De beoogde uitkomst bestaat daardoor uit reproduceerbare “recepten” in plaats van uitsluitend door AI voorspelde verbindingen. Die recepten moeten onder meer helpen bij materialen voor technologieën voorbij het huidige siliciumtijdperk en voor quantumtoepassingen, duurzame elektrokatalysatoren voor schone waterstof en corrosiebestendige coatings.

Katalysatoren sneller selecteren

Een tweede programma van A*STAR en Imperial College London richt zich op katalysatoren: stoffen die chemische reacties versnellen zonder daarbij zelf te worden verbruikt. De onderzoekers willen een zogenoemd Surface Science Foundation Model en een cloudplatform ontwikkelen. Daarmee moeten eigenschappen van katalysatoren en de omstandigheden waarin ze kunnen worden gesynthetiseerd, worden voorspeld.

De toepassingen liggen bij schonere brandstoffen, grondstoffen uit CO₂ en chemicaliën op biologische basis. De officiële programmabeschrijving noemt als hoofddoel een 500-voudige versnelling van computationele screening. Beweringen dat het proces “bijna vijf keer sneller en goedkoper” zou worden, moeten daarom voorzichtig worden geïnterpreteerd, tenzij ze betrekking hebben op een afzonderlijke ontwikkelingsfase.

AI die andere AI-software controleert

AI kan steeds meer code schrijven, maar daarmee groeit ook de vraag hoe betrouwbaar die code is. NUS en Imperial werken daarom aan hulpmiddelen voor programmaredenering die software automatisch kunnen analyseren, testen en formeel verifiëren. Waar formele methoden tekortschieten, moeten minder formele redeneertechnieken helpen om ook code te begrijpen waarvan de documentatie ontbreekt.

De onderzoekers willen de hulpmiddelen testen op software met grote gevolgen voor de digitale infrastructuur, waaronder netwerkprotocollen en onderdelen van de Linux-kernel. Op termijn moeten AI-agenten zo ook code kunnen controleren die door andere AI-systemen is geschreven.

Biomedische modellen combineren meerdere gegevenslagen

In de biomedische wetenschap wil NUS samen met A*STAR het MultiOmicsFM-model ontwikkelen. Dat foundation model moet DNA-, RNA- en genactiviteitsgegevens gezamenlijk interpreteren, in plaats van iedere gegevenslaag afzonderlijk te behandelen. De onderzoekers gebruiken daarvoor datasets uit de etnisch diverse bevolking van Singapore. Het doel is onder meer onderzoek naar ziekterisico’s en het optimaliseren van mRNA-therapieën.

Een apart project, BloodCounts!, richt zich op de volledige ruwe gegevens van een compleet bloedbeeld—bekend als CBC of FBC—en op beelden van bloeduitstrijkjes. Het DeepCBC-model moet zo meer diagnostische informatie uit een veelgebruikte bloedtest halen en bijdragen aan het voorspellen van aandoeningen, waaronder het risico op een beroerte en kanker.

Digitale landbouw voor voedsel- en klimaatbestendigheid

NUS en de University of Illinois bouwen binnen het ARCS-project aan kennisgestuurde digitale tweelingen van landbouwgebieden in Zuidoost-Azië. Zo’n digitale tweeling is een virtuele weergave van landbouwgrond waarin waargenomen gegevens worden gecombineerd met kennis uit de gewaswetenschap.

De bedoeling is om beter uitlegbare voorspellingen en beslissingshulpmiddelen te leveren voor onder meer plantmomenten, grondstoffengebruik en toeleveringsketens. Het project wil dus niet uitsluitend vertrouwen op ondoorzichtige voorspellingen.

Een brede portefeuille, geen AI-project voor één sector

De acht projecten omvatten daarnaast AI-ontworpen interfaces die het transport van energie moeten verbeteren. Samen bestrijken ze materiaalkunde, computerwetenschap, levenswetenschappen, energie, landbouw en bloedanalyse. AI4S is daarmee opgezet als een brede onderzoeksinfrastructuur en niet als een initiatief voor één afzonderlijke bedrijfstak.

Waarom Singapore deze aanpak kiest

De vertaling naar de praktijk staat centraal. AI kan veelbelovende materialen, moleculen, experimenten of code aandragen. Geautomatiseerde laboratoria, grootschalige screening, metingen en formele verificatie moeten vervolgens aantonen wat maakbaar, veilig en bruikbaar is. De Materials Data Foundry is het duidelijkste voorbeeld van die gesloten lus tussen voorspelling, experiment en nieuwe voorspelling.

Singapore investeert ook in mensen. AI4S wil zogenoemde “tweetalige” wetenschappers opleiden: onderzoekers die zowel AI als een vakgebied zoals materiaalkunde, levenswetenschappen of quantumwetenschap beheersen. Daardoor moeten wetenschappelijke vragen, de kwaliteit van datasets en praktische beperkingen al vanaf het begin invloed hebben op de modellen.

Internationale samenwerking moet het land een knooppunt maken. De National Research Foundation combineert financiering met internationale partners, gedeelde digitale en experimentele infrastructuur, open hulpmiddelen en samenwerking met bedrijven. De twee programma’s van Imperial worden bijvoorbeeld vanuit Imperial Global Singapore bij CREATE uitgevoerd en zijn bedoeld om onderzoekers wereldwijd toegang te geven.

De doorslaggevende test volgt pas later: leveren de projecten gevalideerde en schaalbare resultaten op—zoals productieprotocollen, katalysatoren, onderbouwde klinische beslissingsondersteuning en betrouwbare software? Alleen dan blijkt of AI4S meer doet dan wetenschappelijke voorspellingen versnellen.

De beoogde uitkomst bestaat daardoor uit reproduceerbare “recepten” in plaats van uitsluitend door AI voorspelde verbindingen. Die recepten moeten onder meer helpen bij materialen voor technologieën voorbij het huidige siliciumtijdperk en voor quantumtoepassingen, duurzame elektrokatalysatoren voor schone waterstof en corrosiebestendige coatings.

Katalysatoren sneller selecteren

Een tweede programma van A*STAR en Imperial College London richt zich op katalysatoren: stoffen die chemische reacties versnellen zonder daarbij zelf te worden verbruikt. De onderzoekers willen een zogenoemd Surface Science Foundation Model en een cloudplatform ontwikkelen. Daarmee moeten eigenschappen van katalysatoren en de omstandigheden waarin ze kunnen worden gesynthetiseerd, worden voorspeld.

De toepassingen liggen bij schonere brandstoffen, grondstoffen uit CO₂ en chemicaliën op biologische basis. De officiële programmabeschrijving noemt als hoofddoel een 500-voudige versnelling van computationele screening. Beweringen dat het proces “bijna vijf keer sneller en goedkoper” zou worden, moeten daarom voorzichtig worden geïnterpreteerd, tenzij ze betrekking hebben op een afzonderlijke ontwikkelingsfase.

AI die andere AI-software controleert

AI kan steeds meer code schrijven, maar daarmee groeit ook de vraag hoe betrouwbaar die code is. NUS en Imperial werken daarom aan hulpmiddelen voor programmaredenering die software automatisch kunnen analyseren, testen en formeel verifiëren. Waar formele methoden tekortschieten, moeten minder formele redeneertechnieken helpen om ook code te begrijpen waarvan de documentatie ontbreekt.

De onderzoekers willen de hulpmiddelen testen op software met grote gevolgen voor de digitale infrastructuur, waaronder netwerkprotocollen en onderdelen van de Linux-kernel. Op termijn moeten AI-agenten zo ook code kunnen controleren die door andere AI-systemen is geschreven.

Biomedische modellen combineren meerdere gegevenslagen

In de biomedische wetenschap wil NUS samen met A*STAR het MultiOmicsFM-model ontwikkelen. Dat foundation model moet DNA-, RNA- en genactiviteitsgegevens gezamenlijk interpreteren, in plaats van iedere gegevenslaag afzonderlijk te behandelen. De onderzoekers gebruiken daarvoor datasets uit de etnisch diverse bevolking van Singapore. Het doel is onder meer onderzoek naar ziekterisico’s en het optimaliseren van mRNA-therapieën.

Een apart project, BloodCounts!, richt zich op de volledige ruwe gegevens van een compleet bloedbeeld—bekend als CBC of FBC—en op beelden van bloeduitstrijkjes. Het DeepCBC-model moet zo meer diagnostische informatie uit een veelgebruikte bloedtest halen en bijdragen aan het voorspellen van aandoeningen, waaronder het risico op een beroerte en kanker.

Digitale landbouw voor voedsel- en klimaatbestendigheid

NUS en de University of Illinois bouwen binnen het ARCS-project aan kennisgestuurde digitale tweelingen van landbouwgebieden in Zuidoost-Azië. Zo’n digitale tweeling is een virtuele weergave van landbouwgrond waarin waargenomen gegevens worden gecombineerd met kennis uit de gewaswetenschap.

De bedoeling is om beter uitlegbare voorspellingen en beslissingshulpmiddelen te leveren voor onder meer plantmomenten, grondstoffengebruik en toeleveringsketens. Het project wil dus niet uitsluitend vertrouwen op ondoorzichtige voorspellingen.

Een brede portefeuille, geen AI-project voor één sector

De acht projecten omvatten daarnaast AI-ontworpen interfaces die het transport van energie moeten verbeteren. Samen bestrijken ze materiaalkunde, computerwetenschap, levenswetenschappen, energie, landbouw en bloedanalyse. AI4S is daarmee opgezet als een brede onderzoeksinfrastructuur en niet als een initiatief voor één afzonderlijke bedrijfstak.

Waarom Singapore deze aanpak kiest

De vertaling naar de praktijk staat centraal. AI kan veelbelovende materialen, moleculen, experimenten of code aandragen. Geautomatiseerde laboratoria, grootschalige screening, metingen en formele verificatie moeten vervolgens aantonen wat maakbaar, veilig en bruikbaar is. De Materials Data Foundry is het duidelijkste voorbeeld van die gesloten lus tussen voorspelling, experiment en nieuwe voorspelling.

Singapore investeert ook in mensen. AI4S wil zogenoemde “tweetalige” wetenschappers opleiden: onderzoekers die zowel AI als een vakgebied zoals materiaalkunde, levenswetenschappen of quantumwetenschap beheersen. Daardoor moeten wetenschappelijke vragen, de kwaliteit van datasets en praktische beperkingen al vanaf het begin invloed hebben op de modellen.

Internationale samenwerking moet het land een knooppunt maken. De National Research Foundation combineert financiering met internationale partners, gedeelde digitale en experimentele infrastructuur, open hulpmiddelen en samenwerking met bedrijven. De twee programma’s van Imperial worden bijvoorbeeld vanuit Imperial Global Singapore bij CREATE uitgevoerd en zijn bedoeld om onderzoekers wereldwijd toegang te geven.

De doorslaggevende test volgt pas later: leveren de projecten gevalideerde en schaalbare resultaten op—zoals productieprotocollen, katalysatoren, onderbouwde klinische beslissingsondersteuning en betrouwbare software? Alleen dan blijkt of AI4S meer doet dan wetenschappelijke voorspellingen versnellen.