AI4S у Сінгапурі: від гіпотези до матеріалу, ліків і надійного коду

Каталізатори: спочатку цифровий пошук, потім лабораторна перевірка

Окрема програма A*STAR та Імперського коледжу Лондона створюватиме фундаментальну модель поверхневої науки й хмарну платформу. Вони мають прогнозувати властивості каталізаторів та умови їх синтезу для чистіших видів палива, сировини на основі CO₂ та хімічних речовин біологічного походження.

В описі програми зазначено ціль — 500-кратне прискорення обчислювального скринінгу. Тому твердження про те, що процес стане «майже у п’ять разів швидшим і дешевшим», варто сприймати обережно, якщо воно стосується окремого показника на наступному етапі розробки, а не основної програми скринінгу.

ШІ, який може перевіряти код інших систем ШІ

Дослідники з NUS та Імперського коледжу розробляють інструменти програмного міркування. Вони мають автоматично аналізувати, тестувати й формально перевіряти код, а також доводити його коректність. Для старого або недостатньо документованого програмного забезпечення передбачено використання менш формалізованих методів міркування, щоб відновлювати його логіку.

Системи випробовуватимуть на критично важливому програмному забезпеченні, зокрема мережевих протоколах і компонентах ядра Linux. Довгострокова мета — дати AI-агентам змогу перевіряти код, створений іншими AI-системами.

Біомедицина: об’єднати різні рівні біологічних даних

Проєкт MultiOmicsFM, який реалізують NUS та A*STAR, планує створити фундаментальну модель, що одночасно інтерпретуватиме дані ДНК, РНК і активності генів. Для цього використовуватимуть, зокрема, багаторівневі дані, зібрані в різних етнічних групах Сінгапуру. Модель має підтримати дослідження ризиків захворювань та оптимізацію мРНК-терапій.

Інший напрям — BloodCounts!. Його модель DeepCBC навчатимуть на повних необроблених параметрах загального аналізу крові, доповнених зображеннями мазків крові. Завдання полягає в тому, щоб отримати з поширеного аналізу більше діагностичної інформації та допомогти прогнозувати ризики таких станів, як інсульт і рак.

Сільське господарство й кліматична стійкість

NUS та Університет Іллінойсу працюватимуть над цифровими двійниками сільськогосподарських угідь Південно-Східної Азії. Це віртуальні моделі полів і фермерських систем, які поєднують фактичні спостереження з науковими принципами вирощування культур.

Очікуваний результат — не просто непрозорий прогноз, а пояснювані інструменти для ухвалення рішень: коли сіяти, як використовувати ресурси та як планувати ланцюги постачання.

Енергетика, обчислення та інші напрями

До портфеля з восьми проєктів також входить розроблення інтерфейсів за допомогою ШІ для покращення перенесення енергії. Загалом програма охоплює матеріалознавство, обчислення, науки про життя, енергетику, сільське господарство та аналіз крові — тобто не зводиться до одного сектору.

У чому стратегічна логіка програми

Переклад відкриттів у практичні рішення. ШІ може запропонувати перспективний матеріал, молекулу, експеримент або фрагмент коду. Але автоматизовані лабораторії, високопродуктивний скринінг, фізичні вимірювання та формальна верифікація потрібні для перевірки того, чи можна це виготовити, чи безпечно воно та чи справді працює. Materials Data Foundry найкраще ілюструє такий замкнений цикл «модель — експеримент — дані — нова модель».

Підготовка міждисциплінарних кадрів. AI4S прагне виховати «двомовних» науковців — фахівців, які однаково добре орієнтуються у штучному інтелекті та певній галузі, наприклад матеріалознавстві, біології чи квантовій науці. Це має допомогти враховувати наукові запитання, якість даних і обмеження експериментів ще на етапі створення моделей.

Міжнародне позиціонування. Сінгапур поєднує фінансування Національного дослідницького фонду, міжнародні партнерства через платформу CREATE, спільну цифрову та експериментальну інфраструктуру, відкриті інструменти й участь промислових партнерів. Так країна прагне стати майданчиком для досліджень і технологічного трансферу на основі ШІ. Дві програми за участю Імперського коледжу, наприклад, працюють через Imperial Global Singapore у CREATE та розраховані на доступ дослідників з усього світу.

Головне питання для AI4S полягає не в тому, чи зможе модель швидше робити прогнози. Важливо, чи перетворяться ці прогнози на перевірені виробничі протоколи, ефективні каталізатори, надійні докази для клінічних рішень і безпечне програмне забезпечення.