Materials Data Foundry: как решить промышленную проблему ИИ

ИИ может указать на материал, который выглядит перспективным в компьютерной симуляции. Но это ещё не означает, что материал удастся надёжно изготовить, произвести в больших объёмах или получить с теми характеристиками, которые предсказала модель. Именно на этом узком месте сосредоточена лаборатория Materials Data Foundry стоимостью S$10 млн, созданная Национальным университетом Сингапура и Acceleration Consortium при Университете Торонто.

Планируемая площадка объединит ИИ, робототехнику и измерения непосредственно в ходе эксперимента в открытой автономной лаборатории. Вместо того чтобы опираться только на опубликованные данные, она будет самостоятельно собирать сведения о том, как условия синтеза влияют на реальные свойства материала. Эти измерения затем позволят улучшать модели и выбирать следующие эксперименты — создавая замкнутый цикл между прогнозом и физической проверкой.

Среди заявленных направлений — десятки тысяч экспериментов и практические, воспроизводимые рецептуры синтеза для материалов, применяемых в технологиях за пределами кремниевой электроники и в квантовых системах, электрокатализаторов для экологически более чистого водорода и устойчивых к коррозии покрытий. Иными словами, результатом должна стать не просто подборка кандидатов, придуманных ИИ, а доказательства того, как перспективные материалы можно производить и оценивать на практике.

Катализаторы сначала будут искать в цифровом пространстве

Отдельный проект стоимостью S$10 млн под руководством A*STAR и Имперского колледжа Лондона создаст фундаментальную модель поверхностных наук и облачную платформу для прогнозирования свойств катализаторов и условий их синтеза. Исследование ориентировано, в частности, на более чистое топливо, сырьё на основе углекислого газа и химические продукты биологического происхождения.

В описании программы указана цель ускорить компьютерный скрининг в 500 раз. Это именно цель цифрового отбора, а не доказательство того, что готовый процесс производства топлива или химикатов появится в 500 раз быстрее. Заявления о разработке «почти в пять раз быстрее и дешевле» стоит трактовать осторожно, если не уточнено, что речь идёт об отдельном показателе на последующем этапе. Главная проверка — покажут ли выбранные компьютером катализаторы хорошие результаты в экспериментах и удастся ли превратить их в жизнеспособные промышленные процессы.

ИИ будет проверять код, созданный другим ИИ

В AI4S надёжность программного обеспечения рассматривается как самостоятельная научная и инженерная задача. NUS и Имперский колледж разрабатывают инструменты рассуждения о программах, которые смогут анализировать и тестировать код, формально проверять его свойства и, где возможно, доказывать корректность. Инструменты планируют применять к сложному и критически важному программному обеспечению, включая сетевые протоколы и компоненты ядра Linux.

Один из возможных сценариев — поручить ИИ проверять код, написанный другой ИИ-системой. Это может сделать программирование с помощью ИИ надёжнее, но автоматический анализ не равен универсальной гарантии безопасности. Формальные методы позволяют подтвердить конкретные свойства при заданных условиях; общая надёжность всё равно зависит от качества спецификаций, тестов и систем, в которых работает код.

Биомедицина: объединить разрозненные данные

В биомедицинском блоке программы есть проекты, которые объединяют данные, обычно анализируемые по отдельности.

MultiOmicsFM, совместно разрабатываемая NUS и A*STAR, должна стать фундаментальной моделью, объединяющей сведения о ДНК, РНК и активности генов из многоэтничных наборов данных Сингапура. Исследовательские задачи включают изучение рисков заболеваний и совершенствование разработки и доставки мРНК-терапий.

Проект BloodCounts! идёт другим путём: модель DeepCBC будет использовать все исходные параметры общего анализа крови вместе с изображениями мазков крови. Задача — извлечь больше диагностической информации из широко распространённого анализа и изучить, может ли объединение этих данных помочь прогнозировать риски, связанные, например, с инсультом и онкологическими заболеваниями.

Это перспективные исследовательские направления, а не утверждение, что обычный анализ крови уже сегодня способен диагностировать такие состояния. Для клинического применения потребуются валидация, разрешение регулирующих органов и подтверждение стабильной работы модели на разных группах пациентов и в различных условиях медицинской помощи.

Цифровые двойники для сельского хозяйства и климатической устойчивости

Ещё один проект создаст цифровые двойники сельскохозяйственных земель Юго-Восточной Азии с учётом научных знаний. Такие виртуальные представления территорий должны объединять наблюдаемые данные с принципами агрономии, чтобы формировать прогнозы и инструменты для решений о сроках посадки, использовании ресурсов и цепочках поставок.

Акцент на научных знаниях здесь принципиален. Цифровой двойник, учитывающий агрономические ограничения, может быть понятнее и легче проверяться, чем непрозрачный прогноз. Однако его практическая ценность всё равно будет зависеть от качества, полноты и актуальности исходных данных.

В портфель из восьми проектов также входит разработка ИИ-интерфейсов, призванных улучшить перенос энергии. В совокупности программа охватывает материаловедение, вычислительную технику, геномику, медицину, энергетику, сельское хозяйство и климатическую устойчивость, а не замыкается на одной коммерческой отрасли.

Общая схема программы: замкнутый цикл между ИИ и экспериментом

У всех проектов просматривается одна и та же логика:

1. ИИ ищет или предлагает гипотезы, материалы, катализаторы, молекулярные конструкции, фрагменты кода или агротехнические решения.
2. Физические или цифровые эксперименты проверяют эти предложения — в автоматизированных лабораториях, измерениях, программном анализе или моделях, приближенных к реальным условиям.
3. Новые данные улучшают систему, делая последующие прогнозы более связанными с наблюдаемыми результатами.
4. Профильные специалисты определяют практическую ценность, включая возможность производства, надёжность, клиническую пользу и экологическую применимость.

Materials Data Foundry наиболее наглядно воплощает этот подход: лаборатория напрямую соединяет прогнозы ИИ с автоматизированным синтезом и измерениями. Та же логика лежит в основе поиска катализаторов, проверки программ и биомедицинского моделирования: быстрые прогнозы ценны только тогда, когда приводят к достоверным доказательствам.

Зачем Сингапур инвестирует в AI4S

Инициатива одновременно является стратегией развития кадров и инфраструктуры. NRF делает ставку на сотрудничество специалистов по ИИ с исследователями в таких областях, как материаловедение, науки о жизни и квантовые технологии. Заявленная цель — подготовить «двуязычных» учёных, которые одинаково хорошо понимают вычислительные методы и научные задачи, к которым они применяются.

В проектах участвуют сингапурские организации — NUS, Наньянский технологический университет (NTU) и A*STAR — вместе с международными партнёрами, включая Университет Торонто, Имперский колледж Лондона, Кембриджский университет и Киотский университет. Две программы Имперского колледжа размещаются через Imperial Global Singapore на кампусе CREATE — площадке, созданной для международного научного сотрудничества и обмена доступом к исследовательской инфраструктуре.

Такая модель позволяет Сингапуру конкурировать за место в мировой AI-науке: финансировать масштабные проекты, создавать общую экспериментальную и цифровую инфраструктуру, привлекать зарубежных партнёров и обучать исследователей, способных переводить результаты между языком моделей и языком лабораторий.

Каким будет настоящий успех

AI4S будут оценивать не по количеству прогнозов, которые выдают модели, а по тому, что выдержит проверку реальностью. Наиболее убедительными результатами стали бы:

• воспроизводимые рецептуры производства передовых материалов;
• катализаторы, сохраняющие эффективность в реалистичных рабочих условиях;
• программные инструменты, способные продемонстрировать существенные гарантии корректности или надёжности;
• биомедицинские модели, проверенные на подходящих наборах данных и в клинических условиях;
• сельскохозяйственные инструменты, которые на практике улучшают прогнозирование или планирование ресурсов.

Таким образом, Сингапур делает ставку на ИИ, связанный с экспериментами, верификацией и экспертными знаниями. Программа стоимостью S$120 млн может сделать научный поиск более системным и ускорить путь от идеи к прототипу. Но главный вопрос пока остаётся открытым: смогут ли восемь исследовательских проектов превратить многообещающие прогнозы ИИ в масштабируемые, безопасные и полезные технологии.

Materials Data Foundry: как решить промышленную проблему ИИ

ИИ может указать на материал, который выглядит перспективным в компьютерной симуляции. Но это ещё не означает, что материал удастся надёжно изготовить, произвести в больших объёмах или получить с теми характеристиками, которые предсказала модель. Именно на этом узком месте сосредоточена лаборатория Materials Data Foundry стоимостью S$10 млн, созданная Национальным университетом Сингапура и Acceleration Consortium при Университете Торонто.

Планируемая площадка объединит ИИ, робототехнику и измерения непосредственно в ходе эксперимента в открытой автономной лаборатории. Вместо того чтобы опираться только на опубликованные данные, она будет самостоятельно собирать сведения о том, как условия синтеза влияют на реальные свойства материала. Эти измерения затем позволят улучшать модели и выбирать следующие эксперименты — создавая замкнутый цикл между прогнозом и физической проверкой.

Среди заявленных направлений — десятки тысяч экспериментов и практические, воспроизводимые рецептуры синтеза для материалов, применяемых в технологиях за пределами кремниевой электроники и в квантовых системах, электрокатализаторов для экологически более чистого водорода и устойчивых к коррозии покрытий. Иными словами, результатом должна стать не просто подборка кандидатов, придуманных ИИ, а доказательства того, как перспективные материалы можно производить и оценивать на практике.

Катализаторы сначала будут искать в цифровом пространстве

Отдельный проект стоимостью S$10 млн под руководством A*STAR и Имперского колледжа Лондона создаст фундаментальную модель поверхностных наук и облачную платформу для прогнозирования свойств катализаторов и условий их синтеза. Исследование ориентировано, в частности, на более чистое топливо, сырьё на основе углекислого газа и химические продукты биологического происхождения.

В описании программы указана цель ускорить компьютерный скрининг в 500 раз. Это именно цель цифрового отбора, а не доказательство того, что готовый процесс производства топлива или химикатов появится в 500 раз быстрее. Заявления о разработке «почти в пять раз быстрее и дешевле» стоит трактовать осторожно, если не уточнено, что речь идёт об отдельном показателе на последующем этапе. Главная проверка — покажут ли выбранные компьютером катализаторы хорошие результаты в экспериментах и удастся ли превратить их в жизнеспособные промышленные процессы.

ИИ будет проверять код, созданный другим ИИ

В AI4S надёжность программного обеспечения рассматривается как самостоятельная научная и инженерная задача. NUS и Имперский колледж разрабатывают инструменты рассуждения о программах, которые смогут анализировать и тестировать код, формально проверять его свойства и, где возможно, доказывать корректность. Инструменты планируют применять к сложному и критически важному программному обеспечению, включая сетевые протоколы и компоненты ядра Linux.

Один из возможных сценариев — поручить ИИ проверять код, написанный другой ИИ-системой. Это может сделать программирование с помощью ИИ надёжнее, но автоматический анализ не равен универсальной гарантии безопасности. Формальные методы позволяют подтвердить конкретные свойства при заданных условиях; общая надёжность всё равно зависит от качества спецификаций, тестов и систем, в которых работает код.

Биомедицина: объединить разрозненные данные

В биомедицинском блоке программы есть проекты, которые объединяют данные, обычно анализируемые по отдельности.

MultiOmicsFM, совместно разрабатываемая NUS и A*STAR, должна стать фундаментальной моделью, объединяющей сведения о ДНК, РНК и активности генов из многоэтничных наборов данных Сингапура. Исследовательские задачи включают изучение рисков заболеваний и совершенствование разработки и доставки мРНК-терапий.

Проект BloodCounts! идёт другим путём: модель DeepCBC будет использовать все исходные параметры общего анализа крови вместе с изображениями мазков крови. Задача — извлечь больше диагностической информации из широко распространённого анализа и изучить, может ли объединение этих данных помочь прогнозировать риски, связанные, например, с инсультом и онкологическими заболеваниями.

Это перспективные исследовательские направления, а не утверждение, что обычный анализ крови уже сегодня способен диагностировать такие состояния. Для клинического применения потребуются валидация, разрешение регулирующих органов и подтверждение стабильной работы модели на разных группах пациентов и в различных условиях медицинской помощи.

Цифровые двойники для сельского хозяйства и климатической устойчивости

Ещё один проект создаст цифровые двойники сельскохозяйственных земель Юго-Восточной Азии с учётом научных знаний. Такие виртуальные представления территорий должны объединять наблюдаемые данные с принципами агрономии, чтобы формировать прогнозы и инструменты для решений о сроках посадки, использовании ресурсов и цепочках поставок.

Акцент на научных знаниях здесь принципиален. Цифровой двойник, учитывающий агрономические ограничения, может быть понятнее и легче проверяться, чем непрозрачный прогноз. Однако его практическая ценность всё равно будет зависеть от качества, полноты и актуальности исходных данных.

В портфель из восьми проектов также входит разработка ИИ-интерфейсов, призванных улучшить перенос энергии. В совокупности программа охватывает материаловедение, вычислительную технику, геномику, медицину, энергетику, сельское хозяйство и климатическую устойчивость, а не замыкается на одной коммерческой отрасли.

Общая схема программы: замкнутый цикл между ИИ и экспериментом

У всех проектов просматривается одна и та же логика:

1. ИИ ищет или предлагает гипотезы, материалы, катализаторы, молекулярные конструкции, фрагменты кода или агротехнические решения.
2. Физические или цифровые эксперименты проверяют эти предложения — в автоматизированных лабораториях, измерениях, программном анализе или моделях, приближенных к реальным условиям.
3. Новые данные улучшают систему, делая последующие прогнозы более связанными с наблюдаемыми результатами.
4. Профильные специалисты определяют практическую ценность, включая возможность производства, надёжность, клиническую пользу и экологическую применимость.

Materials Data Foundry наиболее наглядно воплощает этот подход: лаборатория напрямую соединяет прогнозы ИИ с автоматизированным синтезом и измерениями. Та же логика лежит в основе поиска катализаторов, проверки программ и биомедицинского моделирования: быстрые прогнозы ценны только тогда, когда приводят к достоверным доказательствам.

Зачем Сингапур инвестирует в AI4S

Инициатива одновременно является стратегией развития кадров и инфраструктуры. NRF делает ставку на сотрудничество специалистов по ИИ с исследователями в таких областях, как материаловедение, науки о жизни и квантовые технологии. Заявленная цель — подготовить «двуязычных» учёных, которые одинаково хорошо понимают вычислительные методы и научные задачи, к которым они применяются.

В проектах участвуют сингапурские организации — NUS, Наньянский технологический университет (NTU) и A*STAR — вместе с международными партнёрами, включая Университет Торонто, Имперский колледж Лондона, Кембриджский университет и Киотский университет. Две программы Имперского колледжа размещаются через Imperial Global Singapore на кампусе CREATE — площадке, созданной для международного научного сотрудничества и обмена доступом к исследовательской инфраструктуре.

Такая модель позволяет Сингапуру конкурировать за место в мировой AI-науке: финансировать масштабные проекты, создавать общую экспериментальную и цифровую инфраструктуру, привлекать зарубежных партнёров и обучать исследователей, способных переводить результаты между языком моделей и языком лабораторий.

Каким будет настоящий успех

AI4S будут оценивать не по количеству прогнозов, которые выдают модели, а по тому, что выдержит проверку реальностью. Наиболее убедительными результатами стали бы:

• воспроизводимые рецептуры производства передовых материалов;
• катализаторы, сохраняющие эффективность в реалистичных рабочих условиях;
• программные инструменты, способные продемонстрировать существенные гарантии корректности или надёжности;
• биомедицинские модели, проверенные на подходящих наборах данных и в клинических условиях;
• сельскохозяйственные инструменты, которые на практике улучшают прогнозирование или планирование ресурсов.

Таким образом, Сингапур делает ставку на ИИ, связанный с экспериментами, верификацией и экспертными знаниями. Программа стоимостью S$120 млн может сделать научный поиск более системным и ускорить путь от идеи к прототипу. Но главный вопрос пока остаётся открытым: смогут ли восемь исследовательских проектов превратить многообещающие прогнозы ИИ в масштабируемые, безопасные и полезные технологии.