Modele nie będą bazować wyłącznie na opublikowanych danych o właściwościach materiałów. Laboratorium ma generować nowe dane eksperymentalne łączące warunki syntezy z rzeczywistą wydajnością i trwałością produktu. Celem jest przeprowadzenie dziesiątek tysięcy reakcji, znalezienie kandydatów możliwych do zsyntetyzowania oraz stworzenie otwartych narzędzi programistycznych.

W praktyce chodzi o uzyskanie powtarzalnych „receptur” produkcyjnych, a nie tylko listy związków przewidzianych przez AI. Zastosowania mają obejmować materiały dla technologii postkrzemowych i kwantowych, trwałe elektrokatalizatory przydatne w produkcji czystego wodoru oraz powłoki odporne na korozję.

Katalizatory: najpierw symulacja, potem eksperyment

Program A*STAR i Imperial College London o wartości 10 mln dolarów singapurskich ma stworzyć model bazowy nauki o powierzchniach oraz platformę chmurową do przewidywania właściwości katalizatorów i warunków ich syntezy. Badania mają wspierać prace nad czystszymi paliwami, surowcami pozyskiwanymi z dwutlenku węgla oraz chemikaliami pochodzenia biologicznego.

Opis programu zakłada 500-krotne przyspieszenie komputerowego przeszukiwania przestrzeni możliwych rozwiązań. Pojawiające się czasem twierdzenia o „prawie pięciokrotnie większej szybkości i niższych kosztach” należy traktować ostrożnie, chyba że odnoszą się do odrębnego wskaźnika w późniejszym etapie prac.

AI, które potrafi sprawdzać kod

NUS i Imperial opracowują narzędzia do rozumowania o programach. Mają one automatycznie analizować i testować kod, a także formalnie weryfikować jego poprawność i tworzyć dowody poprawnego działania. Jednocześnie narzędzia będą wykorzystywać mniej formalne metody rozumowania do interpretowania kodu, którego dokumentacja jest niepełna.

Zespół chce sprawdzić je na oprogramowaniu o istotnym znaczeniu, m.in. protokołach sieciowych i komponentach jądra Linuksa. Jednym z celów jest umożliwienie agentom AI audytowania kodu napisanego przez inne systemy AI.

Biologia i diagnostyka z jednej próbki krwi

Projekt MultiOmicsFM, prowadzony przez NUS i A*STAR, ma stworzyć model bazowy integrujący dane DNA, RNA oraz aktywności genów. Model będzie pracował na wieloetnicznych zbiorach danych z Singapuru i ma wspierać badania nad ryzykiem chorób oraz optymalizacją terapii mRNA.

Z kolei BloodCounts! wykorzysta model DeepCBC. Zamiast ograniczać się do podstawowych, zagregowanych wyników morfologii, model ma analizować pełne surowe parametry badania krwi oraz obrazy rozmazów krwi. Dzięki temu z powszechnie wykonywanego testu można będzie próbować wydobyć więcej informacji diagnostycznych, w tym wspierać przewidywanie ryzyka takich schorzeń jak udar czy nowotwory.

Rolnictwo odporne na zmiany klimatu

NUS i University of Illinois pracują nad cyfrowymi bliźniakami gospodarstw rolnych Azji Południowo-Wschodniej. Są to wirtualne reprezentacje pól, które łączą obserwowane dane z zasadami nauki o uprawie roślin.

Zakładanym rezultatem mają być zrozumiałe prognozy i narzędzia wspierające decyzje dotyczące terminów sadzenia, wykorzystania zasobów oraz łańcuchów dostaw. Chodzi więc nie tylko o uzyskanie trafnej prognozy, lecz także o wyjaśnienie, dlaczego model proponuje konkretne działanie.

Szeroki portfel zamiast jednego zastosowania

Osiem projektów obejmuje również projektowane przez AI interfejsy poprawiające transport energii. Cały portfel łączy materiały, informatykę, nauki o życiu, energetykę i rolnictwo — AI4S nie jest więc programem ograniczonym do jednej gałęzi gospodarki.

Dlaczego Singapur stawia na AI4S?

Przekładanie odkryć na działające technologie

AI może wskazać obiecujący materiał, cząsteczkę, eksperyment lub fragment kodu. Dopiero automatyczne laboratoria, badania wysokoprzepustowe, pomiary i formalna weryfikacja dostarczają dowodów potrzebnych do oceny, czy rozwiązanie jest możliwe do wytworzenia, bezpieczne i użyteczne. Materials Data Foundry najlepiej pokazuje tę zasadę zamkniętej pętli: model proponuje, laboratorium sprawdza, a wynik wraca do modelu.

Naukowcy łączący dwie specjalizacje

AI4S ma także kształcić tak zwanych naukowców dwujęzycznych — badaczy swobodnie poruszających się zarówno w świecie sztucznej inteligencji, jak i w dziedzinach takich jak materiały, nauki o życiu czy nauka o informacji kwantowej. Dzięki temu pytania badawcze, jakość danych i ograniczenia eksperymentów mają wpływać na konstrukcję modeli od samego początku.

Międzynarodowa infrastruktura badawcza

Singapur wykorzystuje finansowanie National Research Foundation, współpracę międzynarodową w ramach kampusu CREATE, wspólną infrastrukturę cyfrową i eksperymentalną, otwarte narzędzia oraz partnerów przemysłowych, aby stać się miejscem koordynującym badania oparte na AI i ich praktyczne zastosowania. Dwa programy Imperial są prowadzone przez Imperial Global Singapore w ośrodku CREATE i mają być dostępne dla badaczy z całego świata.

Najważniejszym sprawdzianem będzie to, czy projekty doprowadzą do powtarzalnych i skalowalnych rezultatów: procedur produkcyjnych, skutecznych katalizatorów, wiarygodnych dowodów przydatności klinicznej oraz niezawodnego oprogramowania. Sama zdolność AI do szybszego generowania przewidywań nie wystarczy.

Modele nie będą bazować wyłącznie na opublikowanych danych o właściwościach materiałów. Laboratorium ma generować nowe dane eksperymentalne łączące warunki syntezy z rzeczywistą wydajnością i trwałością produktu. Celem jest przeprowadzenie dziesiątek tysięcy reakcji, znalezienie kandydatów możliwych do zsyntetyzowania oraz stworzenie otwartych narzędzi programistycznych.

W praktyce chodzi o uzyskanie powtarzalnych „receptur” produkcyjnych, a nie tylko listy związków przewidzianych przez AI. Zastosowania mają obejmować materiały dla technologii postkrzemowych i kwantowych, trwałe elektrokatalizatory przydatne w produkcji czystego wodoru oraz powłoki odporne na korozję.

Katalizatory: najpierw symulacja, potem eksperyment

Program A*STAR i Imperial College London o wartości 10 mln dolarów singapurskich ma stworzyć model bazowy nauki o powierzchniach oraz platformę chmurową do przewidywania właściwości katalizatorów i warunków ich syntezy. Badania mają wspierać prace nad czystszymi paliwami, surowcami pozyskiwanymi z dwutlenku węgla oraz chemikaliami pochodzenia biologicznego.

Opis programu zakłada 500-krotne przyspieszenie komputerowego przeszukiwania przestrzeni możliwych rozwiązań. Pojawiające się czasem twierdzenia o „prawie pięciokrotnie większej szybkości i niższych kosztach” należy traktować ostrożnie, chyba że odnoszą się do odrębnego wskaźnika w późniejszym etapie prac.

AI, które potrafi sprawdzać kod

NUS i Imperial opracowują narzędzia do rozumowania o programach. Mają one automatycznie analizować i testować kod, a także formalnie weryfikować jego poprawność i tworzyć dowody poprawnego działania. Jednocześnie narzędzia będą wykorzystywać mniej formalne metody rozumowania do interpretowania kodu, którego dokumentacja jest niepełna.

Zespół chce sprawdzić je na oprogramowaniu o istotnym znaczeniu, m.in. protokołach sieciowych i komponentach jądra Linuksa. Jednym z celów jest umożliwienie agentom AI audytowania kodu napisanego przez inne systemy AI.

Biologia i diagnostyka z jednej próbki krwi

Projekt MultiOmicsFM, prowadzony przez NUS i A*STAR, ma stworzyć model bazowy integrujący dane DNA, RNA oraz aktywności genów. Model będzie pracował na wieloetnicznych zbiorach danych z Singapuru i ma wspierać badania nad ryzykiem chorób oraz optymalizacją terapii mRNA.

Z kolei BloodCounts! wykorzysta model DeepCBC. Zamiast ograniczać się do podstawowych, zagregowanych wyników morfologii, model ma analizować pełne surowe parametry badania krwi oraz obrazy rozmazów krwi. Dzięki temu z powszechnie wykonywanego testu można będzie próbować wydobyć więcej informacji diagnostycznych, w tym wspierać przewidywanie ryzyka takich schorzeń jak udar czy nowotwory.

Rolnictwo odporne na zmiany klimatu

NUS i University of Illinois pracują nad cyfrowymi bliźniakami gospodarstw rolnych Azji Południowo-Wschodniej. Są to wirtualne reprezentacje pól, które łączą obserwowane dane z zasadami nauki o uprawie roślin.

Zakładanym rezultatem mają być zrozumiałe prognozy i narzędzia wspierające decyzje dotyczące terminów sadzenia, wykorzystania zasobów oraz łańcuchów dostaw. Chodzi więc nie tylko o uzyskanie trafnej prognozy, lecz także o wyjaśnienie, dlaczego model proponuje konkretne działanie.

Szeroki portfel zamiast jednego zastosowania

Osiem projektów obejmuje również projektowane przez AI interfejsy poprawiające transport energii. Cały portfel łączy materiały, informatykę, nauki o życiu, energetykę i rolnictwo — AI4S nie jest więc programem ograniczonym do jednej gałęzi gospodarki.

Dlaczego Singapur stawia na AI4S?

Przekładanie odkryć na działające technologie

AI może wskazać obiecujący materiał, cząsteczkę, eksperyment lub fragment kodu. Dopiero automatyczne laboratoria, badania wysokoprzepustowe, pomiary i formalna weryfikacja dostarczają dowodów potrzebnych do oceny, czy rozwiązanie jest możliwe do wytworzenia, bezpieczne i użyteczne. Materials Data Foundry najlepiej pokazuje tę zasadę zamkniętej pętli: model proponuje, laboratorium sprawdza, a wynik wraca do modelu.

Naukowcy łączący dwie specjalizacje

AI4S ma także kształcić tak zwanych naukowców dwujęzycznych — badaczy swobodnie poruszających się zarówno w świecie sztucznej inteligencji, jak i w dziedzinach takich jak materiały, nauki o życiu czy nauka o informacji kwantowej. Dzięki temu pytania badawcze, jakość danych i ograniczenia eksperymentów mają wpływać na konstrukcję modeli od samego początku.

Międzynarodowa infrastruktura badawcza

Singapur wykorzystuje finansowanie National Research Foundation, współpracę międzynarodową w ramach kampusu CREATE, wspólną infrastrukturę cyfrową i eksperymentalną, otwarte narzędzia oraz partnerów przemysłowych, aby stać się miejscem koordynującym badania oparte na AI i ich praktyczne zastosowania. Dwa programy Imperial są prowadzone przez Imperial Global Singapore w ośrodku CREATE i mają być dostępne dla badaczy z całego świata.

Najważniejszym sprawdzianem będzie to, czy projekty doprowadzą do powtarzalnych i skalowalnych rezultatów: procedur produkcyjnych, skutecznych katalizatorów, wiarygodnych dowodów przydatności klinicznej oraz niezawodnego oprogramowania. Sama zdolność AI do szybszego generowania przewidywań nie wystarczy.