Hoe Singapore AI inzet om wetenschappelijke ontdekkingen om te zetten in technologie

De geplande faciliteit combineert AI, robotica en metingen tijdens het experiment in een open, autonoom laboratorium. In plaats van uitsluitend bestaande publicaties en materiaaldatabases te gebruiken, moet het lab nieuwe experimentele gegevens verzamelen over de relatie tussen de omstandigheden van een synthese en de prestaties van het uiteindelijke materiaal. Die metingen kunnen vervolgens de modellen verbeteren en bepalen welk experiment daarna het meest zinvol is. Zo ontstaat een voortdurende feedbacklus tussen voorspelling en fysieke test.

De doelstellingen omvatten grote aantallen experimenten en praktische, reproduceerbare syntheseprotocollen voor onder meer materialen voor quantumtechnologie en elektronica die verder gaan dan silicium, elektrokatalysatoren voor schone waterstof en corrosiebestendige coatings. Het beoogde resultaat is dus niet simpelweg een lijst met door AI voorgestelde kandidaten, maar bewijs dat veelbelovende materialen daadwerkelijk kunnen worden gemaakt en beoordeeld.

AI zoekt eerst naar betere katalysatoren

Een afzonderlijk programma van A*STAR en Imperial College London krijgt eveneens S$10 miljoen. Het team wil een zogenoemd Surface Science Foundation Model en een cloudplatform ontwikkelen waarmee eigenschappen van katalysatoren en geschikte syntheseomstandigheden kunnen worden voorspeld. De toepassingen omvatten schonere brandstoffen, grondstoffen uit koolstofdioxide en chemicaliën op basis van biomassa.

De programmabeschrijving noemt een doelstelling van een 500 keer snellere computationele screening. Dat gaat over het doorrekenen van kandidaat-katalysatoren en betekent niet dat een afgewerkte brandstof of een industrieel chemisch proces 500 keer sneller op de markt komt. Ook claims dat het onderzoek “bijna vijf keer sneller en goedkoper” zou zijn, moeten voorzichtig worden gelezen zolang niet duidelijk is of die cijfers betrekking hebben op een afzonderlijke vervolgstap. De doorslaggevende test is of de computergeselecteerde katalysatoren in experimenten goed presteren en kunnen uitgroeien tot haalbare processen.

Wetenschappelijke controle voor door AI geschreven software

AI4S behandelt ook de betrouwbaarheid van software als een wetenschappelijk en technisch onderzoeksprobleem. NUS en Imperial ontwikkelen hulpmiddelen voor programmaredenering: systemen die code kunnen analyseren en testen, eigenschappen formeel kunnen verifiëren en — waar dat mogelijk is — de correctheid ervan kunnen bewijzen. De tools zijn bedoeld voor complexe of belangrijke software, waaronder netwerkprotocollen en onderdelen van de Linux-kernel.

Een voorgestelde toepassing is dat een AI-systeem de code controleert die door een ander AI-systeem is geschreven. Dat kan programmeren met AI betrouwbaarder maken, maar geautomatiseerde analyse is geen universele garantie voor veiligheid. Formele methoden kunnen specifieke eigenschappen aantonen onder vastgelegde aannames. De bredere betrouwbaarheid blijft afhangen van de kwaliteit van de specificaties, tests en systemen waarin de code wordt gebruikt.

Biomedische projecten combineren verschillende soorten gegevens

Binnen de biomedische tak van het programma probeert AI gegevens samen te brengen die onderzoekers vaak afzonderlijk analyseren.

MultiOmicsFM van NUS en A*STAR wordt opgezet als een foundationmodel dat DNA-, RNA- en genactiviteitsgegevens gezamenlijk interpreteert. De gegevens komen uit datasets die de etnische diversiteit van Singapore weerspiegelen. De onderzoeksdoelen zijn onder meer het bestuderen van ziekterisico’s en het verbeteren van het ontwerp en de toediening van mRNA-therapieën.

Het project BloodCounts! kiest een andere aanpak. Het ontwikkelt het DeepCBC-model met alle ruwe parameters uit een volledig bloedbeeld, aangevuld met beelden van bloeduitstrijkjes. Het doel is meer diagnostische informatie te halen uit een veelgebruikte test en te onderzoeken of de gecombineerde gegevens kunnen helpen bij het voorspellen van risico’s op aandoeningen zoals beroerte en kanker.

Dat betekent niet dat een standaard bloedtest deze aandoeningen nu al kan vaststellen. Voor klinische toepassing zijn verdere validatie, toetsing door toezichthouders en bewijs nodig dat het model betrouwbaar werkt bij relevante bevolkingsgroepen en in verschillende zorgomgevingen.

Digitale landbouwmodellen voor voedsel- en klimaatbestendigheid

Een ander project ontwikkelt kennisgestuurde digitale tweelingen voor landbouwgrond in Zuidoost-Azië. Zo’n digitale tweeling is een virtuele representatie van een echt landbouwgebied. Het model moet waargenomen gegevens combineren met kennis uit de gewaswetenschap om voorspellingen en hulpmiddelen te leveren voor bijvoorbeeld plantmomenten, grondstoffengebruik en toeleveringsketens.

De nadruk op wetenschappelijke kennis is daarbij belangrijk. Een digitale tweeling die rekening houdt met agronomische beperkingen is mogelijk beter uitlegbaar en makkelijker te controleren dan een ondoorzichtige voorspelling. De bruikbaarheid blijft wel afhangen van de kwaliteit, volledigheid en actualiteit van de onderliggende gegevens.

Het portfolio van acht projecten bevat daarnaast AI-ontworpen interfaces die het transport van energie moeten verbeteren. Samen bestrijken de initiatieven materialen, computertechnologie, genomica, gezondheid, energie, landbouw en klimaatbestendigheid — in plaats van één commerciële sector.

De kern: een gesloten lus tussen AI en experimenten

De projecten volgen in grote lijnen hetzelfde patroon:

1. AI zoekt of stelt voor: hypotheses, materialen, katalysatoren, moleculaire ontwerpen, code of landbouwinterventies.
2. Experimenten testen de voorstellen: in geautomatiseerde laboratoria, met metingen, softwareanalyses of modellen die relevant zijn voor de praktijk.
3. Nieuwe gegevens verbeteren het systeem: waargenomen resultaten maken volgende voorspellingen beter onderbouwd.
4. Deskundigen bepalen de waarde: zij beoordelen of een resultaat maakbaar, betrouwbaar, klinisch bruikbaar of ecologisch relevant is.

De Materials Data Foundry maakt deze lus het meest zichtbaar, omdat het project AI-voorspellingen rechtstreeks wil verbinden met geautomatiseerde synthese en metingen. Hetzelfde principe komt terug in katalysatorscreening, softwareverificatie en biomedische modellering: snellere voorspellingen zijn pas waardevol als ze leiden tot betrouwbaar bewijs.

Waarom Singapore hierin investeert

AI4S is ook een strategie voor talent en onderzoeksinfrastructuur. De NRF wil AI-onderzoekers laten samenwerken met wetenschappers uit onder meer de materiaalkunde, levenswetenschappen en quantumwetenschap. De ambitie is om zogenoemde “tweetalige” onderzoekers op te leiden: mensen die zowel computationele methoden als de wetenschappelijke problemen waarin die worden toegepast begrijpen.

De projecten verbinden Singaporese instellingen — waaronder NUS, de Nanyang Technological University (NTU) en A*STAR — met internationale partners zoals de University of Toronto, Imperial College London, de University of Cambridge en Kyoto University. De twee programma’s van Imperial worden uitgevoerd via Imperial Global Singapore op de CREATE-campus, een onderzoekscentrum voor internationale samenwerking.

Die opzet geeft Singapore een manier om zich in AI-gedreven onderzoek te positioneren: ambitieuze onderzoeksuitdagingen financieren, gedeelde experimentele en digitale infrastructuur opbouwen, internationale partners aantrekken en onderzoekers opleiden die kunnen schakelen tussen modellen en laboratoria.

Waaraan succes zal worden afgemeten

AI4S zal uiteindelijk minder worden beoordeeld op het aantal voorspellingen dat de modellen produceren dan op wat de confrontatie met de werkelijkheid doorstaat. Sterke uitkomsten zouden onder meer zijn:

• reproduceerbare productieprotocollen voor geavanceerde materialen;
• katalysatoren die onder realistische omstandigheden goed presteren;
• softwaretools die betekenisvolle garanties voor correctheid of betrouwbaarheid kunnen aantonen;
• biomedische modellen die op geschikte datasets en in relevante klinische omgevingen zijn gevalideerd; en
• landbouwtools die in de praktijk betere voorspellingen of planning van grondstoffen opleveren.

Singapore zet met het programma dus in op AI die verbonden is met experimenten, verificatie en domeinkennis. De investering van S$120 miljoen kan wetenschappelijke ontdekkingen systematischer maken en de route van idee naar prototype versnellen. De centrale vraag blijft echter open: kunnen de acht onderzoeksprojecten veelbelovende AI-voorspellingen omzetten in technologie die schaalbaar, veilig en daadwerkelijk bruikbaar is?