Materials Data Foundry: แก้ปัญหาจาก “วัสดุที่ทำนายได้” สู่ “วัสดุที่ผลิตได้”

AI อาจค้นพบวัสดุที่ดูมีศักยภาพจากการจำลองในคอมพิวเตอร์ แต่ผลการจำลองไม่ได้รับประกันว่า นักวิจัยจะผลิตวัสดุนั้นได้อย่างสม่ำเสมอ ผลิตในปริมาณมาก หรือได้ประสิทธิภาพตรงตามที่แบบจำลองคาดการณ์ไว้

Materials Data Foundry คือโครงการมูลค่า 10 ล้านดอลลาร์สิงคโปร์ที่จัดตั้งร่วมกันโดยมหาวิทยาลัยแห่งชาติสิงคโปร์ (NUS) และ Acceleration Consortium ของมหาวิทยาลัยโตรอนโต โดยออกแบบมาเพื่อเชื่อมช่องว่างระหว่างการคาดการณ์กับการผลิตจริง

ห้องปฏิบัติการแบบเปิดและทำงานอัตโนมัตินี้จะรวม AI หุ่นยนต์ และระบบวัดผลระหว่างการทดลองเข้าด้วยกัน แทนที่จะพึ่งพาเฉพาะข้อมูลวัสดุจากงานวิจัยที่เผยแพร่แล้ว ระบบจะสร้างข้อมูลจากการทดลองจริง โดยบันทึกความเชื่อมโยงระหว่างเงื่อนไขการสังเคราะห์กับคุณสมบัติของวัสดุ จากนั้นข้อมูลใหม่จะถูกส่งกลับไปปรับปรุงแบบจำลองและช่วยเลือกการทดลองครั้งต่อไป เกิดเป็นวงจรป้อนกลับระหว่างการคาดการณ์กับการทดสอบทางกายภาพ

เป้าหมายของโครงการครอบคลุมการทดลองจำนวนมาก และการพัฒนาสูตรสังเคราะห์ที่ทำซ้ำได้จริง สำหรับวัสดุยุคหลังซิลิคอนหรือวัสดุควอนตัม ตัวเร่งปฏิกิริยาไฟฟ้าเคมีที่เกี่ยวข้องกับไฮโดรเจนสะอาด และสารเคลือบเหล็กที่ทนการกัดกร่อน

ดังนั้น ผลลัพธ์ที่ต้องการจึงไม่ใช่เพียงรายชื่อวัสดุที่ AI คิดว่าน่าสนใจ แต่ต้องเป็นหลักฐานว่า วัสดุเหล่านั้นผลิตอย่างไร และจะประเมินประสิทธิภาพในสภาพจริงได้อย่างไร

ใช้ AI คัดกรองตัวเร่งปฏิกิริยาก่อนลงมือทดลอง

อีกโครงการหนึ่งมูลค่า 10 ล้านดอลลาร์สิงคโปร์ นำโดย A*STAR และ Imperial College London จะพัฒนา Surface Science Foundation Model และแพลตฟอร์มบนคลาวด์ เพื่อคาดการณ์คุณสมบัติของตัวเร่งปฏิกิริยา รวมถึงเงื่อนไขที่เหมาะสมในการสังเคราะห์ตัวเร่งปฏิกิริยาเหล่านั้น งานวิจัยมุ่งไปยังการผลิตเชื้อเพลิงที่สะอาดขึ้น วัตถุดิบจากคาร์บอนไดออกไซด์ และสารเคมีชีวภาพ

คำอธิบายโครงการระบุเป้าหมายเร่งการคัดกรองเชิงคอมพิวเตอร์ได้ 500 เท่า แต่ตัวเลขนี้หมายถึงความเร็วของการคัดกรอง ไม่ได้แปลว่าเชื้อเพลิงหรือกระบวนการผลิตสารเคมีสำเร็จรูปจะเกิดขึ้นเร็วขึ้น 500 เท่า ส่วนคำกล่าวเรื่องการค้นพบที่ “เร็วขึ้นและมีต้นทุนถูกลงเกือบ 5 เท่า” ควรพิจารณาว่าเป็นตัวชี้วัดปลายทางคนละส่วนหรือไม่

บททดสอบที่สำคัญกว่าคือ ตัวเร่งปฏิกิริยาที่ AI คัดเลือกจะทำงานได้ดีในการทดลองจริงหรือไม่ และสามารถพัฒนาเป็นกระบวนการผลิตที่คุ้มค่าได้หรือไม่

ตรวจสอบโค้ดที่ AI เขียนด้วยหลักการพิสูจน์ความถูกต้อง

AI4S ไม่ได้มุ่งเฉพาะวิทยาศาสตร์กายภาพและชีวการแพทย์ แต่ยังมองความน่าเชื่อถือของซอฟต์แวร์เป็นโจทย์วิจัยสำคัญ NUS และ Imperial กำลังพัฒนาเครื่องมือด้านการให้เหตุผลกับโปรแกรม เพื่อวิเคราะห์และทดสอบโค้ด ตรวจสอบคุณสมบัติอย่างเป็นทางการ และพิสูจน์ความถูกต้องเมื่อทำได้ เครื่องมือเหล่านี้จะทดสอบกับซอฟต์แวร์ที่มีความสำคัญสูง เช่น โพรโทคอลเครือข่ายและส่วนประกอบของ Linux kernel

หนึ่งในการใช้งานที่เสนอคือ ให้ AI ตรวจสอบโค้ดที่สร้างโดย AI อีกระบบหนึ่ง วิธีนี้อาจทำให้การเขียนโปรแกรมด้วย AI เชื่อถือได้มากขึ้น แต่การวิเคราะห์อัตโนมัติไม่ใช่หลักประกันว่าซอฟต์แวร์จะปลอดภัยในทุกกรณี

วิธีการแบบ formal methods สามารถพิสูจน์คุณสมบัติบางอย่างได้ภายใต้สมมติฐานที่กำหนดไว้ ขณะที่ความน่าเชื่อถือโดยรวมยังขึ้นอยู่กับคุณภาพของข้อกำหนด การทดสอบ และระบบแวดล้อมที่โค้ดนั้นทำงานอยู่

การแพทย์: รวมข้อมูลชีวภาพและข้อมูลผู้ป่วยเข้าด้วยกัน

ในด้านชีวการแพทย์ AI4S มีโครงการที่พยายามรวมข้อมูลหลายประเภท ซึ่งโดยปกตินักวิจัยอาจวิเคราะห์แยกกัน

โครงการ MultiOmicsFM ของ NUS และ A*STAR มีแผนพัฒนา foundation model ที่อ่านข้อมูล DNA, RNA และการทำงานของยีนร่วมกัน โดยใช้ชุดข้อมูลจากประชากรหลายเชื้อชาติในสิงคโปร์ เป้าหมายการวิจัยรวมถึงการศึกษาความเสี่ยงของโรค และการปรับปรุงการออกแบบรวมถึงการส่งมอบการรักษาด้วย mRNA

ส่วนโครงการ BloodCounts! จะพัฒนาแบบจำลอง DeepCBC โดยใช้ค่าพารามิเตอร์ดิบทั้งหมดจากการตรวจความสมบูรณ์ของเม็ดเลือด หรือ CBC ร่วมกับภาพสเมียร์เลือด เพื่อดึงข้อมูลด้านการวินิจฉัยจากการตรวจที่ใช้กันอย่างแพร่หลายให้ได้มากขึ้น และศึกษาว่าข้อมูลที่รวมกันนี้ช่วยคาดการณ์ความเสี่ยงของภาวะต่าง ๆ เช่น โรคหลอดเลือดสมองและมะเร็งได้หรือไม่

อย่างไรก็ตาม นี่เป็นการประยุกต์ใช้ที่อยู่ระหว่างการวิจัย ไม่ใช่ข้อสรุปว่าการตรวจเลือดทั่วไปสามารถวินิจฉัยโรคเหล่านี้ได้ในปัจจุบัน การนำไปใช้ทางคลินิกยังต้องผ่านการตรวจสอบความแม่นยำ การพิจารณาด้านกฎระเบียบ และการพิสูจน์ว่าแบบจำลองทำงานได้อย่างน่าเชื่อถือในประชากรและสถานพยาบาลที่เกี่ยวข้อง

Digital twins ช่วยวางแผนเกษตรและรับมือสภาพภูมิอากาศ

อีกโครงการจะสร้าง digital twins ด้านการเกษตรที่มีองค์ความรู้ทางวิทยาศาสตร์กำกับ สำหรับพื้นที่เพาะปลูกในเอเชียตะวันออกเฉียงใต้ Digital twin คือแบบจำลองเสมือนของพื้นที่จริง ซึ่งจะรวมข้อมูลที่สังเกตได้เข้ากับหลักวิทยาศาสตร์พืช เพื่อสร้างการคาดการณ์และเครื่องมือช่วยตัดสินใจเรื่องการเพาะปลูก การใช้ทรัพยากร และห่วงโซ่อุปทาน

การใส่หลักความรู้ทางการเกษตรเข้าไปมีความสำคัญ เพราะ digital twin ที่สะท้อนข้อจำกัดของระบบเพาะปลูกอาจอธิบายและตรวจสอบได้ง่ายกว่าการคาดการณ์จากแบบจำลองที่ทำงานแบบกล่องดำ แม้ประโยชน์ที่ได้ยังขึ้นอยู่กับคุณภาพ ความครอบคลุม และความทันเวลาของข้อมูลต้นทาง

พอร์ตโฟลิโอทั้ง 8 โครงการยังมีงานออกแบบอินเทอร์เฟซด้วย AI เพื่อยกระดับการขนส่งพลังงานด้วย เมื่อมองรวมกันแล้ว AI4S ครอบคลุมวัสดุ คอมพิวเตอร์ จีโนมิกส์ สุขภาพ พลังงาน เกษตรกรรม และความยืดหยุ่นต่อสภาพภูมิอากาศ ไม่ได้จำกัดอยู่ในอุตสาหกรรมใดอุตสาหกรรมหนึ่ง

โมเดลการทำงานของ AI4S คือวงจรปิดระหว่าง AI กับการทดลอง

แนวคิดร่วมของโครงการเหล่านี้สามารถสรุปเป็นวงจรได้ดังนี้

1. AI ค้นหาและเสนอแนวคิด ไม่ว่าจะเป็นสมมติฐาน วัสดุ ตัวเร่งปฏิกิริยา การออกแบบโมเลกุล โค้ด หรือแนวทางจัดการพื้นที่เกษตร
2. การทดลองทางกายภาพหรือดิจิทัลทดสอบข้อเสนอ ผ่านห้องแล็บอัตโนมัติ การวัดผล การวิเคราะห์ซอฟต์แวร์ หรือแบบจำลองที่ใกล้เคียงกับการใช้งานจริง
3. หลักฐานใหม่ปรับปรุงระบบ ทำให้การคาดการณ์ครั้งต่อไปอิงกับผลลัพธ์ที่สังเกตได้มากขึ้น
4. ผู้เชี่ยวชาญในสาขาตัดสินความสำคัญ ว่าผลลัพธ์นั้นผลิตได้จริง เชื่อถือได้ มีประโยชน์ทางคลินิก หรือเกี่ยวข้องกับสิ่งแวดล้อมหรือไม่

Materials Data Foundry เป็นตัวอย่างที่เห็นภาพชัดที่สุด เพราะถูกออกแบบมาโดยตรงเพื่อเชื่อมการคาดการณ์ของ AI เข้ากับการสังเคราะห์และการวัดผลแบบอัตโนมัติ หลักการเดียวกันนี้ปรากฏในงานคัดกรองตัวเร่งปฏิกิริยา การตรวจสอบซอฟต์แวร์ และการสร้างแบบจำลองชีวการแพทย์ นั่นคือ การคาดการณ์ที่เร็วขึ้นจะมีคุณค่าก็ต่อเมื่อสามารถนำไปสู่หลักฐานที่น่าเชื่อถือได้

ทำไมสิงคโปร์จึงลงทุนใน AI4S

AI4S ยังเป็นยุทธศาสตร์ด้านบุคลากรและโครงสร้างพื้นฐานด้วย NRF วางโครงการนี้ไว้บนความร่วมมือระหว่างนักวิจัย AI กับผู้เชี่ยวชาญด้านวัสดุศาสตร์ วิทยาศาสตร์ชีวภาพ และวิทยาศาสตร์ควอนตัม โดยมีเป้าหมายสร้างนักวิจัยแบบ “สองภาษา” ที่เข้าใจทั้งวิธีการคำนวณและปัญหาทางวิทยาศาสตร์ที่ต้องการแก้

โครงการต่าง ๆ รวมสถาบันในสิงคโปร์ เช่น NUS มหาวิทยาลัยเทคโนโลยีนันยาง (NTU) และ A*STAR เข้ากับพันธมิตรต่างประเทศอย่างมหาวิทยาลัยโตรอนโต Imperial College London มหาวิทยาลัยเคมบริดจ์ และมหาวิทยาลัยเกียวโต โครงการของ Imperial ทั้งสองโครงการจัดผ่าน Imperial Global Singapore ที่วิทยาเขต CREATE ซึ่งเป็นศูนย์กลางความร่วมมือวิจัยนานาชาติ

โครงสร้างเช่นนี้เปิดทางให้สิงคโปร์แข่งขันในงานวิจัยที่ขับเคลื่อนด้วย AI ด้วยการสนับสนุนโครงการโจทย์ใหญ่ สร้างโครงสร้างพื้นฐานด้านการทดลองและดิจิทัลร่วมกัน ดึงพันธมิตรจากทั่วโลก และฝึกนักวิจัยที่สื่อสารได้ทั้งในโลกของแบบจำลองกับโลกของห้องแล็บ

ความสำเร็จจะวัดจากสิ่งที่ผ่านการทดสอบในโลกจริง

AI4S จะถูกประเมินจากผลลัพธ์ที่อยู่รอดหลังออกจากหน้าจอคอมพิวเตอร์ มากกว่าจำนวนคำทำนายที่แบบจำลองสร้างได้ ผลลัพธ์ที่สะท้อนความสำเร็จควรรวมถึง

• สูตรการผลิตวัสดุขั้นสูงที่ทำซ้ำได้
• ตัวเร่งปฏิกิริยาที่ทำงานได้ภายใต้สภาวะใกล้เคียงการใช้งานจริง
• เครื่องมือซอฟต์แวร์ที่แสดงหลักประกันด้านความถูกต้องหรือความน่าเชื่อถือได้อย่างมีนัยสำคัญ
• แบบจำลองชีวการแพทย์ที่ผ่านการตรวจสอบกับชุดข้อมูลและบริบททางคลินิกที่เหมาะสม
• เครื่องมือช่วยตัดสินใจด้านการเกษตรที่ปรับปรุงการพยากรณ์หรือการวางแผนใช้ทรัพยากรได้จริง

ท้ายที่สุด สิงคโปร์กำลังเดิมพันกับ AI ที่ทำงานร่วมกับการทดลอง การพิสูจน์ความถูกต้อง และความเชี่ยวชาญเฉพาะด้าน งบประมาณ 120 ล้านดอลลาร์สิงคโปร์อาจช่วยให้การค้นพบทางวิทยาศาสตร์เป็นระบบมากขึ้น และเร่งเส้นทางจากแนวคิดไปสู่ต้นแบบได้ แต่คำถามสำคัญยังคงอยู่ที่ว่า โครงการทั้ง 8 โครงการจะเปลี่ยนคำทำนายที่น่าสนใจของ AI ให้กลายเป็นเทคโนโลยีที่ขยายการผลิตได้ ปลอดภัย และมีประโยชน์จริงหรือไม่

Materials Data Foundry: แก้ปัญหาจาก “วัสดุที่ทำนายได้” สู่ “วัสดุที่ผลิตได้”

AI อาจค้นพบวัสดุที่ดูมีศักยภาพจากการจำลองในคอมพิวเตอร์ แต่ผลการจำลองไม่ได้รับประกันว่า นักวิจัยจะผลิตวัสดุนั้นได้อย่างสม่ำเสมอ ผลิตในปริมาณมาก หรือได้ประสิทธิภาพตรงตามที่แบบจำลองคาดการณ์ไว้

Materials Data Foundry คือโครงการมูลค่า 10 ล้านดอลลาร์สิงคโปร์ที่จัดตั้งร่วมกันโดยมหาวิทยาลัยแห่งชาติสิงคโปร์ (NUS) และ Acceleration Consortium ของมหาวิทยาลัยโตรอนโต โดยออกแบบมาเพื่อเชื่อมช่องว่างระหว่างการคาดการณ์กับการผลิตจริง

ห้องปฏิบัติการแบบเปิดและทำงานอัตโนมัตินี้จะรวม AI หุ่นยนต์ และระบบวัดผลระหว่างการทดลองเข้าด้วยกัน แทนที่จะพึ่งพาเฉพาะข้อมูลวัสดุจากงานวิจัยที่เผยแพร่แล้ว ระบบจะสร้างข้อมูลจากการทดลองจริง โดยบันทึกความเชื่อมโยงระหว่างเงื่อนไขการสังเคราะห์กับคุณสมบัติของวัสดุ จากนั้นข้อมูลใหม่จะถูกส่งกลับไปปรับปรุงแบบจำลองและช่วยเลือกการทดลองครั้งต่อไป เกิดเป็นวงจรป้อนกลับระหว่างการคาดการณ์กับการทดสอบทางกายภาพ

เป้าหมายของโครงการครอบคลุมการทดลองจำนวนมาก และการพัฒนาสูตรสังเคราะห์ที่ทำซ้ำได้จริง สำหรับวัสดุยุคหลังซิลิคอนหรือวัสดุควอนตัม ตัวเร่งปฏิกิริยาไฟฟ้าเคมีที่เกี่ยวข้องกับไฮโดรเจนสะอาด และสารเคลือบเหล็กที่ทนการกัดกร่อน

ดังนั้น ผลลัพธ์ที่ต้องการจึงไม่ใช่เพียงรายชื่อวัสดุที่ AI คิดว่าน่าสนใจ แต่ต้องเป็นหลักฐานว่า วัสดุเหล่านั้นผลิตอย่างไร และจะประเมินประสิทธิภาพในสภาพจริงได้อย่างไร

ใช้ AI คัดกรองตัวเร่งปฏิกิริยาก่อนลงมือทดลอง

อีกโครงการหนึ่งมูลค่า 10 ล้านดอลลาร์สิงคโปร์ นำโดย A*STAR และ Imperial College London จะพัฒนา Surface Science Foundation Model และแพลตฟอร์มบนคลาวด์ เพื่อคาดการณ์คุณสมบัติของตัวเร่งปฏิกิริยา รวมถึงเงื่อนไขที่เหมาะสมในการสังเคราะห์ตัวเร่งปฏิกิริยาเหล่านั้น งานวิจัยมุ่งไปยังการผลิตเชื้อเพลิงที่สะอาดขึ้น วัตถุดิบจากคาร์บอนไดออกไซด์ และสารเคมีชีวภาพ

คำอธิบายโครงการระบุเป้าหมายเร่งการคัดกรองเชิงคอมพิวเตอร์ได้ 500 เท่า แต่ตัวเลขนี้หมายถึงความเร็วของการคัดกรอง ไม่ได้แปลว่าเชื้อเพลิงหรือกระบวนการผลิตสารเคมีสำเร็จรูปจะเกิดขึ้นเร็วขึ้น 500 เท่า ส่วนคำกล่าวเรื่องการค้นพบที่ “เร็วขึ้นและมีต้นทุนถูกลงเกือบ 5 เท่า” ควรพิจารณาว่าเป็นตัวชี้วัดปลายทางคนละส่วนหรือไม่

บททดสอบที่สำคัญกว่าคือ ตัวเร่งปฏิกิริยาที่ AI คัดเลือกจะทำงานได้ดีในการทดลองจริงหรือไม่ และสามารถพัฒนาเป็นกระบวนการผลิตที่คุ้มค่าได้หรือไม่

ตรวจสอบโค้ดที่ AI เขียนด้วยหลักการพิสูจน์ความถูกต้อง

AI4S ไม่ได้มุ่งเฉพาะวิทยาศาสตร์กายภาพและชีวการแพทย์ แต่ยังมองความน่าเชื่อถือของซอฟต์แวร์เป็นโจทย์วิจัยสำคัญ NUS และ Imperial กำลังพัฒนาเครื่องมือด้านการให้เหตุผลกับโปรแกรม เพื่อวิเคราะห์และทดสอบโค้ด ตรวจสอบคุณสมบัติอย่างเป็นทางการ และพิสูจน์ความถูกต้องเมื่อทำได้ เครื่องมือเหล่านี้จะทดสอบกับซอฟต์แวร์ที่มีความสำคัญสูง เช่น โพรโทคอลเครือข่ายและส่วนประกอบของ Linux kernel

หนึ่งในการใช้งานที่เสนอคือ ให้ AI ตรวจสอบโค้ดที่สร้างโดย AI อีกระบบหนึ่ง วิธีนี้อาจทำให้การเขียนโปรแกรมด้วย AI เชื่อถือได้มากขึ้น แต่การวิเคราะห์อัตโนมัติไม่ใช่หลักประกันว่าซอฟต์แวร์จะปลอดภัยในทุกกรณี

วิธีการแบบ formal methods สามารถพิสูจน์คุณสมบัติบางอย่างได้ภายใต้สมมติฐานที่กำหนดไว้ ขณะที่ความน่าเชื่อถือโดยรวมยังขึ้นอยู่กับคุณภาพของข้อกำหนด การทดสอบ และระบบแวดล้อมที่โค้ดนั้นทำงานอยู่

การแพทย์: รวมข้อมูลชีวภาพและข้อมูลผู้ป่วยเข้าด้วยกัน

ในด้านชีวการแพทย์ AI4S มีโครงการที่พยายามรวมข้อมูลหลายประเภท ซึ่งโดยปกตินักวิจัยอาจวิเคราะห์แยกกัน

โครงการ MultiOmicsFM ของ NUS และ A*STAR มีแผนพัฒนา foundation model ที่อ่านข้อมูล DNA, RNA และการทำงานของยีนร่วมกัน โดยใช้ชุดข้อมูลจากประชากรหลายเชื้อชาติในสิงคโปร์ เป้าหมายการวิจัยรวมถึงการศึกษาความเสี่ยงของโรค และการปรับปรุงการออกแบบรวมถึงการส่งมอบการรักษาด้วย mRNA

ส่วนโครงการ BloodCounts! จะพัฒนาแบบจำลอง DeepCBC โดยใช้ค่าพารามิเตอร์ดิบทั้งหมดจากการตรวจความสมบูรณ์ของเม็ดเลือด หรือ CBC ร่วมกับภาพสเมียร์เลือด เพื่อดึงข้อมูลด้านการวินิจฉัยจากการตรวจที่ใช้กันอย่างแพร่หลายให้ได้มากขึ้น และศึกษาว่าข้อมูลที่รวมกันนี้ช่วยคาดการณ์ความเสี่ยงของภาวะต่าง ๆ เช่น โรคหลอดเลือดสมองและมะเร็งได้หรือไม่

อย่างไรก็ตาม นี่เป็นการประยุกต์ใช้ที่อยู่ระหว่างการวิจัย ไม่ใช่ข้อสรุปว่าการตรวจเลือดทั่วไปสามารถวินิจฉัยโรคเหล่านี้ได้ในปัจจุบัน การนำไปใช้ทางคลินิกยังต้องผ่านการตรวจสอบความแม่นยำ การพิจารณาด้านกฎระเบียบ และการพิสูจน์ว่าแบบจำลองทำงานได้อย่างน่าเชื่อถือในประชากรและสถานพยาบาลที่เกี่ยวข้อง

Digital twins ช่วยวางแผนเกษตรและรับมือสภาพภูมิอากาศ

อีกโครงการจะสร้าง digital twins ด้านการเกษตรที่มีองค์ความรู้ทางวิทยาศาสตร์กำกับ สำหรับพื้นที่เพาะปลูกในเอเชียตะวันออกเฉียงใต้ Digital twin คือแบบจำลองเสมือนของพื้นที่จริง ซึ่งจะรวมข้อมูลที่สังเกตได้เข้ากับหลักวิทยาศาสตร์พืช เพื่อสร้างการคาดการณ์และเครื่องมือช่วยตัดสินใจเรื่องการเพาะปลูก การใช้ทรัพยากร และห่วงโซ่อุปทาน

การใส่หลักความรู้ทางการเกษตรเข้าไปมีความสำคัญ เพราะ digital twin ที่สะท้อนข้อจำกัดของระบบเพาะปลูกอาจอธิบายและตรวจสอบได้ง่ายกว่าการคาดการณ์จากแบบจำลองที่ทำงานแบบกล่องดำ แม้ประโยชน์ที่ได้ยังขึ้นอยู่กับคุณภาพ ความครอบคลุม และความทันเวลาของข้อมูลต้นทาง

พอร์ตโฟลิโอทั้ง 8 โครงการยังมีงานออกแบบอินเทอร์เฟซด้วย AI เพื่อยกระดับการขนส่งพลังงานด้วย เมื่อมองรวมกันแล้ว AI4S ครอบคลุมวัสดุ คอมพิวเตอร์ จีโนมิกส์ สุขภาพ พลังงาน เกษตรกรรม และความยืดหยุ่นต่อสภาพภูมิอากาศ ไม่ได้จำกัดอยู่ในอุตสาหกรรมใดอุตสาหกรรมหนึ่ง

โมเดลการทำงานของ AI4S คือวงจรปิดระหว่าง AI กับการทดลอง

แนวคิดร่วมของโครงการเหล่านี้สามารถสรุปเป็นวงจรได้ดังนี้

1. AI ค้นหาและเสนอแนวคิด ไม่ว่าจะเป็นสมมติฐาน วัสดุ ตัวเร่งปฏิกิริยา การออกแบบโมเลกุล โค้ด หรือแนวทางจัดการพื้นที่เกษตร
2. การทดลองทางกายภาพหรือดิจิทัลทดสอบข้อเสนอ ผ่านห้องแล็บอัตโนมัติ การวัดผล การวิเคราะห์ซอฟต์แวร์ หรือแบบจำลองที่ใกล้เคียงกับการใช้งานจริง
3. หลักฐานใหม่ปรับปรุงระบบ ทำให้การคาดการณ์ครั้งต่อไปอิงกับผลลัพธ์ที่สังเกตได้มากขึ้น
4. ผู้เชี่ยวชาญในสาขาตัดสินความสำคัญ ว่าผลลัพธ์นั้นผลิตได้จริง เชื่อถือได้ มีประโยชน์ทางคลินิก หรือเกี่ยวข้องกับสิ่งแวดล้อมหรือไม่

Materials Data Foundry เป็นตัวอย่างที่เห็นภาพชัดที่สุด เพราะถูกออกแบบมาโดยตรงเพื่อเชื่อมการคาดการณ์ของ AI เข้ากับการสังเคราะห์และการวัดผลแบบอัตโนมัติ หลักการเดียวกันนี้ปรากฏในงานคัดกรองตัวเร่งปฏิกิริยา การตรวจสอบซอฟต์แวร์ และการสร้างแบบจำลองชีวการแพทย์ นั่นคือ การคาดการณ์ที่เร็วขึ้นจะมีคุณค่าก็ต่อเมื่อสามารถนำไปสู่หลักฐานที่น่าเชื่อถือได้

ทำไมสิงคโปร์จึงลงทุนใน AI4S

AI4S ยังเป็นยุทธศาสตร์ด้านบุคลากรและโครงสร้างพื้นฐานด้วย NRF วางโครงการนี้ไว้บนความร่วมมือระหว่างนักวิจัย AI กับผู้เชี่ยวชาญด้านวัสดุศาสตร์ วิทยาศาสตร์ชีวภาพ และวิทยาศาสตร์ควอนตัม โดยมีเป้าหมายสร้างนักวิจัยแบบ “สองภาษา” ที่เข้าใจทั้งวิธีการคำนวณและปัญหาทางวิทยาศาสตร์ที่ต้องการแก้

โครงการต่าง ๆ รวมสถาบันในสิงคโปร์ เช่น NUS มหาวิทยาลัยเทคโนโลยีนันยาง (NTU) และ A*STAR เข้ากับพันธมิตรต่างประเทศอย่างมหาวิทยาลัยโตรอนโต Imperial College London มหาวิทยาลัยเคมบริดจ์ และมหาวิทยาลัยเกียวโต โครงการของ Imperial ทั้งสองโครงการจัดผ่าน Imperial Global Singapore ที่วิทยาเขต CREATE ซึ่งเป็นศูนย์กลางความร่วมมือวิจัยนานาชาติ

โครงสร้างเช่นนี้เปิดทางให้สิงคโปร์แข่งขันในงานวิจัยที่ขับเคลื่อนด้วย AI ด้วยการสนับสนุนโครงการโจทย์ใหญ่ สร้างโครงสร้างพื้นฐานด้านการทดลองและดิจิทัลร่วมกัน ดึงพันธมิตรจากทั่วโลก และฝึกนักวิจัยที่สื่อสารได้ทั้งในโลกของแบบจำลองกับโลกของห้องแล็บ

ความสำเร็จจะวัดจากสิ่งที่ผ่านการทดสอบในโลกจริง

AI4S จะถูกประเมินจากผลลัพธ์ที่อยู่รอดหลังออกจากหน้าจอคอมพิวเตอร์ มากกว่าจำนวนคำทำนายที่แบบจำลองสร้างได้ ผลลัพธ์ที่สะท้อนความสำเร็จควรรวมถึง

• สูตรการผลิตวัสดุขั้นสูงที่ทำซ้ำได้
• ตัวเร่งปฏิกิริยาที่ทำงานได้ภายใต้สภาวะใกล้เคียงการใช้งานจริง
• เครื่องมือซอฟต์แวร์ที่แสดงหลักประกันด้านความถูกต้องหรือความน่าเชื่อถือได้อย่างมีนัยสำคัญ
• แบบจำลองชีวการแพทย์ที่ผ่านการตรวจสอบกับชุดข้อมูลและบริบททางคลินิกที่เหมาะสม
• เครื่องมือช่วยตัดสินใจด้านการเกษตรที่ปรับปรุงการพยากรณ์หรือการวางแผนใช้ทรัพยากรได้จริง

ท้ายที่สุด สิงคโปร์กำลังเดิมพันกับ AI ที่ทำงานร่วมกับการทดลอง การพิสูจน์ความถูกต้อง และความเชี่ยวชาญเฉพาะด้าน งบประมาณ 120 ล้านดอลลาร์สิงคโปร์อาจช่วยให้การค้นพบทางวิทยาศาสตร์เป็นระบบมากขึ้น และเร่งเส้นทางจากแนวคิดไปสู่ต้นแบบได้ แต่คำถามสำคัญยังคงอยู่ที่ว่า โครงการทั้ง 8 โครงการจะเปลี่ยนคำทำนายที่น่าสนใจของ AI ให้กลายเป็นเทคโนโลยีที่ขยายการผลิตได้ ปลอดภัย และมีประโยชน์จริงหรือไม่