Inilah celah yang ingin ditutup AI4S: jarak antara material yang diprediksi komputer dan material yang benar-benar bisa dibuat secara konsisten di laboratorium maupun industri.

Menyaring katalis dalam ruang desain yang sangat luas

Program senilai S$10 juta yang dikerjakan A*STAR dan Imperial College London akan mengembangkan Surface Science Foundation Model serta platform berbasis awan. Sistem ini ditujukan untuk memprediksi sifat katalis dan kondisi sintesisnya bagi bahan bakar yang lebih bersih, bahan baku turunan CO₂, dan bahan kimia berbasis hayati.

Deskripsi utama program menyebut target percepatan 500 kali lipat dalam penyaringan komputasional. Karena itu, klaim bahwa prosesnya “hampir lima kali lebih cepat dan lebih murah” sebaiknya dipahami secara hati-hati, kecuali angka tersebut merujuk pada metrik pengembangan lain di tahap berikutnya.

Membuat kode buatan AI lebih dapat dipercaya

NUS dan Imperial juga mengembangkan perangkat penalaran program yang dapat menganalisis, menguji, memverifikasi secara formal, dan membuktikan kebenaran perangkat lunak secara otomatis. Untuk kode yang tidak memiliki dokumentasi memadai, alat tersebut akan menggunakan metode penalaran yang lebih fleksibel guna membantu memahami fungsinya.

Pengujian akan dilakukan pada perangkat lunak penting, seperti protokol jaringan dan komponen kernel Linux. Tujuan jangka panjangnya adalah memungkinkan agen AI mengaudit kode yang ditulis oleh sistem AI lain—sebuah lapisan pengawasan yang penting ketika penggunaan kode hasil generasi AI semakin meluas.

Menggabungkan data biologis untuk riset kesehatan

Di bidang biomedis, proyek MultiOmicsFM yang melibatkan NUS dan A*STAR direncanakan menjadi model fondasi yang menafsirkan data DNA, RNA, dan aktivitas gen secara terpadu. Model ini akan menggunakan dataset multi-etnis Singapura untuk mendukung penelitian risiko penyakit dan optimalisasi terapi mRNA.

Proyek BloodCounts! mengambil pendekatan berbeda dengan memperluas informasi yang dapat diperoleh dari tes hitung darah lengkap. Model fondasi DeepCBC akan dilatih menggunakan seluruh parameter mentah dari pemeriksaan darah lengkap, ditambah citra apus darah. Harapannya, satu pemeriksaan yang umum digunakan dapat memberikan nilai diagnostik yang lebih besar dan membantu memprediksi kondisi seperti risiko stroke serta kanker.

Pertanian dan ketahanan terhadap perubahan iklim

NUS dan University of Illinois melalui proyek ARCS akan mengembangkan digital twin pertanian berbasis pengetahuan. Dalam konteks ini, digital twin adalah representasi virtual lahan pertanian Asia Tenggara yang menggabungkan data pengamatan dengan prinsip-prinsip ilmu tanaman.

Keluaran yang ditargetkan berupa prakiraan dan alat pengambilan keputusan yang dapat dijelaskan—misalnya untuk menentukan waktu tanam, penggunaan sumber daya, dan pengelolaan rantai pasok. Pendekatan ini berupaya menghindari ketergantungan pada prediksi AI yang sulit dipahami tanpa penjelasan ilmiah.

Portofolio lintas bidang

Delapan proyek tersebut juga mencakup rancangan antarmuka berbasis AI untuk meningkatkan transportasi energi. Secara keseluruhan, portofolionya meliputi material, katalisis, komputasi, genomik, perangkat lunak, pertanian, dan analisis darah. AI4S dengan demikian bukan program untuk satu sektor saja, melainkan upaya menghubungkan AI dengan berbagai cabang sains.

Mengapa pendekatan ini penting?

Menjembatani riset dan penerapan

AI dapat mengusulkan material, molekul, eksperimen, atau kode yang menjanjikan. Namun, laboratorium otomatis, penyaringan berkapasitas tinggi, pengukuran nyata, dan verifikasi formal tetap diperlukan untuk menentukan apakah hasil tersebut dapat diproduksi, aman, dan berguna.

Materials Data Foundry paling jelas menggambarkan siklus tertutup ini: AI membuat usulan, mesin menjalankan eksperimen, data baru memperbaiki model, lalu hasil yang lebih baik diuji kembali.

Membentuk ilmuwan yang “bilingual”

AI4S juga menargetkan pembentukan ilmuwan yang menguasai dua bahasa keilmuan: AI dan disiplin seperti ilmu material, ilmu hayat, atau sains kuantum. Dengan cara ini, pertanyaan riset, kualitas data, dan kendala eksperimen dapat membentuk model sejak awal—bukan ditambahkan setelah sistem AI selesai dibuat.

Memperkuat posisi Singapura dalam riset global

Singapura memanfaatkan pendanaan National Research Foundation (NRF), kolaborasi internasional berbasis CREATE, infrastruktur digital dan eksperimen bersama, perangkat terbuka, serta mitra industri untuk menjadikan negara itu titik temu riset dan penerapan AI.

Dua program yang dipimpin Imperial, misalnya, ditempatkan melalui Imperial Global Singapore di CREATE dan dirancang agar dapat diakses peneliti dari berbagai negara.

Pada akhirnya, ujian utama AI4S bukan sekadar apakah model dapat menghasilkan prediksi lebih cepat. Pertanyaan yang lebih penting adalah apakah proyek-proyek tersebut dapat menghasilkan protokol manufaktur yang tervalidasi, katalis yang dapat digunakan, bukti pendukung keputusan klinis, dan perangkat lunak yang benar-benar andal dalam skala nyata.

Inilah celah yang ingin ditutup AI4S: jarak antara material yang diprediksi komputer dan material yang benar-benar bisa dibuat secara konsisten di laboratorium maupun industri.

Menyaring katalis dalam ruang desain yang sangat luas

Program senilai S$10 juta yang dikerjakan A*STAR dan Imperial College London akan mengembangkan Surface Science Foundation Model serta platform berbasis awan. Sistem ini ditujukan untuk memprediksi sifat katalis dan kondisi sintesisnya bagi bahan bakar yang lebih bersih, bahan baku turunan CO₂, dan bahan kimia berbasis hayati.

Deskripsi utama program menyebut target percepatan 500 kali lipat dalam penyaringan komputasional. Karena itu, klaim bahwa prosesnya “hampir lima kali lebih cepat dan lebih murah” sebaiknya dipahami secara hati-hati, kecuali angka tersebut merujuk pada metrik pengembangan lain di tahap berikutnya.

Membuat kode buatan AI lebih dapat dipercaya

NUS dan Imperial juga mengembangkan perangkat penalaran program yang dapat menganalisis, menguji, memverifikasi secara formal, dan membuktikan kebenaran perangkat lunak secara otomatis. Untuk kode yang tidak memiliki dokumentasi memadai, alat tersebut akan menggunakan metode penalaran yang lebih fleksibel guna membantu memahami fungsinya.

Pengujian akan dilakukan pada perangkat lunak penting, seperti protokol jaringan dan komponen kernel Linux. Tujuan jangka panjangnya adalah memungkinkan agen AI mengaudit kode yang ditulis oleh sistem AI lain—sebuah lapisan pengawasan yang penting ketika penggunaan kode hasil generasi AI semakin meluas.

Menggabungkan data biologis untuk riset kesehatan

Di bidang biomedis, proyek MultiOmicsFM yang melibatkan NUS dan A*STAR direncanakan menjadi model fondasi yang menafsirkan data DNA, RNA, dan aktivitas gen secara terpadu. Model ini akan menggunakan dataset multi-etnis Singapura untuk mendukung penelitian risiko penyakit dan optimalisasi terapi mRNA.

Proyek BloodCounts! mengambil pendekatan berbeda dengan memperluas informasi yang dapat diperoleh dari tes hitung darah lengkap. Model fondasi DeepCBC akan dilatih menggunakan seluruh parameter mentah dari pemeriksaan darah lengkap, ditambah citra apus darah. Harapannya, satu pemeriksaan yang umum digunakan dapat memberikan nilai diagnostik yang lebih besar dan membantu memprediksi kondisi seperti risiko stroke serta kanker.

Pertanian dan ketahanan terhadap perubahan iklim

NUS dan University of Illinois melalui proyek ARCS akan mengembangkan digital twin pertanian berbasis pengetahuan. Dalam konteks ini, digital twin adalah representasi virtual lahan pertanian Asia Tenggara yang menggabungkan data pengamatan dengan prinsip-prinsip ilmu tanaman.

Keluaran yang ditargetkan berupa prakiraan dan alat pengambilan keputusan yang dapat dijelaskan—misalnya untuk menentukan waktu tanam, penggunaan sumber daya, dan pengelolaan rantai pasok. Pendekatan ini berupaya menghindari ketergantungan pada prediksi AI yang sulit dipahami tanpa penjelasan ilmiah.

Portofolio lintas bidang

Delapan proyek tersebut juga mencakup rancangan antarmuka berbasis AI untuk meningkatkan transportasi energi. Secara keseluruhan, portofolionya meliputi material, katalisis, komputasi, genomik, perangkat lunak, pertanian, dan analisis darah. AI4S dengan demikian bukan program untuk satu sektor saja, melainkan upaya menghubungkan AI dengan berbagai cabang sains.

Mengapa pendekatan ini penting?

Menjembatani riset dan penerapan

AI dapat mengusulkan material, molekul, eksperimen, atau kode yang menjanjikan. Namun, laboratorium otomatis, penyaringan berkapasitas tinggi, pengukuran nyata, dan verifikasi formal tetap diperlukan untuk menentukan apakah hasil tersebut dapat diproduksi, aman, dan berguna.

Materials Data Foundry paling jelas menggambarkan siklus tertutup ini: AI membuat usulan, mesin menjalankan eksperimen, data baru memperbaiki model, lalu hasil yang lebih baik diuji kembali.

Membentuk ilmuwan yang “bilingual”

AI4S juga menargetkan pembentukan ilmuwan yang menguasai dua bahasa keilmuan: AI dan disiplin seperti ilmu material, ilmu hayat, atau sains kuantum. Dengan cara ini, pertanyaan riset, kualitas data, dan kendala eksperimen dapat membentuk model sejak awal—bukan ditambahkan setelah sistem AI selesai dibuat.

Memperkuat posisi Singapura dalam riset global

Singapura memanfaatkan pendanaan National Research Foundation (NRF), kolaborasi internasional berbasis CREATE, infrastruktur digital dan eksperimen bersama, perangkat terbuka, serta mitra industri untuk menjadikan negara itu titik temu riset dan penerapan AI.

Dua program yang dipimpin Imperial, misalnya, ditempatkan melalui Imperial Global Singapore di CREATE dan dirancang agar dapat diakses peneliti dari berbagai negara.

Pada akhirnya, ujian utama AI4S bukan sekadar apakah model dapat menghasilkan prediksi lebih cepat. Pertanyaan yang lebih penting adalah apakah proyek-proyek tersebut dapat menghasilkan protokol manufaktur yang tervalidasi, katalis yang dapat digunakan, bukti pendukung keputusan klinis, dan perangkat lunak yang benar-benar andal dalam skala nyata.