Materials Data Foundry skal løse AI-forskningens produksjonsproblem

En AI-modell kan finne et materiale som ser lovende ut i en simulering. Det betyr ikke nødvendigvis at materialet kan produseres stabilt, i stor skala eller med egenskapene modellen har forutsagt. Det er nettopp denne overgangen fra beregning til produksjon den 10 millioner singaporske dollar store Materials Data Foundry skal håndtere. Laboratoriet etableres i fellesskap av National University of Singapore (NUS) og University of Torontos Acceleration Consortium.

Det planlagte anlegget skal kombinere AI, robotikk og målinger direkte underveis i et åpent, autonomt laboratorium. I stedet for å basere modellene hovedsakelig på publiserte materialdata, skal laboratoriet selv generere eksperimentelle data som kobler sammen betingelsene for syntese med materialets faktiske ytelse. Dataene kan deretter forbedre modellene og styre neste runde med eksperimenter.

Slik oppstår en kontinuerlig sløyfe mellom prediksjon og fysisk testing. Målet er ikke bare en liste over materialer AI mener kan fungere, men dokumentasjon på hvordan lovende materialer faktisk kan fremstilles og evalueres. Forskningsområdene omfatter blant annet materialer for datateknologi etter silis deepoken, kvantematerialer, elektrokatalysatorer med relevans for renere hydrogenproduksjon og korrosjonsbestandige belegg.

AI skal lete gjennom enorme mengder katalysatorer

Et separat prosjekt, ledet av A*STAR og Imperial College London, skal utvikle en såkalt Surface Science Foundation Model og en skybasert plattform for å forutsi egenskaper hos katalysatorer og hvilke betingelser som kreves for å fremstille dem. Katalysatorer kan blant annet brukes i renere drivstoff, råstoff basert på karbondioksid og biobaserte kjemikalier.

Prosjektbeskrivelsen setter som mål å gjøre den beregningsbaserte screeningen opptil 500 ganger raskere. Det er et mål for selve utvelgelsen, ikke et bevis på at et ferdig drivstoff eller en kjemisk produksjonsprosess vil bli utviklet 500 ganger raskere.

Påstander om at arbeidet skal bli «nesten fem ganger raskere og billigere», bør derfor tolkes med varsomhet dersom det ikke er tydelig hvilken separat del av utviklingsprosessen de gjelder. Den virkelige testen blir om katalysatorene som AI velger ut, fungerer i eksperimenter og kan inngå i lønnsomme og praktisk gjennomførbare prosesser.

AI-generert programvare skal testes og verifiseres

AI4S behandler også pålitelig programvare som et forsknings- og ingeniørproblem. NUS og Imperial utvikler verktøy for programforståelse som kan analysere og teste kode, verifisere bestemte egenskaper formelt og i noen tilfeller bevise at koden er korrekt. Verktøyene skal prøves på programvare der feil kan få store konsekvenser, blant annet nettverksprotokoller og deler av Linux-kjernen.

En mulig anvendelse er at ett AI-system reviderer kode skrevet av et annet. Det kan gjøre AI-assistert programmering mer robust, men automatisert analyse er ikke det samme som en universell sikkerhetsgaranti. Formelle metoder kan dokumentere bestemte egenskaper under klart definerte forutsetninger. Den samlede påliteligheten avhenger fortsatt av spesifikasjonene, testene og systemet koden skal fungere i.

Biomedisinprosjekter kobler sammen biologiske og kliniske data

Innen biomedisin skal programmet bruke AI til å integrere datatyper som ofte analyseres hver for seg.

NUS og A*STAR planlegger MultiOmicsFM, en grunnmodell som skal kombinere DNA-, RNA- og genaktivitetsdata fra singaporske datasett med flere etniske grupper. Forskningsmålene omfatter studier av sykdomsrisiko og bedre utforming og levering av mRNA-baserte behandlinger.

Prosjektet BloodCounts! følger en annen linje. Her skal forskerne utvikle modellen DeepCBC ved å kombinere alle råparametrene fra komplette blodtellinger med bilder av blodutstryk. Hensikten er å hente mer diagnostisk informasjon ut av en vanlig blodprøve og undersøke om kombinasjonen kan bidra til å forutsi risiko knyttet til blant annet hjerneslag og kreft.

Dette er mulige framtidige bruksområder, ikke en påstand om at en rutinemessig blodprøve allerede kan stille slike diagnoser. Før en slik modell eventuelt kan tas i klinisk bruk, må den valideres, vurderes av myndighetene og testes på relevante befolkningsgrupper og behandlingssituasjoner.

Digitale tvillinger skal styrke landbruk og klimatilpasning

Et annet prosjekt skal utvikle kunnskapsstyrte digitale tvillinger for jordbruksområder i Sørøst-Asia. En digital tvilling er en virtuell representasjon av et fysisk område eller system. I dette tilfellet skal modellen kombinere observerte data med prinsipper fra plante- og jordbruksvitenskap for å lage prognoser og beslutningsstøtte om planting, ressursbruk og forsyningskjeder.

Vektleggingen av fagkunnskap er viktig. En digital tvilling som tar hensyn til agronomiske begrensninger, kan være enklere å forstå og utfordre enn en helt ugjennomsiktig prognosemodell. Hvor nyttig den blir, vil likevel avhenge av hvor gode, dekkende og oppdaterte dataene er.

Porteføljen omfatter også AI-designede grensesnitt som skal forbedre energitransport. Til sammen dekker de åtte prosjektene materialteknologi, databehandling, genomikk, helse, energi, landbruk og klimatilpasning – ikke bare én bestemt kommersiell sektor.

En lukket sløyfe mellom AI og eksperimenter

Felles for prosjektene er en arbeidsmodell i fire trinn:

1. AI foreslår: Modellen leter etter hypoteser, materialer, katalysatorer, molekyldesign, kode eller tiltak i landbruket.
2. Forslagene testes: Automatiserte laboratorier, målinger, programvareanalyse eller feltorienterte modeller undersøker om forslagene holder.
3. Nye data forbedrer modellen: Resultatene brukes til å gjøre de neste prediksjonene mer presise og bedre forankret i virkeligheten.
4. Fageksperter vurderer nytten: Forskerne avgjør om resultatet kan produseres, er pålitelig, kan brukes klinisk eller har miljømessig verdi.

Materials Data Foundry er det tydeligste eksempelet fordi prosjektet uttrykkelig skal knytte AI-prediksjoner til automatisert syntese og måling. Det samme prinsippet går igjen i katalysatorsøk, programvareverifikasjon og biomedisinsk modellering: Raskere prediksjoner har først virkelig verdi når de fører til etterprøvbare og pålitelige resultater.

Singapore vil utdanne forskere som forstår både AI og vitenskap

AI4S er også en satsing på kompetanse og infrastruktur. NRF ønsker å styrke samarbeidet mellom AI-forskere og eksperter på blant annet materialteknologi, livsvitenskap og kvantevitenskap. Ambisjonen er å utvikle såkalte «tospråklige» forskere – personer som behersker både beregningsmetoder og fagproblemene metodene skal brukes på.

Prosjektene samler institusjoner i Singapore, blant annet NUS, Nanyang Technological University (NTU) og A*STAR, med internasjonale partnere som University of Toronto, Imperial College London, University of Cambridge og Kyoto University. Imperials to prosjekter holder til gjennom Imperial Global Singapore ved CREATE-campus, et knutepunkt for internasjonalt forskningssamarbeid.

Modellen gir Singapore en måte å konkurrere om AI-drevet forskning på: Landet finansierer ambisiøse utfordringsprosjekter, bygger felles laboratorie- og dataressurser, trekker til seg globale samarbeidspartnere og utdanner forskere som kan oversette mellom datamodeller og laboratoriearbeid.

Det er resultatene i den virkelige verden som teller

AI4S vil ikke først og fremst bli målt på hvor mange forslag modellene produserer. De viktigste resultatene vil være det som overlever møtet med virkeligheten:

• reproduserbare produksjonsoppskrifter for avanserte materialer;
• katalysatorer som fungerer under realistiske driftsforhold;
• programvareverktøy som kan dokumentere meningsfulle garantier for korrekthet eller pålitelighet;
• biomedisinske modeller som er validert på relevante datasett og i kliniske situasjoner; og
• verktøy for landbruket som faktisk forbedrer prognoser eller ressursplanlegging.

Singapore satser dermed på AI koblet til eksperimenter, verifikasjon og fagkunnskap. Programmet på 120 millioner singaporske dollar kan gjøre vitenskapelig oppdagelse mer systematisk og korte ned veien fra idé til prototype. Men hovedspørsmålet står fortsatt åpent: Klarer de åtte forskningsprosjektene å gjøre lovende AI-prediksjoner om til teknologi som kan skaleres, brukes trygt og gi praktisk nytte?

Materials Data Foundry skal løse AI-forskningens produksjonsproblem

En AI-modell kan finne et materiale som ser lovende ut i en simulering. Det betyr ikke nødvendigvis at materialet kan produseres stabilt, i stor skala eller med egenskapene modellen har forutsagt. Det er nettopp denne overgangen fra beregning til produksjon den 10 millioner singaporske dollar store Materials Data Foundry skal håndtere. Laboratoriet etableres i fellesskap av National University of Singapore (NUS) og University of Torontos Acceleration Consortium.

Det planlagte anlegget skal kombinere AI, robotikk og målinger direkte underveis i et åpent, autonomt laboratorium. I stedet for å basere modellene hovedsakelig på publiserte materialdata, skal laboratoriet selv generere eksperimentelle data som kobler sammen betingelsene for syntese med materialets faktiske ytelse. Dataene kan deretter forbedre modellene og styre neste runde med eksperimenter.

Slik oppstår en kontinuerlig sløyfe mellom prediksjon og fysisk testing. Målet er ikke bare en liste over materialer AI mener kan fungere, men dokumentasjon på hvordan lovende materialer faktisk kan fremstilles og evalueres. Forskningsområdene omfatter blant annet materialer for datateknologi etter silis deepoken, kvantematerialer, elektrokatalysatorer med relevans for renere hydrogenproduksjon og korrosjonsbestandige belegg.

AI skal lete gjennom enorme mengder katalysatorer

Et separat prosjekt, ledet av A*STAR og Imperial College London, skal utvikle en såkalt Surface Science Foundation Model og en skybasert plattform for å forutsi egenskaper hos katalysatorer og hvilke betingelser som kreves for å fremstille dem. Katalysatorer kan blant annet brukes i renere drivstoff, råstoff basert på karbondioksid og biobaserte kjemikalier.

Prosjektbeskrivelsen setter som mål å gjøre den beregningsbaserte screeningen opptil 500 ganger raskere. Det er et mål for selve utvelgelsen, ikke et bevis på at et ferdig drivstoff eller en kjemisk produksjonsprosess vil bli utviklet 500 ganger raskere.

Påstander om at arbeidet skal bli «nesten fem ganger raskere og billigere», bør derfor tolkes med varsomhet dersom det ikke er tydelig hvilken separat del av utviklingsprosessen de gjelder. Den virkelige testen blir om katalysatorene som AI velger ut, fungerer i eksperimenter og kan inngå i lønnsomme og praktisk gjennomførbare prosesser.

AI-generert programvare skal testes og verifiseres

AI4S behandler også pålitelig programvare som et forsknings- og ingeniørproblem. NUS og Imperial utvikler verktøy for programforståelse som kan analysere og teste kode, verifisere bestemte egenskaper formelt og i noen tilfeller bevise at koden er korrekt. Verktøyene skal prøves på programvare der feil kan få store konsekvenser, blant annet nettverksprotokoller og deler av Linux-kjernen.

En mulig anvendelse er at ett AI-system reviderer kode skrevet av et annet. Det kan gjøre AI-assistert programmering mer robust, men automatisert analyse er ikke det samme som en universell sikkerhetsgaranti. Formelle metoder kan dokumentere bestemte egenskaper under klart definerte forutsetninger. Den samlede påliteligheten avhenger fortsatt av spesifikasjonene, testene og systemet koden skal fungere i.

Biomedisinprosjekter kobler sammen biologiske og kliniske data

Innen biomedisin skal programmet bruke AI til å integrere datatyper som ofte analyseres hver for seg.

NUS og A*STAR planlegger MultiOmicsFM, en grunnmodell som skal kombinere DNA-, RNA- og genaktivitetsdata fra singaporske datasett med flere etniske grupper. Forskningsmålene omfatter studier av sykdomsrisiko og bedre utforming og levering av mRNA-baserte behandlinger.

Prosjektet BloodCounts! følger en annen linje. Her skal forskerne utvikle modellen DeepCBC ved å kombinere alle råparametrene fra komplette blodtellinger med bilder av blodutstryk. Hensikten er å hente mer diagnostisk informasjon ut av en vanlig blodprøve og undersøke om kombinasjonen kan bidra til å forutsi risiko knyttet til blant annet hjerneslag og kreft.

Dette er mulige framtidige bruksområder, ikke en påstand om at en rutinemessig blodprøve allerede kan stille slike diagnoser. Før en slik modell eventuelt kan tas i klinisk bruk, må den valideres, vurderes av myndighetene og testes på relevante befolkningsgrupper og behandlingssituasjoner.

Digitale tvillinger skal styrke landbruk og klimatilpasning

Et annet prosjekt skal utvikle kunnskapsstyrte digitale tvillinger for jordbruksområder i Sørøst-Asia. En digital tvilling er en virtuell representasjon av et fysisk område eller system. I dette tilfellet skal modellen kombinere observerte data med prinsipper fra plante- og jordbruksvitenskap for å lage prognoser og beslutningsstøtte om planting, ressursbruk og forsyningskjeder.

Vektleggingen av fagkunnskap er viktig. En digital tvilling som tar hensyn til agronomiske begrensninger, kan være enklere å forstå og utfordre enn en helt ugjennomsiktig prognosemodell. Hvor nyttig den blir, vil likevel avhenge av hvor gode, dekkende og oppdaterte dataene er.

Porteføljen omfatter også AI-designede grensesnitt som skal forbedre energitransport. Til sammen dekker de åtte prosjektene materialteknologi, databehandling, genomikk, helse, energi, landbruk og klimatilpasning – ikke bare én bestemt kommersiell sektor.

En lukket sløyfe mellom AI og eksperimenter

Felles for prosjektene er en arbeidsmodell i fire trinn:

1. AI foreslår: Modellen leter etter hypoteser, materialer, katalysatorer, molekyldesign, kode eller tiltak i landbruket.
2. Forslagene testes: Automatiserte laboratorier, målinger, programvareanalyse eller feltorienterte modeller undersøker om forslagene holder.
3. Nye data forbedrer modellen: Resultatene brukes til å gjøre de neste prediksjonene mer presise og bedre forankret i virkeligheten.
4. Fageksperter vurderer nytten: Forskerne avgjør om resultatet kan produseres, er pålitelig, kan brukes klinisk eller har miljømessig verdi.

Materials Data Foundry er det tydeligste eksempelet fordi prosjektet uttrykkelig skal knytte AI-prediksjoner til automatisert syntese og måling. Det samme prinsippet går igjen i katalysatorsøk, programvareverifikasjon og biomedisinsk modellering: Raskere prediksjoner har først virkelig verdi når de fører til etterprøvbare og pålitelige resultater.

Singapore vil utdanne forskere som forstår både AI og vitenskap

AI4S er også en satsing på kompetanse og infrastruktur. NRF ønsker å styrke samarbeidet mellom AI-forskere og eksperter på blant annet materialteknologi, livsvitenskap og kvantevitenskap. Ambisjonen er å utvikle såkalte «tospråklige» forskere – personer som behersker både beregningsmetoder og fagproblemene metodene skal brukes på.

Prosjektene samler institusjoner i Singapore, blant annet NUS, Nanyang Technological University (NTU) og A*STAR, med internasjonale partnere som University of Toronto, Imperial College London, University of Cambridge og Kyoto University. Imperials to prosjekter holder til gjennom Imperial Global Singapore ved CREATE-campus, et knutepunkt for internasjonalt forskningssamarbeid.

Modellen gir Singapore en måte å konkurrere om AI-drevet forskning på: Landet finansierer ambisiøse utfordringsprosjekter, bygger felles laboratorie- og dataressurser, trekker til seg globale samarbeidspartnere og utdanner forskere som kan oversette mellom datamodeller og laboratoriearbeid.

Det er resultatene i den virkelige verden som teller

AI4S vil ikke først og fremst bli målt på hvor mange forslag modellene produserer. De viktigste resultatene vil være det som overlever møtet med virkeligheten:

• reproduserbare produksjonsoppskrifter for avanserte materialer;
• katalysatorer som fungerer under realistiske driftsforhold;
• programvareverktøy som kan dokumentere meningsfulle garantier for korrekthet eller pålitelighet;
• biomedisinske modeller som er validert på relevante datasett og i kliniske situasjoner; og
• verktøy for landbruket som faktisk forbedrer prognoser eller ressursplanlegging.

Singapore satser dermed på AI koblet til eksperimenter, verifikasjon og fagkunnskap. Programmet på 120 millioner singaporske dollar kan gjøre vitenskapelig oppdagelse mer systematisk og korte ned veien fra idé til prototype. Men hovedspørsmålet står fortsatt åpent: Klarer de åtte forskningsprosjektene å gjøre lovende AI-prediksjoner om til teknologi som kan skaleres, brukes trygt og gi praktisk nytte?