua.

Singapore tekee siis suuren panostuksen tekoälyyn, joka on kytketty kokeisiin, varmentamiseen ja alakohtaiseen asiantuntemukseen. 120 miljoonan Singaporen dollarin ohjelma voi tehdä tieteellisestä löytämisestä järjestelmällisempää ja nopeuttaa matkaa ideasta prototyyppiin. Ratkaiseva kysymys on kuitenkin vielä avoin: pystyvätkö kahdeksan tutkimushanketta muuttamaan lupaavat tekoälyavusteiset ennusteet skaalautuviksi, turvallisiksi ja hyödyllisiksi teknologioiksi.