Singapore usa l’intelligenza artificiale per portare le scoperte dal laboratorio al mondo reale

Il laboratorio unirà IA, robotica e misurazioni in situ in una struttura autonoma e aperta alla ricerca. Invece di basarsi soltanto sui dati pubblicati sulle proprietà dei materiali, genererà dati sperimentali che colleghino le condizioni di sintesi alle prestazioni effettive. Queste misurazioni potranno poi migliorare i modelli e guidare gli esperimenti successivi, creando un ciclo continuo tra previsione e verifica fisica.

Tra gli obiettivi dichiarati figurano un numero elevato di esperimenti e ricette di sintesi pratiche e riproducibili per materiali oltre il silicio o destinati al calcolo quantistico, elettrocatalizzatori utili alla produzione di idrogeno pulito e rivestimenti resistenti alla corrosione. Il risultato atteso, quindi, non è soltanto un elenco di materiali suggeriti dall’IA, ma la raccolta di prove su come produrli e valutarli concretamente.

I catalizzatori saranno selezionati dall’IA e poi testati

Un secondo progetto, guidato da A*STAR e Imperial, svilupperà un Surface Science Foundation Model e una piattaforma cloud per prevedere le proprietà dei catalizzatori e le relative condizioni di sintesi. La ricerca punta ad applicazioni che includono carburanti più puliti, materie prime derivate dall’anidride carbonica e prodotti chimici di origine biologica.

La descrizione del programma indica un obiettivo di accelerare di 500 volte lo screening computazionale. Si tratta di un traguardo relativo alla fase di selezione, non della prova che un carburante o un processo chimico completo sarà sviluppato 500 volte più rapidamente. Anche le affermazioni secondo cui il lavoro potrebbe essere “quasi cinque volte più veloce ed economico” vanno interpretate con cautela, a meno che non si riferiscano a una diversa metrica delle fasi successive. La verifica decisiva sarà sperimentale: i catalizzatori scelti dai modelli dovranno funzionare in condizioni realistiche e poter essere integrati in processi economicamente sostenibili.

Verificare il codice generato dall’IA

AI4S considera l’affidabilità del software un problema di ricerca scientifica e ingegneristica. NUS e Imperial stanno sviluppando strumenti di ragionamento sui programmi capaci di analizzare e testare il codice, verificare formalmente alcune proprietà e dimostrarne la correttezza quando possibile. L’obiettivo riguarda software complessi o particolarmente delicati, come i protocolli di rete e componenti del kernel Linux.

Un possibile impiego consiste nel far controllare a un sistema di IA il codice prodotto da un altro sistema di IA. Questo potrebbe rendere più affidabile la programmazione assistita, ma l’analisi automatica non equivale a una garanzia universale di sicurezza. I metodi formali possono dimostrare proprietà specifiche sulla base di ipotesi definite; l’affidabilità complessiva dipende anche dalla qualità delle specifiche, dei test e dei sistemi in cui il codice viene utilizzato.

Dalla genomica agli esami del sangue

Nel settore biomedico, il programma comprende progetti che cercano di riunire dati spesso analizzati separatamente.

Il progetto MultiOmicsFM di NUS e A*STAR dovrebbe sviluppare un modello di base capace di combinare dati sul DNA, sull’RNA e sull’attività dei geni provenienti da dataset multietnici di Singapore. Gli obiettivi includono lo studio del rischio di malattia e il miglioramento della progettazione e della somministrazione di terapie a mRNA.

Il progetto BloodCounts! segue un’altra strada: svilupperà il modello DeepCBC utilizzando tutti i parametri grezzi degli esami emocromocitometrici completi insieme alle immagini degli strisci di sangue. L’intento è ricavare più informazioni diagnostiche da un esame molto comune e valutare se la combinazione dei dati possa aiutare a prevedere rischi associati, tra le altre condizioni, a ictus e cancro.

Si tratta di applicazioni di ricerca prospettiche, non dell’affermazione che oggi un normale esame del sangue possa diagnosticare queste patologie. Qualunque uso clinico richiederebbe validazione, valutazione regolatoria e prove di funzionamento affidabile su popolazioni e contesti sanitari pertinenti.

I “gemelli digitali” per agricoltura e clima

Un altro progetto creerà gemelli digitali dell’agricoltura destinati ai terreni del Sud-est asiatico. Queste rappresentazioni virtuali dovrebbero combinare dati osservati e principi di scienza delle colture, producendo previsioni e strumenti decisionali per la semina, l’uso delle risorse e le catene di approvvigionamento.

Il riferimento esplicito alle conoscenze scientifiche è importante. Un gemello digitale che tenga conto dei vincoli agronomici può essere più interpretabile e più facile da mettere in discussione rispetto a una previsione opaca. La sua utilità dipenderà comunque dalla qualità, dalla copertura e dall’aggiornamento dei dati disponibili.

Il portafoglio comprende inoltre un progetto dedicato a interfacce progettate dall’IA per migliorare il trasporto dell’energia. Nel complesso, gli otto progetti spaziano tra materiali, informatica, genomica, salute, energia, agricoltura e resilienza climatica, senza concentrarsi su un solo settore commerciale.

Il modello operativo: un ciclo chiuso tra IA ed esperimenti

Il filo conduttore delle iniziative è un ciclo di lavoro in quattro passaggi:

1. L’IA cerca o propone ipotesi, materiali, catalizzatori, molecole, codice o interventi agricoli.
2. Esperimenti fisici o digitali verificano le proposte attraverso laboratori automatizzati, misurazioni, analisi del software o modelli applicabili ai campi.
3. Le nuove evidenze migliorano il sistema, rendendo più solide le previsioni successive.
4. Gli esperti del settore decidono cosa conta davvero, valutando se un risultato sia producibile, affidabile, utile in clinica o rilevante dal punto di vista ambientale.

Il Materials Data Foundry rende questo ciclo particolarmente concreto, perché è stato progettato per collegare le previsioni dell’IA alla sintesi e alla misurazione automatizzate. Lo stesso principio compare nella selezione dei catalizzatori, nella verifica del software e nella modellazione biomedica: previsioni più rapide hanno valore solo quando producono prove attendibili.

Una strategia anche per talenti e infrastrutture

AI4S è anche un programma per costruire competenze e infrastrutture. La NRF lo ha concepito attorno alla collaborazione tra ricercatori di IA e scienziati esperti di materiali, scienze della vita e scienza quantistica. L’ambizione dichiarata è formare ricercatori “bilingui”, capaci di comprendere sia i metodi computazionali sia i problemi scientifici a cui vengono applicati.

I progetti riuniscono istituzioni di Singapore, tra cui NUS, Nanyang Technological University (NTU) e A*STAR, con partner internazionali come l’Università di Toronto, Imperial College London, l’Università di Cambridge e l’Università di Kyoto. I due programmi di Imperial sono ospitati da Imperial Global Singapore nel campus CREATE, una piattaforma dedicata alla ricerca e alla collaborazione internazionale.

Questa struttura consente a Singapore di competere nella ricerca guidata dall’IA attraverso una combinazione di finanziamenti per grandi sfide, infrastrutture sperimentali e digitali condivise, collaborazione globale e formazione di scienziati capaci di tradurre i risultati dei modelli in esperimenti di laboratorio.

Come si misurerà il successo

AI4S sarà valutato meno dal numero di previsioni generate dai suoi modelli che da ciò che riuscirà a superare il confronto con la realtà. I risultati più significativi sarebbero:

• ricette di produzione riproducibili per materiali avanzati;
• catalizzatori efficaci in condizioni operative realistiche;
• strumenti software capaci di dimostrare garanzie concrete di correttezza o affidabilità;
• modelli biomedici validati su dataset e contesti clinici appropriati;
• strumenti agricoli in grado di migliorare davvero le previsioni o la pianificazione delle risorse.

La scommessa di Singapore è dunque sull’IA collegata a esperimenti, verifica e competenze di settore. I 120 milioni di dollari di Singapore potrebbero rendere la scoperta scientifica più sistematica e accorciare il percorso dall’idea al prototipo. La domanda centrale, però, resta aperta: gli otto progetti riusciranno a trasformare previsioni assistite dall’IA, per quanto promettenti, in tecnologie scalabili, sicure e utili?