Singapur chce połączyć AI z eksperymentami i zamienić odkrycia naukowe w technologie

Planowane laboratorium ma połączyć AI, robotykę i pomiary wykonywane w trakcie eksperymentu w otwartym, autonomicznym środowisku badawczym. Zamiast opierać modele wyłącznie na opublikowanych danych o materiałach, będzie generować dane eksperymentalne łączące warunki syntezy z rzeczywistymi właściwościami otrzymanego materiału. Wyniki pomiarów mają następnie poprawiać modele i pomagać w wyborze kolejnych doświadczeń, tworząc pętlę sprzężenia zwrotnego między prognozą a testem fizycznym.

Cele projektu obejmują przeprowadzenie dużej liczby eksperymentów oraz przygotowanie praktycznych i powtarzalnych receptur syntezy. Badania mają dotyczyć m.in. materiałów wykraczających poza tradycyjną elektronikę krzemową, materiałów kwantowych, elektrokatalizatorów przydatnych w produkcji czystego wodoru oraz powłok odpornych na korozję. Rezultatem nie ma być więc jedynie lista kandydatów wygenerowanych przez AI, lecz także dowody na to, jak obiecujące materiały można rzeczywiście wytwarzać i oceniać.

AI przeszuka projekty katalizatorów, zanim trafią do laboratorium

Oddzielny projekt o wartości S$10 mln, prowadzony przez A*STAR i Imperial College London, ma stworzyć Surface Science Foundation Model oraz chmurową platformę do przewidywania właściwości katalizatorów i warunków ich syntezy. Badania mogą znaleźć zastosowanie przy produkcji czystszych paliw, surowców wytwarzanych z dwutlenku węgla oraz chemikaliów pochodzenia biologicznego.

Opis programu zakłada 500-krotne przyspieszenie komputerowego przeszukiwania możliwych rozwiązań. To cel dotyczący etapu selekcji, a nie dowód, że gotowe paliwo lub proces chemiczny powstanie 500 razy szybciej. Również zapowiedzi, że prace będą „niemal pięć razy szybsze i tańsze”, należy interpretować ostrożnie, chyba że odnoszą się do odrębnego wskaźnika dotyczącego dalszego rozwoju technologii. Ostatecznie liczyć się będzie to, czy katalizatory wybrane obliczeniowo dobrze zadziałają w eksperymentach i pozwolą stworzyć opłacalne procesy.

Oprogramowanie wygenerowane przez AI ma być sprawdzane jak system krytyczny

AI4S obejmuje również projekty traktujące niezawodność oprogramowania jako problem naukowy i inżynieryjny. NUS i Imperial opracowują narzędzia do rozumowania o programach, które mają analizować i testować kod, formalnie weryfikować jego właściwości oraz — tam, gdzie to możliwe — dowodzić jego poprawności. Narzędzia będą przeznaczone do analizy trudnego i potencjalnie istotnego oprogramowania, w tym protokołów sieciowych oraz komponentów jądra Linuksa.

Jednym z proponowanych zastosowań jest audytowanie przez jeden system AI kodu napisanego przez inny system AI. Może to zwiększyć wiarygodność programowania wspomaganego przez sztuczną inteligencję, ale automatyczna analiza nie jest uniwersalną gwarancją bezpieczeństwa. Metody formalne pozwalają potwierdzić określone właściwości przy konkretnych założeniach. Ogólna niezawodność nadal zależy od jakości specyfikacji, testów oraz systemu, w którym działa kod.

Projekty medyczne połączą dane biologiczne i kliniczne

W obszarze biomedycyny program obejmuje projekty, które mają łączyć informacje zwykle analizowane oddzielnie.

MultiOmicsFM, rozwijany przez NUS i A*STAR, ma być modelem podstawowym integrującym dane DNA, RNA oraz aktywności genów pochodzące z wieloetnicznych zbiorów danych Singapuru. Celem badań jest m.in. analiza ryzyka chorób oraz poprawa projektowania i dostarczania terapii mRNA.

Projekt BloodCounts! podchodzi do problemu inaczej. Jego celem jest opracowanie modelu DeepCBC wykorzystującego pełny zestaw surowych parametrów morfologii krwi oraz obrazy rozmazów krwi. Naukowcy chcą sprawdzić, czy połączenie tych danych pozwoli wydobyć więcej informacji diagnostycznych z powszechnie wykonywanego badania i pomóc w przewidywaniu ryzyka związanego m.in. z udarem i nowotworami.

Nie oznacza to, że zwykła morfologia krwi już dziś może diagnozować te choroby. Ewentualne zastosowanie kliniczne wymagałoby walidacji, oceny regulacyjnej oraz potwierdzenia, że model działa wiarygodnie w różnych populacjach i warunkach opieki zdrowotnej.

Cyfrowe bliźniaki mają wspierać rolnictwo i odporność klimatyczną

Kolejny projekt zakłada stworzenie cyfrowych bliźniaków gospodarstw rolnych w Azji Południowo-Wschodniej. Są to wirtualne reprezentacje rzeczywistych obszarów, które mają łączyć obserwowane dane z zasadami nauk o uprawie roślin. W efekcie mogą powstać prognozy i narzędzia wspierające decyzje dotyczące siewu, wykorzystania zasobów oraz łańcuchów dostaw.

Istotny jest nacisk na wiedzę naukową. Cyfrowy bliźniak uwzględniający ograniczenia agronomiczne może być łatwiejszy do interpretacji i zakwestionowania niż nieprzejrzysta prognoza. Jego użyteczność nadal będzie jednak zależeć od jakości, zakresu i aktualności danych wejściowych.

Portfolio ośmiu projektów obejmuje także interfejsy projektowane przez AI, które mają usprawniać transport energii. Łącznie inicjatywa obejmuje materiały, informatykę, genomikę, zdrowie, energetykę, rolnictwo i odporność klimatyczną, a nie jeden konkretny sektor gospodarki.

Wspólny schemat: zamknięta pętla między AI a eksperymentem

Projekty opierają się na podobnym modelu działania:

1. AI wyszukuje lub proponuje hipotezy, materiały, katalizatory, projekty cząsteczek, fragmenty kodu albo interwencje rolnicze.
2. Eksperymenty fizyczne lub cyfrowe sprawdzają te propozycje — w zautomatyzowanych laboratoriach, podczas pomiarów, analizy oprogramowania lub w modelach odwzorowujących warunki polowe.
3. Nowe dowody poprawiają system, dzięki czemu kolejne prognozy są lepiej zakorzenione w obserwowanych wynikach.
4. Eksperci dziedzinowi oceniają znaczenie rezultatów, w tym ich możliwość produkcji, niezawodność, przydatność kliniczną i wpływ na środowisko.

Materials Data Foundry najlepiej pokazuje tę koncepcję, ponieważ został zaprojektowany bezpośrednio do łączenia prognoz AI z automatyczną syntezą i pomiarami. Ta sama zasada pojawia się przy poszukiwaniu katalizatorów, weryfikacji oprogramowania i modelowaniu biomedycznym: szybsze przewidywania mają wartość dopiero wtedy, gdy prowadzą do wiarygodnych dowodów.

Dlaczego Singapur inwestuje w AI dla nauki?

Inicjatywa jest również strategią rozwoju kadr i infrastruktury. NRF chce budować współpracę między badaczami AI a naukowcami zajmującymi się m.in. materiałami, naukami o życiu i nauką kwantową. Celem jest kształcenie „dwujęzycznych” naukowców — osób, które rozumieją zarówno metody obliczeniowe, jak i problemy naukowe, do których te metody się stosuje.

W projektach uczestniczą singapurskie instytucje, w tym NUS, Nanyang Technological University (NTU) i A*STAR, oraz partnerzy zagraniczni: University of Toronto, Imperial College London, University of Cambridge i Kyoto University. Dwa programy Imperial są prowadzone przez Imperial Global Singapore na kampusie CREATE, który służy jako centrum międzynarodowej współpracy badawczej.

Taka konstrukcja pozwala Singapurowi konkurować o znaczącą rolę w badaniach opartych na AI: finansować ambitne projekty, budować wspólną infrastrukturę eksperymentalną i cyfrową, przyciągać zagranicznych partnerów oraz szkolić naukowców potrafiących przekładać wyniki modeli na język laboratoriów.

Po czym poznać sukces programu?

AI4S będzie oceniany nie przez liczbę prognoz generowanych przez modele, lecz przez to, co przetrwa konfrontację z rzeczywistością. Najmocniejsze rezultaty obejmowałyby:

• powtarzalne receptury produkcji zaawansowanych materiałów;
• katalizatory działające w realistycznych warunkach pracy;
• narzędzia programistyczne pokazujące istotne gwarancje poprawności lub niezawodności;
• modele biomedyczne zweryfikowane na odpowiednich zbiorach danych i w warunkach klinicznych;
• narzędzia rolnicze, które w praktyce poprawiają prognozowanie lub planowanie wykorzystania zasobów.

Singapur stawia więc na AI połączoną z eksperymentami, weryfikacją i wiedzą ekspercką. Program o wartości S$120 mln może uczynić odkrycia naukowe bardziej systematycznymi i skrócić drogę od pomysłu do prototypu. Kluczowe pytanie pozostaje jednak otwarte: czy osiem projektów badawczych zdoła zamienić obiecujące prognozy wspierane przez AI w skalowalne, bezpieczne i użyteczne technologie.