Berlin GigaLab: Ambisi Dunia Innovations Membangun “Pabrik Penemuan Material” Berbasis AI

Material canggih—mulai dari katalis kimia, komponen baterai, hingga material semikonduktor—menjadi fondasi bagi hampir semua industri modern. Namun menemukan material baru biasanya memakan waktu lama dan biaya besar.

Startup deep‑tech asal Berlin, Dunia Innovations, mencoba mempercepat proses ini dengan menggabungkan kecerdasan buatan (AI), robotika laboratorium, dan eksperimen otomatis dalam satu platform penelitian terpadu.

Salah satu visi besarnya adalah pembangunan fasilitas riset otonom berskala besar yang sering disebut Berlin “GigaLab.” Meski detail publik tentang ukuran, pendanaan, dan jadwal proyek masih terbatas, platform teknologi Dunia serta kolaborasinya menunjukkan bagaimana fasilitas seperti ini bisa bekerja—dan mengapa dampaknya berpotensi besar bagi ekosistem teknologi Eropa.

Ide inti: mesin penemuan material otomatis

Pendekatan Dunia berfokus pada otomatisasi seluruh siklus penelitian material yang dikenal sebagai Design → Make → Test → Analyze (DMTA).

Dalam penelitian tradisional, setiap tahap biasanya dilakukan secara manual dan berurutan, sehingga proses menemukan material baru bisa memakan waktu bertahun‑tahun. Dunia mencoba mempercepatnya dengan sistem otomatis:

• AI merancang kandidat material baru berdasarkan model fisika dan data eksperimen.
• Robot laboratorium menyintesis material tersebut secara otomatis.
• Instrumen analisis menguji sifat fisik dan kimianya.
• Data eksperimen dikirim kembali ke model AI untuk meningkatkan prediksi berikutnya.

Siklus ini berjalan terus‑menerus sebagai closed‑loop system—sebuah pendekatan yang bertujuan menutup kesenjangan antara simulasi komputer dan hasil eksperimen nyata, sering disebut sebagai Sim2Real gap.

Seperti “pabrik penelitian” untuk material baru

Konsep Berlin GigaLab sering digambarkan sebagai fasilitas penelitian otomatis berskala besar yang mengindustrialisasi proses penemuan material.

Di dalamnya, beberapa lapisan teknologi bekerja bersama:

1. Desain material berbasis AI

Model machine learning menghasilkan kandidat material baru, memprediksi performanya, dan mengoptimalkan komposisi kimia berdasarkan data eksperimen serta model fisika.

2. Robotika dan sintesis otomatis

Peralatan laboratorium robotik melakukan pencampuran bahan, sintesis kimia, pemindahan sampel, hingga pengukuran tanpa intervensi manusia. Sistem robot industri seperti yang dikembangkan perusahaan robotika global kini banyak digunakan untuk mengotomatisasi alur kerja laboratorium.

3. Pengujian dan karakterisasi berkecepatan tinggi

Instrumen analitik mengukur sifat material—misalnya struktur, stabilitas, dan aktivitas katalitik—untuk memverifikasi apakah prediksi AI benar atau tidak.

4. Simulasi dan digital twin

Lingkungan simulasi memungkinkan robot dan proses eksperimen diuji secara virtual sebelum diterapkan secara fisik. Dalam industri robotika, integrasi teknologi simulasi seperti NVIDIA Omniverse dengan platform robotika memungkinkan simulasi yang sangat realistis untuk melatih robot dan mengoptimalkan operasi.

Jika digabungkan, seluruh sistem bekerja seperti jalur produksi ilmiah:

AI mengusulkan material → robot membuatnya → instrumen menguji → data melatih ulang AI.

Kolaborasi industri dan ekosistem penelitian

Beberapa kolaborasi Dunia sudah terdokumentasi secara publik dan menunjukkan arah ekosistem teknologi yang mendukung konsep seperti GigaLab.

• Hitachi High‑Tech Europe – Dunia menjalin kemitraan strategis untuk mempercepat penemuan dan karakterisasi material generasi berikutnya yang penting bagi bahan bakar berkelanjutan, bahan kimia, dan teknologi energi bersih.

• Program katalis ASCEND – Dunia juga terlibat dalam inisiatif Eropa senilai €30 juta bersama Siemens Energy, BASF, Helmholtz‑Zentrum Berlin (HZB), dan Fritz Haber Institute untuk mempercepat inovasi katalis menggunakan AI dan otomatisasi.

• Ekosistem robotika dan simulasi industri – Teknologi robot industri dan simulasi dari perusahaan seperti ABB Robotics dan NVIDIA semakin banyak digunakan dalam otomatisasi laboratorium dan pelatihan robot melalui simulasi fisika yang realistis.

Namun, sumber publik tidak secara eksplisit mengonfirmasi bahwa semua perusahaan yang kadang disebut dalam diskusi—misalnya AWS, ABB Robotics, NVIDIA, Siemens, ILS, atau Merck—merupakan mitra resmi dalam proyek Berlin GigaLab itu sendiri.

Mengapa AI saja tidak cukup

AI dapat menghasilkan ribuan prediksi material baru dengan cepat. Namun sebelum digunakan industri, setiap kandidat harus diverifikasi melalui eksperimen nyata.

Ada beberapa alasan utama:

1. Proses sintesis memengaruhi hasil
Material yang terlihat menjanjikan dalam simulasi bisa berperilaku berbeda saat benar‑benar dibuat di laboratorium karena faktor seperti impuritas, struktur mikro, atau kondisi produksi.

2. Pengujian performa dunia nyata
Material industri harus diuji dalam kondisi realistis—misalnya suhu tinggi, tekanan, atau paparan bahan kimia selama periode panjang.

3. Reproduksibilitas dan skala produksi
Perusahaan hanya akan mengadopsi material baru jika dapat diproduksi secara konsisten dan ekonomis dalam skala besar.

Laboratorium otonom membantu mengatasi masalah ini dengan menjalankan ribuan eksperimen terkontrol dan menghasilkan dataset besar untuk melatih model AI secara berkelanjutan.

Industri yang bisa diuntungkan

Fokus utama Dunia saat ini berada pada elektrokatalis dan proses kimia yang berkaitan dengan transisi energi, seperti produksi hidrogen hijau, amonia, dan konversi CO₂ menjadi bahan kimia bernilai tinggi.

Katalis sangat penting karena banyak proses industri—dari produksi bahan bakar hingga manufaktur kimia—bergantung padanya. Bahkan peningkatan efisiensi kecil dapat menghasilkan dampak ekonomi dan lingkungan yang sangat besar.

Bidang lain yang sering dikaitkan dengan penemuan material maju juga mencakup:

• baterai generasi berikutnya
• semikonduktor
• sistem penyimpanan energi

Namun program spesifik untuk sektor‑sektor tersebut di fasilitas Berlin belum dikonfirmasi secara publik.

Dampak potensial bagi inovasi Eropa

Jika fasilitas seperti GigaLab dibangun dalam skala besar, pendekatan ini dapat mengubah cara penelitian industri dilakukan di Eropa.

Alih‑alih tim kecil melakukan eksperimen satu per satu, perusahaan dan lembaga penelitian dapat mengakses platform penemuan material seperti pabrik, yang mampu menguji ribuan kandidat material dengan cepat.

Dampaknya bisa signifikan untuk teknologi yang penting bagi iklim dan industri masa depan—termasuk bahan bakar bersih, kimia berkelanjutan, dan material manufaktur maju.

Strategi Dunia yang menggabungkan AI, eksperimen robotik, dan kemitraan industri juga mencerminkan tren yang lebih luas: munculnya infrastruktur riset “AI‑native” yang bertujuan mengindustrialisasi proses penemuan ilmiah itu sendiri.

Walaupun detail lengkap tentang skala, pendanaan, atau jadwal pembangunan Berlin GigaLab masih terbatas dalam sumber publik, konsep ini menunjukkan arah baru dalam ilmu material: laboratorium masa depan yang bekerja lebih seperti pabrik otomatis untuk inovasi ilmiah.