Materials Data Foundry, yapay zekânın üretim sorununa odaklanıyor

Yapay zekâ, simülasyonlarda umut vadeden bir malzeme belirleyebilir. Ancak bu bulgu, malzemenin güvenilir biçimde nasıl üretileceğini, seri üretimde aynı performansın nasıl korunacağını veya modelin öngördüğü özelliklerin gerçek dünyada ortaya çıkıp çıkmayacağını tek başına açıklamaz. Singapur Ulusal Üniversitesi (NUS) ile Toronto Üniversitesi’ne bağlı Acceleration Consortium’un ortak kurduğu 10 milyon Singapur dolarlık Materials Data Foundry, tam da bu tahminden üretime geçiş darboğazını hedefliyor.

Planlanan tesis; yapay zekâ, robotik ve yerinde ölçüm teknolojilerini açık ve otonom bir laboratuvarda bir araya getirecek. Sistem yalnızca yayımlanmış malzeme verilerine dayanmak yerine, sentez koşullarını gerçek performansla ilişkilendiren deneysel veriler üretecek. Bu ölçümler daha sonra modelleri geliştirecek ve bir sonraki deneylerin seçimine yardımcı olacak. Böylece tahmin ile fiziksel test arasında sürekli bir geri besleme döngüsü kurulacak.

Projenin hedefleri arasında çok sayıda deney gerçekleştirmek ve kuantum ya da silikon ötesi malzemeler, temiz hidrojenle ilişkili elektrokatalizörler ve korozyona dayanıklı kaplamalar için pratik ve tekrarlanabilir sentez reçeteleri geliştirmek bulunuyor. Amaç yalnızca yapay zekânın aday olarak gösterdiği bileşiklerin listesini çıkarmak değil; umut vadeden malzemelerin gerçekte nasıl üretilebileceğini ve değerlendirilebileceğini ortaya koyan kanıtlar oluşturmak.

Katalizör tasarımları önce bilgisayarda elenecek

A*STAR ile Imperial College London tarafından yürütülen ayrı bir 10 milyon Singapur dolarlık program, katalizör özelliklerini ve sentez koşullarını tahmin etmek üzere bir Surface Science Foundation Model ile bulut tabanlı bir platform geliştirecek. Araştırma; daha temiz yakıtlar, karbondioksitten elde edilen ham maddeler ve biyobazlı kimyasallar gibi alanlara yönelik.

Programın açıklamasında hesaplamalı tarama sürecini 500 kat hızlandırma hedefi yer alıyor. Bu, tarama aşamasına ilişkin bir hedef; bitmiş bir yakıtın veya kimyasal üretim sürecinin 500 kat daha hızlı geliştirileceği anlamına gelmiyor. Çalışmanın “neredeyse beş kat daha hızlı ve ucuz” olacağı yönündeki ifadeler de farklı bir sonraki aşama ölçütüne dayanmıyorsa temkinli değerlendirilmelidir. Asıl sınav, bilgisayarda seçilen katalizörlerin deneylerde başarılı olması ve uygulanabilir süreçlere dönüştürülebilmesi olacak.

Yapay zekânın yazdığı kod yine yapay zekâ tarafından denetlenecek

AI4S, yazılım güvenilirliğini de bilimsel ve mühendislik açısından araştırılması gereken bir konu olarak ele alıyor. NUS ve Imperial, kodu analiz edip test edebilen, belirli özellikleri biçimsel olarak doğrulayabilen ve mümkün olduğunda doğruluğunu kanıtlayabilen program akıl yürütme araçları geliştiriyor. Bu araçlar, ağ protokolleri ve Linux çekirdeği bileşenleri gibi kritik veya karmaşık yazılımlarda test edilecek.

Önerilen kullanım alanlarından biri, yapay zekâ sistemlerinin başka yapay zekâ sistemleri tarafından üretilen kodu denetlemesi. Bu yaklaşım, yapay zekâ destekli yazılım geliştirmeyi daha güvenilir hâle getirebilir; ancak otomatik analiz, yazılımın her koşulda güvenli olduğuna dair evrensel bir garanti anlamına gelmez. Biçimsel yöntemler, belirli varsayımlar altında tanımlanmış özellikleri kanıtlayabilir. Daha geniş anlamda güvenilirlik ise şartnamelerin, testlerin ve kodun çalıştığı sistemlerin kalitesine bağlı olmaya devam eder.

Sağlık projeleri biyolojik ve klinik verileri birleştiriyor

Biyomedikal alanda program, araştırmacıların çoğu zaman ayrı ayrı incelediği veri türlerini yapay zekâyla bir araya getiren projeler içeriyor.

NUS ve A*STAR’ın MultiOmicsFM projesi, Singapur’un çok etnisiteli veri kümelerinden DNA, RNA ve gen etkinliği verilerini birlikte değerlendiren bir temel model geliştirmeyi planlıyor. Araştırma hedefleri arasında hastalık riskini incelemek ve mRNA tedavilerinin tasarımını ve hücrelere ulaştırılmasını iyileştirmek bulunuyor.

BloodCounts! projesi ise farklı bir yol izliyor. Proje, tam kan sayımı testlerinin tüm ham parametrelerini kan yayması görüntüleriyle birlikte kullanacak bir DeepCBC modeli geliştirecek. Amaç, yaygın olarak kullanılan bu testten daha fazla tanısal bilgi elde etmek ve birleştirilmiş verilerin inme ve kanser gibi durumlarla ilişkili riskleri öngörmeye yardımcı olup olamayacağını araştırmak.

Bunlar ileriye dönük araştırma uygulamaları; rutin kan testlerinin bugün söz konusu hastalıkları teşhis edebildiği anlamına gelmiyor. Klinik kullanım için modelin doğrulanması, düzenleyici incelemelerden geçmesi ve farklı toplumlarda ve sağlık hizmeti ortamlarında güvenilir biçimde çalıştığını gösteren kanıtlar sunması gerekecek.

Dijital ikizler tarım ve iklim dayanıklılığına taşınıyor

Bir başka proje, Güneydoğu Asya’daki tarım arazileri için bilimsel bilgiyle yönlendirilen dijital ikizler oluşturacak. Bu sanal temsillerin gözlemlenen verileri bitki bilimi ilkeleriyle birleştirerek ekim, kaynak kullanımı ve tedarik zincirleri için tahminler ve karar destek araçları üretmesi planlanıyor.

Bilimsel bilginin modele dâhil edilmesi burada önemli. Tarımsal kısıtları yansıtan bir dijital ikiz, yalnızca sonuç üreten ve nasıl çalıştığı belirsiz bir tahmin sistemine kıyasla daha anlaşılır ve sorgulanabilir olabilir. Yine de faydası, kullanılan verilerin kalitesine, kapsama alanına ve güncelliğine bağlı olacak.

Sekiz projelik portföyde enerji taşınımını iyileştirmek üzere yapay zekâyla tasarlanan arayüzler de bulunuyor. Projeler birlikte değerlendirildiğinde malzeme bilimi, hesaplama, genomik, sağlık, enerji, tarım ve iklim dayanıklılığı gibi farklı alanlara yayılıyor; tek bir ticari sektöre odaklanmıyor.

Programın çalışma modeli: yapay zekâ ile deneyler arasında kapalı döngü

Projelerin ortak çalışma mantığı şöyle özetlenebilir:

1. Yapay zekâ arar veya önerir: Hipotezler, malzemeler, katalizörler, moleküler tasarımlar, kodlar ya da tarımsal müdahaleler ortaya koyar.
2. Fiziksel veya dijital deneyler sınar: Otomatik laboratuvarlar, ölçümler, yazılım analizleri veya saha koşullarını yansıtan modeller kullanılarak öneriler test edilir.
3. Yeni kanıt sistemi geliştirir: Elde edilen sonuçlar sonraki tahminleri daha gerçekçi ve gözlemlere daha bağlı hâle getirir.
4. Alan uzmanları karar verir: Bir sonucun üretilebilir, güvenilir, klinik açıdan yararlı veya çevresel açıdan anlamlı olup olmadığını uzmanlar değerlendirir.

Materials Data Foundry, yapay zekâ tahminlerini otomatik sentez ve ölçümle doğrudan bağladığı için bu döngünün en somut örneği. Aynı ilke katalizör taramasında, yazılım doğrulamasında ve biyomedikal modellemede de görülüyor: Daha hızlı tahminler ancak güvenilir kanıta dönüştüklerinde değer taşıyor.

Singapur neden AI4S’e yatırım yapıyor?

Girişim aynı zamanda bir yetenek ve altyapı stratejisi. NRF, AI4S’i malzeme bilimi, yaşam bilimleri ve kuantum bilimi gibi alanlardaki bilim insanlarıyla yapay zekâ araştırmacılarının iş birliğini güçlendirecek şekilde konumlandırıyor. Hedeflerden biri, hem hesaplamalı yöntemleri hem de bu yöntemlerin uygulandığı bilimsel sorunları anlayan “iki dilli” araştırmacılar yetiştirmek.

Projeler; NUS, Nanyang Teknoloji Üniversitesi (NTU) ve A*STAR gibi Singapur kurumlarını Toronto Üniversitesi, Imperial College London, Cambridge Üniversitesi ve Kyoto Üniversitesi gibi uluslararası ortaklarla buluşturuyor. Imperial’ın iki programı, üniversitenin CREATE kampüsünde bulunan Imperial Global Singapore merkezi üzerinden yürütülüyor; yapı uluslararası iş birliğini ve araştırmacıların erişimini destekliyor.

Bu model Singapur’a yapay zekâ destekli bilimsel araştırmada rekabet edebilmek için bir çerçeve sunuyor: Büyük hedefleri olan projeleri finanse etmek, ortak deneysel ve dijital altyapı kurmak, küresel ortakları çekmek ve modeller ile laboratuvarlar arasında köprü kurabilen araştırmacılar yetiştirmek.

Başarı nasıl ölçülecek?

AI4S’in başarısı, modellerin ürettiği tahminlerin sayısından çok, bu tahminlerin gerçek dünya koşullarında ne kadarının ayakta kaldığıyla ölçülecek. En güçlü sonuçlar şunlar olabilir:

• gelişmiş malzemeler için tekrarlanabilir üretim reçeteleri;
• gerçekçi çalışma koşullarında performans gösteren katalizörler;
• anlamlı doğruluk veya güvenilirlik garantileri sunabilen yazılım araçları;
• uygun veri kümelerinde ve klinik ortamlarda doğrulanmış biyomedikal modeller;
• pratikte tahminleri veya kaynak planlamasını iyileştiren tarımsal karar destek araçları.

Singapur’un 120 milyon Singapur dolarlık programı, yapay zekâyı deneyler, doğrulama ve alan uzmanlığıyla birleştirme üzerine kurulmuş bir yatırım. Girişim, bilimsel keşfi daha sistematik hâle getirebilir ve fikirden prototipe giden yolu kısaltabilir. Ancak kritik soru hâlâ yanıtlanmış değil: Sekiz araştırma projesi, yapay zekâ destekli umut verici tahminleri ölçeklenebilir, güvenli ve kullanışlı teknolojilere dönüştürebilecek mi?

Materials Data Foundry, yapay zekânın üretim sorununa odaklanıyor

Yapay zekâ, simülasyonlarda umut vadeden bir malzeme belirleyebilir. Ancak bu bulgu, malzemenin güvenilir biçimde nasıl üretileceğini, seri üretimde aynı performansın nasıl korunacağını veya modelin öngördüğü özelliklerin gerçek dünyada ortaya çıkıp çıkmayacağını tek başına açıklamaz. Singapur Ulusal Üniversitesi (NUS) ile Toronto Üniversitesi’ne bağlı Acceleration Consortium’un ortak kurduğu 10 milyon Singapur dolarlık Materials Data Foundry, tam da bu tahminden üretime geçiş darboğazını hedefliyor.

Planlanan tesis; yapay zekâ, robotik ve yerinde ölçüm teknolojilerini açık ve otonom bir laboratuvarda bir araya getirecek. Sistem yalnızca yayımlanmış malzeme verilerine dayanmak yerine, sentez koşullarını gerçek performansla ilişkilendiren deneysel veriler üretecek. Bu ölçümler daha sonra modelleri geliştirecek ve bir sonraki deneylerin seçimine yardımcı olacak. Böylece tahmin ile fiziksel test arasında sürekli bir geri besleme döngüsü kurulacak.

Projenin hedefleri arasında çok sayıda deney gerçekleştirmek ve kuantum ya da silikon ötesi malzemeler, temiz hidrojenle ilişkili elektrokatalizörler ve korozyona dayanıklı kaplamalar için pratik ve tekrarlanabilir sentez reçeteleri geliştirmek bulunuyor. Amaç yalnızca yapay zekânın aday olarak gösterdiği bileşiklerin listesini çıkarmak değil; umut vadeden malzemelerin gerçekte nasıl üretilebileceğini ve değerlendirilebileceğini ortaya koyan kanıtlar oluşturmak.

Katalizör tasarımları önce bilgisayarda elenecek

A*STAR ile Imperial College London tarafından yürütülen ayrı bir 10 milyon Singapur dolarlık program, katalizör özelliklerini ve sentez koşullarını tahmin etmek üzere bir Surface Science Foundation Model ile bulut tabanlı bir platform geliştirecek. Araştırma; daha temiz yakıtlar, karbondioksitten elde edilen ham maddeler ve biyobazlı kimyasallar gibi alanlara yönelik.

Programın açıklamasında hesaplamalı tarama sürecini 500 kat hızlandırma hedefi yer alıyor. Bu, tarama aşamasına ilişkin bir hedef; bitmiş bir yakıtın veya kimyasal üretim sürecinin 500 kat daha hızlı geliştirileceği anlamına gelmiyor. Çalışmanın “neredeyse beş kat daha hızlı ve ucuz” olacağı yönündeki ifadeler de farklı bir sonraki aşama ölçütüne dayanmıyorsa temkinli değerlendirilmelidir. Asıl sınav, bilgisayarda seçilen katalizörlerin deneylerde başarılı olması ve uygulanabilir süreçlere dönüştürülebilmesi olacak.

Yapay zekânın yazdığı kod yine yapay zekâ tarafından denetlenecek

AI4S, yazılım güvenilirliğini de bilimsel ve mühendislik açısından araştırılması gereken bir konu olarak ele alıyor. NUS ve Imperial, kodu analiz edip test edebilen, belirli özellikleri biçimsel olarak doğrulayabilen ve mümkün olduğunda doğruluğunu kanıtlayabilen program akıl yürütme araçları geliştiriyor. Bu araçlar, ağ protokolleri ve Linux çekirdeği bileşenleri gibi kritik veya karmaşık yazılımlarda test edilecek.

Önerilen kullanım alanlarından biri, yapay zekâ sistemlerinin başka yapay zekâ sistemleri tarafından üretilen kodu denetlemesi. Bu yaklaşım, yapay zekâ destekli yazılım geliştirmeyi daha güvenilir hâle getirebilir; ancak otomatik analiz, yazılımın her koşulda güvenli olduğuna dair evrensel bir garanti anlamına gelmez. Biçimsel yöntemler, belirli varsayımlar altında tanımlanmış özellikleri kanıtlayabilir. Daha geniş anlamda güvenilirlik ise şartnamelerin, testlerin ve kodun çalıştığı sistemlerin kalitesine bağlı olmaya devam eder.

Sağlık projeleri biyolojik ve klinik verileri birleştiriyor

Biyomedikal alanda program, araştırmacıların çoğu zaman ayrı ayrı incelediği veri türlerini yapay zekâyla bir araya getiren projeler içeriyor.

NUS ve A*STAR’ın MultiOmicsFM projesi, Singapur’un çok etnisiteli veri kümelerinden DNA, RNA ve gen etkinliği verilerini birlikte değerlendiren bir temel model geliştirmeyi planlıyor. Araştırma hedefleri arasında hastalık riskini incelemek ve mRNA tedavilerinin tasarımını ve hücrelere ulaştırılmasını iyileştirmek bulunuyor.

BloodCounts! projesi ise farklı bir yol izliyor. Proje, tam kan sayımı testlerinin tüm ham parametrelerini kan yayması görüntüleriyle birlikte kullanacak bir DeepCBC modeli geliştirecek. Amaç, yaygın olarak kullanılan bu testten daha fazla tanısal bilgi elde etmek ve birleştirilmiş verilerin inme ve kanser gibi durumlarla ilişkili riskleri öngörmeye yardımcı olup olamayacağını araştırmak.

Bunlar ileriye dönük araştırma uygulamaları; rutin kan testlerinin bugün söz konusu hastalıkları teşhis edebildiği anlamına gelmiyor. Klinik kullanım için modelin doğrulanması, düzenleyici incelemelerden geçmesi ve farklı toplumlarda ve sağlık hizmeti ortamlarında güvenilir biçimde çalıştığını gösteren kanıtlar sunması gerekecek.

Dijital ikizler tarım ve iklim dayanıklılığına taşınıyor

Bir başka proje, Güneydoğu Asya’daki tarım arazileri için bilimsel bilgiyle yönlendirilen dijital ikizler oluşturacak. Bu sanal temsillerin gözlemlenen verileri bitki bilimi ilkeleriyle birleştirerek ekim, kaynak kullanımı ve tedarik zincirleri için tahminler ve karar destek araçları üretmesi planlanıyor.

Bilimsel bilginin modele dâhil edilmesi burada önemli. Tarımsal kısıtları yansıtan bir dijital ikiz, yalnızca sonuç üreten ve nasıl çalıştığı belirsiz bir tahmin sistemine kıyasla daha anlaşılır ve sorgulanabilir olabilir. Yine de faydası, kullanılan verilerin kalitesine, kapsama alanına ve güncelliğine bağlı olacak.

Sekiz projelik portföyde enerji taşınımını iyileştirmek üzere yapay zekâyla tasarlanan arayüzler de bulunuyor. Projeler birlikte değerlendirildiğinde malzeme bilimi, hesaplama, genomik, sağlık, enerji, tarım ve iklim dayanıklılığı gibi farklı alanlara yayılıyor; tek bir ticari sektöre odaklanmıyor.

Programın çalışma modeli: yapay zekâ ile deneyler arasında kapalı döngü

Projelerin ortak çalışma mantığı şöyle özetlenebilir:

1. Yapay zekâ arar veya önerir: Hipotezler, malzemeler, katalizörler, moleküler tasarımlar, kodlar ya da tarımsal müdahaleler ortaya koyar.
2. Fiziksel veya dijital deneyler sınar: Otomatik laboratuvarlar, ölçümler, yazılım analizleri veya saha koşullarını yansıtan modeller kullanılarak öneriler test edilir.
3. Yeni kanıt sistemi geliştirir: Elde edilen sonuçlar sonraki tahminleri daha gerçekçi ve gözlemlere daha bağlı hâle getirir.
4. Alan uzmanları karar verir: Bir sonucun üretilebilir, güvenilir, klinik açıdan yararlı veya çevresel açıdan anlamlı olup olmadığını uzmanlar değerlendirir.

Materials Data Foundry, yapay zekâ tahminlerini otomatik sentez ve ölçümle doğrudan bağladığı için bu döngünün en somut örneği. Aynı ilke katalizör taramasında, yazılım doğrulamasında ve biyomedikal modellemede de görülüyor: Daha hızlı tahminler ancak güvenilir kanıta dönüştüklerinde değer taşıyor.

Singapur neden AI4S’e yatırım yapıyor?

Girişim aynı zamanda bir yetenek ve altyapı stratejisi. NRF, AI4S’i malzeme bilimi, yaşam bilimleri ve kuantum bilimi gibi alanlardaki bilim insanlarıyla yapay zekâ araştırmacılarının iş birliğini güçlendirecek şekilde konumlandırıyor. Hedeflerden biri, hem hesaplamalı yöntemleri hem de bu yöntemlerin uygulandığı bilimsel sorunları anlayan “iki dilli” araştırmacılar yetiştirmek.

Projeler; NUS, Nanyang Teknoloji Üniversitesi (NTU) ve A*STAR gibi Singapur kurumlarını Toronto Üniversitesi, Imperial College London, Cambridge Üniversitesi ve Kyoto Üniversitesi gibi uluslararası ortaklarla buluşturuyor. Imperial’ın iki programı, üniversitenin CREATE kampüsünde bulunan Imperial Global Singapore merkezi üzerinden yürütülüyor; yapı uluslararası iş birliğini ve araştırmacıların erişimini destekliyor.

Bu model Singapur’a yapay zekâ destekli bilimsel araştırmada rekabet edebilmek için bir çerçeve sunuyor: Büyük hedefleri olan projeleri finanse etmek, ortak deneysel ve dijital altyapı kurmak, küresel ortakları çekmek ve modeller ile laboratuvarlar arasında köprü kurabilen araştırmacılar yetiştirmek.

Başarı nasıl ölçülecek?

AI4S’in başarısı, modellerin ürettiği tahminlerin sayısından çok, bu tahminlerin gerçek dünya koşullarında ne kadarının ayakta kaldığıyla ölçülecek. En güçlü sonuçlar şunlar olabilir:

• gelişmiş malzemeler için tekrarlanabilir üretim reçeteleri;
• gerçekçi çalışma koşullarında performans gösteren katalizörler;
• anlamlı doğruluk veya güvenilirlik garantileri sunabilen yazılım araçları;
• uygun veri kümelerinde ve klinik ortamlarda doğrulanmış biyomedikal modeller;
• pratikte tahminleri veya kaynak planlamasını iyileştiren tarımsal karar destek araçları.

Singapur’un 120 milyon Singapur dolarlık programı, yapay zekâyı deneyler, doğrulama ve alan uzmanlığıyla birleştirme üzerine kurulmuş bir yatırım. Girişim, bilimsel keşfi daha sistematik hâle getirebilir ve fikirden prototipe giden yolu kısaltabilir. Ancak kritik soru hâlâ yanıtlanmış değil: Sekiz araştırma projesi, yapay zekâ destekli umut verici tahminleri ölçeklenebilir, güvenli ve kullanışlı teknolojilere dönüştürebilecek mi?