Päämääränä eivät siis ole vain tekoälyn ennustamat yhdisteet, vaan toistettavat valmistusreseptit. Niitä voidaan soveltaa esimerkiksi piiteknologian jälkeisiin ja kvanttimateriaaleihin, puhtaan vedyn tuotantoon soveltuviin kestäviin elektrokatalyytteihin sekä korroosiota kestäviin pinnoitteisiin.

Katalyyttejä etsitään laskennallisesti

A*STARin ja Imperial Collegen yhteisessä S$10 miljoonan hankkeessa kehitetään Surface Science Foundation Model -perusmallia ja pilvipalvelua. Sen tarkoitus on ennustaa katalyyttien ominaisuuksia ja niiden valmistusolosuhteita.

Mallia voidaan käyttää puhtaampien polttoaineiden, hiilidioksidista valmistettavien raaka-aineiden ja biopohjaisten kemikaalien tutkimuksessa. Hankkeen ensisijaisessa kuvauksessa tavoitteeksi ilmoitetaan laskennallisen seulonnan 500-kertainen nopeutuminen. Väitteisiin, joiden mukaan prosessi olisi ”lähes viisi kertaa nopeampi ja halvempi”, kannattaa suhtautua varauksella, ellei niillä tarkoiteta jotakin erillistä myöhemmän kehitysvaiheen mittaria.

Luotettavampaa tekoälyn kirjoittamaa koodia

NUS ja Imperial kehittävät ohjelmistojen päättelyyn perustuvia työkaluja, jotka analysoivat, testaavat, muodollisesti verifioivat ja todistavat ohjelmiston oikeellisuutta automaattisesti. Vähemmän muodollista päättelyä käytetään puolestaan dokumentoimattoman koodin tulkitsemiseen.

Työkaluja aiotaan kokeilla merkittävissä ohjelmistoissa, kuten verkkoprotokollissa ja Linux-ytimen osissa. Pidemmän aikavälin tavoitteena on, että tekoälyagentit pystyvät tarkastamaan myös muiden tekoälyjärjestelmien tuottamaa koodia.

Biolääketieteessä dataa yhdistetään uudella tavalla

NUS:n ja A*STARin MultiOmicsFM-hankkeessa kehitetään perusmallia, joka käsittelee yhdessä DNA:ta, RNA:ta ja geenien aktiivisuutta kuvaavaa dataa. Mallissa hyödynnetään Singaporen monietnisiin aineistoihin perustuvaa tietoa, ja sen tarkoitus on tukea sairausriskien tutkimusta sekä mRNA-hoitojen optimointia.

BloodCounts!-hankkeessa DeepCBC-malli koulutetaan verenkuvatutkimuksen täydellä raakadatalle sekä verinäytteiden sivelykuville. Näin tavallisesta verikokeesta pyritään saamaan enemmän diagnostista tietoa ja tukemaan esimerkiksi aivohalvauksen ja syövän riskien ennustamista.

Maatalous ja ilmastonkestävyys

NUS:n ja Illinoisin yliopiston ARCS-hankkeessa rakennetaan tietopohjaisia maatalouden digitaalisia kaksosia. Ne ovat Kaakkois-Aasian viljelyalueiden virtuaalisia malleja, joissa havaittu data yhdistyy kasvitieteen periaatteisiin.

Tavoitteena ovat tulkittavat ennusteet ja päätöksenteon työkalut, joita voidaan käyttää esimerkiksi kylvöajankohdan, resurssien käytön ja toimitusketjujen suunnittelussa. Tarkoitus ei ole tyytyä pelkkiin vaikeasti tulkittaviin ennusteisiin.

Yksi ohjelma, monta tieteenalaa

Kahdeksan hankkeen kokonaisuus kattaa materiaalit, katalyysikemian, genomiikan, ohjelmistot, maatalouden, verianalyysin ja energian. Mukana on myös tekoälyllä suunniteltavia rajapintoja, joiden tavoitteena on parantaa energian siirtymistä. AI4S ei näin ollen keskity yhteen toimialaan, vaan pyrkii rakentamaan tekoälyvetoisen tutkimusverkoston useille tieteenaloille.

Mikä on ohjelman strateginen idea?

Tutkimuksen ja käytännön yhdistäminen. Tekoäly voi ehdottaa lupaavia materiaaleja, molekyylejä, kokeita tai koodia. Automatisoidut laboratoriot, laajamittainen seulonta, mittaukset ja muodollinen verifiointi tuottavat kuitenkin sen todistusaineiston, jonka perusteella voidaan arvioida, onko ratkaisu valmistettavissa, turvallinen ja hyödyllinen. Materials Data Foundry edustaa tätä suljetun kehän mallia selkeimmin.

Monialaisen osaamisen rakentaminen. AI4S pyrkii kouluttamaan niin sanottuja kaksikielisiä tutkijoita: asiantuntijoita, jotka hallitsevat sekä tekoälyn että esimerkiksi materiaalitieteen, biotieteet tai kvanttitekniikan. Näin tieteenalan todelliset kysymykset, datan laatu ja kokeiden rajoitukset voidaan ottaa huomioon jo mallien suunnitteluvaiheessa.

Singaporen aseman vahvistaminen. Maa yhdistää National Research Foundationin rahoituksen, CREATE-tutkimuskeskittymän kansainvälisen yhteistyön, yhteisen digitaalisen ja kokeellisen infrastruktuurin, avoimet työkalut sekä teolliset kumppanit. Tavoitteena on tehdä Singaporesta paikka, jossa tekoälyvetoista tutkimusta voidaan koordinoida ja siirtää käytäntöön. Esimerkiksi Imperialin kaksi ohjelmaa toimivat CREATE-keskuksessa sijaitsevan Imperial Global Singaporen kautta, ja ne on suunniteltu kansainvälisten tutkijoiden käyttöön.

Ohjelman ratkaiseva testi ei lopulta ole se, kuinka nopeasti tekoäly tuottaa ennusteita. Olennaisempaa on, syntyykö niiden pohjalta varmennettuja ja skaalautuvia valmistusmenetelmiä, toimivia katalyyttejä, kliinistä päätöksentekoa tukevaa näyttöä ja luotettavaa ohjelmistoa.

Päämääränä eivät siis ole vain tekoälyn ennustamat yhdisteet, vaan toistettavat valmistusreseptit. Niitä voidaan soveltaa esimerkiksi piiteknologian jälkeisiin ja kvanttimateriaaleihin, puhtaan vedyn tuotantoon soveltuviin kestäviin elektrokatalyytteihin sekä korroosiota kestäviin pinnoitteisiin.

Katalyyttejä etsitään laskennallisesti

A*STARin ja Imperial Collegen yhteisessä S$10 miljoonan hankkeessa kehitetään Surface Science Foundation Model -perusmallia ja pilvipalvelua. Sen tarkoitus on ennustaa katalyyttien ominaisuuksia ja niiden valmistusolosuhteita.

Mallia voidaan käyttää puhtaampien polttoaineiden, hiilidioksidista valmistettavien raaka-aineiden ja biopohjaisten kemikaalien tutkimuksessa. Hankkeen ensisijaisessa kuvauksessa tavoitteeksi ilmoitetaan laskennallisen seulonnan 500-kertainen nopeutuminen. Väitteisiin, joiden mukaan prosessi olisi ”lähes viisi kertaa nopeampi ja halvempi”, kannattaa suhtautua varauksella, ellei niillä tarkoiteta jotakin erillistä myöhemmän kehitysvaiheen mittaria.

Luotettavampaa tekoälyn kirjoittamaa koodia

NUS ja Imperial kehittävät ohjelmistojen päättelyyn perustuvia työkaluja, jotka analysoivat, testaavat, muodollisesti verifioivat ja todistavat ohjelmiston oikeellisuutta automaattisesti. Vähemmän muodollista päättelyä käytetään puolestaan dokumentoimattoman koodin tulkitsemiseen.

Työkaluja aiotaan kokeilla merkittävissä ohjelmistoissa, kuten verkkoprotokollissa ja Linux-ytimen osissa. Pidemmän aikavälin tavoitteena on, että tekoälyagentit pystyvät tarkastamaan myös muiden tekoälyjärjestelmien tuottamaa koodia.

Biolääketieteessä dataa yhdistetään uudella tavalla

NUS:n ja A*STARin MultiOmicsFM-hankkeessa kehitetään perusmallia, joka käsittelee yhdessä DNA:ta, RNA:ta ja geenien aktiivisuutta kuvaavaa dataa. Mallissa hyödynnetään Singaporen monietnisiin aineistoihin perustuvaa tietoa, ja sen tarkoitus on tukea sairausriskien tutkimusta sekä mRNA-hoitojen optimointia.

BloodCounts!-hankkeessa DeepCBC-malli koulutetaan verenkuvatutkimuksen täydellä raakadatalle sekä verinäytteiden sivelykuville. Näin tavallisesta verikokeesta pyritään saamaan enemmän diagnostista tietoa ja tukemaan esimerkiksi aivohalvauksen ja syövän riskien ennustamista.

Maatalous ja ilmastonkestävyys

NUS:n ja Illinoisin yliopiston ARCS-hankkeessa rakennetaan tietopohjaisia maatalouden digitaalisia kaksosia. Ne ovat Kaakkois-Aasian viljelyalueiden virtuaalisia malleja, joissa havaittu data yhdistyy kasvitieteen periaatteisiin.

Tavoitteena ovat tulkittavat ennusteet ja päätöksenteon työkalut, joita voidaan käyttää esimerkiksi kylvöajankohdan, resurssien käytön ja toimitusketjujen suunnittelussa. Tarkoitus ei ole tyytyä pelkkiin vaikeasti tulkittaviin ennusteisiin.

Yksi ohjelma, monta tieteenalaa

Kahdeksan hankkeen kokonaisuus kattaa materiaalit, katalyysikemian, genomiikan, ohjelmistot, maatalouden, verianalyysin ja energian. Mukana on myös tekoälyllä suunniteltavia rajapintoja, joiden tavoitteena on parantaa energian siirtymistä. AI4S ei näin ollen keskity yhteen toimialaan, vaan pyrkii rakentamaan tekoälyvetoisen tutkimusverkoston useille tieteenaloille.

Mikä on ohjelman strateginen idea?

Tutkimuksen ja käytännön yhdistäminen. Tekoäly voi ehdottaa lupaavia materiaaleja, molekyylejä, kokeita tai koodia. Automatisoidut laboratoriot, laajamittainen seulonta, mittaukset ja muodollinen verifiointi tuottavat kuitenkin sen todistusaineiston, jonka perusteella voidaan arvioida, onko ratkaisu valmistettavissa, turvallinen ja hyödyllinen. Materials Data Foundry edustaa tätä suljetun kehän mallia selkeimmin.

Monialaisen osaamisen rakentaminen. AI4S pyrkii kouluttamaan niin sanottuja kaksikielisiä tutkijoita: asiantuntijoita, jotka hallitsevat sekä tekoälyn että esimerkiksi materiaalitieteen, biotieteet tai kvanttitekniikan. Näin tieteenalan todelliset kysymykset, datan laatu ja kokeiden rajoitukset voidaan ottaa huomioon jo mallien suunnitteluvaiheessa.

Singaporen aseman vahvistaminen. Maa yhdistää National Research Foundationin rahoituksen, CREATE-tutkimuskeskittymän kansainvälisen yhteistyön, yhteisen digitaalisen ja kokeellisen infrastruktuurin, avoimet työkalut sekä teolliset kumppanit. Tavoitteena on tehdä Singaporesta paikka, jossa tekoälyvetoista tutkimusta voidaan koordinoida ja siirtää käytäntöön. Esimerkiksi Imperialin kaksi ohjelmaa toimivat CREATE-keskuksessa sijaitsevan Imperial Global Singaporen kautta, ja ne on suunniteltu kansainvälisten tutkijoiden käyttöön.

Ohjelman ratkaiseva testi ei lopulta ole se, kuinka nopeasti tekoäly tuottaa ennusteita. Olennaisempaa on, syntyykö niiden pohjalta varmennettuja ja skaalautuvia valmistusmenetelmiä, toimivia katalyyttejä, kliinistä päätöksentekoa tukevaa näyttöä ja luotettavaa ohjelmistoa.