Katalysatorer: Datamaskinen leter, laboratoriet tester

Et annet prosjekt, ledet av A*STAR og Imperial College London, skal utvikle en grunnmodell for overflatevitenskap og en skybasert plattform. Systemet skal forutsi egenskaper ved katalysatorer og hvilke betingelser som kreves for å fremstille dem.

Forskerne vil bruke teknologien i jakten på renere drivstoff, råstoff basert på CO₂ og biobaserte kjemikalier. Prosjektbeskrivelsen oppgir et mål om 500 ganger raskere beregningsbasert screening. Påstander om at prosessen blir «nesten fem ganger raskere og billigere», bør derfor tolkes med varsomhet dersom de viser til en separat måling lenger ut i utviklingsløpet.

AI som kan kontrollere annen AI-kode

NUS og Imperial utvikler også verktøy som skal kunne analysere, teste, formelt verifisere og bevise at programvare fungerer korrekt. Samtidig skal verktøyene bruke mindre formelle metoder for å tolke kode som mangler dokumentasjon.

De skal prøves på programvare med store konsekvenser dersom noe går galt, blant annet nettverksprotokoller og komponenter i Linux-kjernen. På lengre sikt er ambisjonen at AI-agenter skal kunne kontrollere kode som er skrevet av andre AI-systemer.

Biomedisin: Flere typer biologiske data i samme modell

NUS og A*STAR planlegger MultiOmicsFM, en grunnmodell som skal tolke DNA-, RNA- og genaktivitetsdata samlet. Modellen skal trenes på datasett fra Singapores multietniske befolkning og kan brukes i forskning på sykdomsrisiko og i optimalisering av mRNA-behandlinger.

Prosjektet BloodCounts! går en annen vei. Her skal en DeepCBC-modell trenes på alle råparametrene fra komplette blodtellinger, i tillegg til bilder av blodutstryk. Hensikten er å hente mer diagnostisk informasjon ut av en vanlig blodprøve og støtte forskning på blant annet risiko for slag og kreft.

Landbruk og klimarobusthet

NUS og University of Illinois skal utvikle kunnskapsstyrte digitale tvillinger for landbruket. Det betyr virtuelle representasjoner av jordbruksområder i Sørøst-Asia som kombinerer observerte data med prinsipper fra plante- og avlingsvitenskap.

De planlagte verktøyene skal gi tolkbare prognoser og støtte beslutninger om såtidspunkt, ressursbruk og forsyningskjeder. Målet er altså ikke bare å produsere uforståelige modellspådommer, men å lage systemer som kan forklare hvorfor de anbefaler en bestemt handling.

Et bredt program – ikke bare et AI-prosjekt for én bransje

Porteføljen på åtte prosjekter omfatter også AI-designede grensesnitt som skal forbedre energitransport. Samlet dekker satsingen materialer, katalyse, databehandling, genomikk, programvare, landbruk og blodanalyse. AI4S er derfor utformet som et tverrfaglig program på tvers av livsvitenskap, energi, datateknologi og produksjon – ikke som ett enkelt sektorinitiativ.

Strategien bak satsingen

Fra forslag til dokumentert løsning: AI kan foreslå materialer, molekyler, eksperimenter eller kode. Automatiserte laboratorier, storskalascreening, fysiske målinger og formell verifisering må deretter levere bevisene som viser hva som faktisk kan produseres, er trygt og har praktisk verdi. Materials Data Foundry er det tydeligste eksempelet på denne lukkede sløyfen mellom modell og eksperiment.

Forskere som forstår både AI og faget: AI4S skal også utdanne «tospråklige» forskere – personer som behersker både kunstig intelligens og fag som materialvitenskap, livsvitenskap og kvantevitenskap. Tanken er at faglige problemstillinger, datakvalitet og begrensningene i eksperimentene skal påvirke modellene fra starten av.

Singapore som internasjonalt knutepunkt: Med finansiering fra National Research Foundation, internasjonale samarbeid gjennom CREATE, felles digital og eksperimentell infrastruktur, åpne verktøy og industripartnere forsøker Singapore å etablere seg som et samlingspunkt for AI-drevet forskning og teknologioverføring. Imperials to programmer blir for eksempel lagt til Imperial Global Singapore ved CREATE og skal være tilgjengelige for forskere internasjonalt.

Den avgjørende testen blir om prosjektene leverer validerte og skalerbare resultater: produksjonsprotokoller, effektive katalysatorer, dokumentasjon for kliniske beslutningsverktøy og pålitelig programvare. Raskere AI-spådommer alene vil ikke være nok.

Katalysatorer: Datamaskinen leter, laboratoriet tester

Et annet prosjekt, ledet av A*STAR og Imperial College London, skal utvikle en grunnmodell for overflatevitenskap og en skybasert plattform. Systemet skal forutsi egenskaper ved katalysatorer og hvilke betingelser som kreves for å fremstille dem.

Forskerne vil bruke teknologien i jakten på renere drivstoff, råstoff basert på CO₂ og biobaserte kjemikalier. Prosjektbeskrivelsen oppgir et mål om 500 ganger raskere beregningsbasert screening. Påstander om at prosessen blir «nesten fem ganger raskere og billigere», bør derfor tolkes med varsomhet dersom de viser til en separat måling lenger ut i utviklingsløpet.

AI som kan kontrollere annen AI-kode

NUS og Imperial utvikler også verktøy som skal kunne analysere, teste, formelt verifisere og bevise at programvare fungerer korrekt. Samtidig skal verktøyene bruke mindre formelle metoder for å tolke kode som mangler dokumentasjon.

De skal prøves på programvare med store konsekvenser dersom noe går galt, blant annet nettverksprotokoller og komponenter i Linux-kjernen. På lengre sikt er ambisjonen at AI-agenter skal kunne kontrollere kode som er skrevet av andre AI-systemer.

Biomedisin: Flere typer biologiske data i samme modell

NUS og A*STAR planlegger MultiOmicsFM, en grunnmodell som skal tolke DNA-, RNA- og genaktivitetsdata samlet. Modellen skal trenes på datasett fra Singapores multietniske befolkning og kan brukes i forskning på sykdomsrisiko og i optimalisering av mRNA-behandlinger.

Prosjektet BloodCounts! går en annen vei. Her skal en DeepCBC-modell trenes på alle råparametrene fra komplette blodtellinger, i tillegg til bilder av blodutstryk. Hensikten er å hente mer diagnostisk informasjon ut av en vanlig blodprøve og støtte forskning på blant annet risiko for slag og kreft.

Landbruk og klimarobusthet

NUS og University of Illinois skal utvikle kunnskapsstyrte digitale tvillinger for landbruket. Det betyr virtuelle representasjoner av jordbruksområder i Sørøst-Asia som kombinerer observerte data med prinsipper fra plante- og avlingsvitenskap.

De planlagte verktøyene skal gi tolkbare prognoser og støtte beslutninger om såtidspunkt, ressursbruk og forsyningskjeder. Målet er altså ikke bare å produsere uforståelige modellspådommer, men å lage systemer som kan forklare hvorfor de anbefaler en bestemt handling.

Et bredt program – ikke bare et AI-prosjekt for én bransje

Porteføljen på åtte prosjekter omfatter også AI-designede grensesnitt som skal forbedre energitransport. Samlet dekker satsingen materialer, katalyse, databehandling, genomikk, programvare, landbruk og blodanalyse. AI4S er derfor utformet som et tverrfaglig program på tvers av livsvitenskap, energi, datateknologi og produksjon – ikke som ett enkelt sektorinitiativ.

Strategien bak satsingen

Fra forslag til dokumentert løsning: AI kan foreslå materialer, molekyler, eksperimenter eller kode. Automatiserte laboratorier, storskalascreening, fysiske målinger og formell verifisering må deretter levere bevisene som viser hva som faktisk kan produseres, er trygt og har praktisk verdi. Materials Data Foundry er det tydeligste eksempelet på denne lukkede sløyfen mellom modell og eksperiment.

Forskere som forstår både AI og faget: AI4S skal også utdanne «tospråklige» forskere – personer som behersker både kunstig intelligens og fag som materialvitenskap, livsvitenskap og kvantevitenskap. Tanken er at faglige problemstillinger, datakvalitet og begrensningene i eksperimentene skal påvirke modellene fra starten av.

Singapore som internasjonalt knutepunkt: Med finansiering fra National Research Foundation, internasjonale samarbeid gjennom CREATE, felles digital og eksperimentell infrastruktur, åpne verktøy og industripartnere forsøker Singapore å etablere seg som et samlingspunkt for AI-drevet forskning og teknologioverføring. Imperials to programmer blir for eksempel lagt til Imperial Global Singapore ved CREATE og skal være tilgjengelige for forskere internasjonalt.

Den avgjørende testen blir om prosjektene leverer validerte og skalerbare resultater: produksjonsprotokoller, effektive katalysatorer, dokumentasjon for kliniske beslutningsverktøy og pålitelig programvare. Raskere AI-spådommer alene vil ikke være nok.