Materials Data Foundry: giải bài toán từ dự đoán đến sản xuất

AI có thể nhanh chóng chỉ ra một vật liệu đáng chú ý trong mô phỏng. Tuy nhiên, kết quả đó chưa trả lời được những câu hỏi mang tính quyết định: sản xuất vật liệu bằng cách nào, ở quy mô lớn ra sao và liệu hiệu năng thực tế có khớp với dự đoán hay không?

Materials Data Foundry, dự án trị giá 10 triệu đôla Singapore do Viện Vật liệu Thông minh Chức năng thuộc Đại học Quốc gia Singapore (NUS) và Acceleration Consortium của Đại học Toronto phối hợp thành lập, tập trung trực tiếp vào nút thắt này.

Cơ sở dự kiến sẽ kết hợp AI, robot và hệ thống đo lường tại chỗ trong một phòng thí nghiệm tự động mở. Thay vì chỉ dựa vào dữ liệu vật liệu đã được công bố, phòng lab sẽ tạo ra dữ liệu thực nghiệm liên kết điều kiện tổng hợp với hiệu năng thực tế của vật liệu. Dữ liệu mới sau đó được đưa trở lại mô hình để cải thiện dự đoán và hướng dẫn thí nghiệm tiếp theo, hình thành vòng lặp liên tục giữa dự báo và kiểm chứng vật lý.

Các mục tiêu được nêu gồm thực hiện số lượng lớn thí nghiệm và xây dựng những công thức tổng hợp có tính thực tiễn, có thể lặp lại. Những hướng nghiên cứu đáng chú ý là vật liệu bán dẫn vượt ra ngoài silicon hoặc vật liệu lượng tử, chất xúc tác điện hóa liên quan đến hydro sạch và lớp phủ thép chống ăn mòn.

Vì vậy, đầu ra mà dự án hướng tới không chỉ là danh sách các vật liệu do AI đề xuất. Quan trọng hơn, đó là bằng chứng cho thấy một vật liệu tiềm năng có thể được sản xuất và đánh giá như thế nào trong điều kiện thực tế.

AI sàng lọc chất xúc tác trước khi các nhà khoa học thử nghiệm

Một dự án trị giá 10 triệu đôla Singapore khác do A*STAR và Imperial College London dẫn dắt sẽ phát triển Surface Science Foundation Model cùng nền tảng điện toán đám mây để dự đoán đặc tính chất xúc tác và điều kiện tổng hợp. Nghiên cứu hướng đến các ứng dụng như nhiên liệu sạch hơn, nguyên liệu đầu vào có nguồn gốc từ carbon dioxide và hóa chất sinh học.

Mô tả chương trình đặt mục tiêu tăng tốc sàng lọc tính toán lên 500 lần. Đây là mục tiêu đối với khâu sàng lọc, không có nghĩa một loại nhiên liệu hoặc quy trình hóa chất hoàn thiện sẽ xuất hiện nhanh hơn 500 lần. Những tuyên bố về việc nghiên cứu có thể nhanh và rẻ hơn “gần 5 lần” cần được đọc thận trọng, trừ khi chúng đề cập đến một chỉ số riêng ở giai đoạn phát triển tiếp theo. Thước đo quan trọng vẫn là liệu các chất xúc tác được máy tính lựa chọn có hoạt động tốt trong thí nghiệm và có thể phát triển thành quy trình khả thi hay không.

Kiểm chứng phần mềm do AI tạo ra

AI4S cũng xem độ tin cậy của phần mềm là một bài toán nghiên cứu khoa học và kỹ thuật. NUS cùng Imperial đang phát triển các công cụ suy luận chương trình có khả năng phân tích, kiểm thử mã, kiểm chứng hình thức và chứng minh tính đúng đắn khi có thể. Các công cụ này hướng tới những phần mềm phức tạp hoặc có hậu quả quan trọng, trong đó có giao thức mạng và các thành phần của nhân Linux.

Một ứng dụng được đề xuất là để hệ thống AI kiểm tra mã do một hệ thống AI khác viết. Cách làm này có thể khiến lập trình có AI hỗ trợ đáng tin cậy hơn, nhưng phân tích tự động không đồng nghĩa với một lời bảo đảm an toàn trong mọi trường hợp. Phương pháp hình thức có thể xác lập một số thuộc tính cụ thể dưới những giả định nhất định; độ tin cậy tổng thể vẫn phụ thuộc vào chất lượng đặc tả, bộ kiểm thử và môi trường mà phần mềm vận hành.

Kết hợp dữ liệu sinh học và lâm sàng

Trong lĩnh vực y sinh, chương trình bao gồm các dự án dùng AI để kết nối những lớp dữ liệu mà các nhà nghiên cứu thường phân tích riêng rẽ.

MultiOmicsFM do NUS và A*STAR thực hiện dự kiến sẽ là một mô hình nền tảng kết hợp dữ liệu DNA, RNA và hoạt động của gene từ các bộ dữ liệu đa sắc tộc tại Singapore. Mục tiêu nghiên cứu gồm tìm hiểu nguy cơ bệnh tật và cải thiện thiết kế, phương thức đưa liệu pháp mRNA vào cơ thể.

Trong khi đó, dự án BloodCounts! sẽ phát triển mô hình DeepCBC, kết hợp toàn bộ thông số thô từ xét nghiệm công thức máu toàn bộ với hình ảnh phết máu. Ý tưởng là khai thác thêm thông tin chẩn đoán từ một xét nghiệm phổ biến và nghiên cứu khả năng dự đoán nguy cơ liên quan đến những tình trạng như đột quỵ và ung thư.

Đây là các hướng nghiên cứu trong tương lai, không phải tuyên bố rằng xét nghiệm máu thông thường hiện đã có thể chẩn đoán những bệnh này. Nếu được đưa vào lâm sàng, các mô hình vẫn cần trải qua quá trình thẩm định, đánh giá của cơ quan quản lý và chứng minh hiệu quả ổn định trên những nhóm dân số cũng như môi trường chăm sóc phù hợp.

Bản sao số cho nông nghiệp và khả năng chống chịu khí hậu

Một dự án khác sẽ xây dựng các bản sao số nông nghiệp có hướng dẫn bằng tri thức cho đất canh tác ở Đông Nam Á. Những mô hình ảo này được thiết kế để kết hợp dữ liệu quan sát với các nguyên lý khoa học cây trồng, từ đó tạo ra dự báo và công cụ hỗ trợ quyết định về thời điểm gieo trồng, sử dụng nguồn lực và chuỗi cung ứng.

Việc đưa tri thức khoa học vào mô hình có ý nghĩa quan trọng. Một bản sao số phản ánh các giới hạn trong nông học có thể dễ diễn giải và dễ được kiểm tra hơn một hệ thống chỉ đưa ra dự đoán khó lý giải. Dù vậy, hiệu quả cuối cùng vẫn phụ thuộc vào chất lượng, phạm vi bao phủ và độ cập nhật của dữ liệu đầu vào.

Danh mục 8 dự án còn có nghiên cứu thiết kế giao diện bằng AI nhằm cải thiện vận chuyển năng lượng. Nhìn tổng thể, AI4S trải rộng từ vật liệu, điện toán, gene, y tế và năng lượng đến nông nghiệp và khả năng chống chịu khí hậu, thay vì chỉ tập trung vào một ngành thương mại duy nhất.

Vòng lặp khép kín giữa AI và thí nghiệm

Điểm chung của các dự án có thể được tóm tắt trong một vòng lặp:

1. AI tìm kiếm hoặc đề xuất giả thuyết, vật liệu, chất xúc tác, thiết kế phân tử, mã nguồn hoặc biện pháp can thiệp trong nông nghiệp.
2. Thí nghiệm vật lý hoặc kỹ thuật số kiểm tra các đề xuất đó thông qua phòng lab tự động, phép đo, phân tích phần mềm hoặc mô hình gần với điều kiện thực địa.
3. Bằng chứng mới cải thiện hệ thống, giúp những dự đoán tiếp theo dựa sát hơn vào kết quả quan sát.
4. Chuyên gia lĩnh vực quyết định giá trị thực tế, chẳng hạn một đầu ra có thể sản xuất, đáng tin cậy, hữu ích trong lâm sàng hoặc phù hợp với môi trường hay không.

Materials Data Foundry là ví dụ rõ nhất cho vòng lặp này vì dự án kết nối trực tiếp dự đoán của AI với tổng hợp và đo lường tự động. Nguyên tắc tương tự cũng xuất hiện trong sàng lọc chất xúc tác, kiểm chứng phần mềm và mô hình y sinh: dự đoán nhanh chỉ có giá trị khi dẫn đến bằng chứng đáng tin cậy.

Vì sao Singapore đầu tư vào AI4S?

AI4S đồng thời là chiến lược phát triển nhân lực và hạ tầng nghiên cứu. NRF định hướng chương trình dựa trên sự hợp tác giữa các nhà nghiên cứu AI với chuyên gia trong những lĩnh vực như khoa học vật liệu, khoa học sự sống và khoa học lượng tử. Mục tiêu được nêu là đào tạo các nhà nghiên cứu “song ngữ” — hiểu cả phương pháp tính toán lẫn vấn đề khoa học mà họ đang giải quyết.

Các dự án quy tụ những tổ chức của Singapore như NUS, Đại học Công nghệ Nanyang (NTU) và A*STAR, cùng các đối tác quốc tế gồm Đại học Toronto, Imperial College London, Đại học Cambridge và Đại học Kyoto. Hai chương trình do Imperial tham gia được triển khai thông qua Imperial Global Singapore tại khu CREATE, một trung tâm dành cho nghiên cứu và hợp tác quốc tế.

Mô hình này cho phép Singapore cạnh tranh trong nghiên cứu do AI thúc đẩy: tài trợ cho các bài toán tham vọng, xây dựng hạ tầng thực nghiệm và kỹ thuật số dùng chung, thu hút đối tác toàn cầu, đồng thời đào tạo những người có thể kết nối mô hình máy tính với phòng thí nghiệm.

Thành công sẽ được đo bằng điều gì?

AI4S sẽ không chỉ được đánh giá qua số lượng dự đoán mà mô hình tạo ra, mà qua những gì vẫn đứng vững khi được đưa vào kiểm chứng thực tế. Các kết quả mạnh nhất có thể bao gồm:

• công thức sản xuất vật liệu tiên tiến có khả năng lặp lại;
• chất xúc tác hoạt động tốt trong điều kiện vận hành thực tế;
• công cụ phần mềm chứng minh được những bảo đảm có ý nghĩa về tính đúng đắn hoặc độ tin cậy;
• mô hình y sinh được thẩm định trên bộ dữ liệu và môi trường lâm sàng phù hợp;
• công cụ hỗ trợ quyết định trong nông nghiệp giúp cải thiện dự báo hoặc lập kế hoạch sử dụng nguồn lực.

Singapore, do đó, đang đặt cược vào AI gắn với thí nghiệm, kiểm chứng và chuyên môn lĩnh vực. Khoản đầu tư 120 triệu đôla Singapore có thể khiến quá trình khám phá khoa học trở nên có hệ thống hơn và rút ngắn con đường từ ý tưởng đến nguyên mẫu. Nhưng câu hỏi then chốt vẫn còn bỏ ngỏ: liệu 8 dự án nghiên cứu này có thể biến những dự đoán đầy hứa hẹn do AI hỗ trợ thành công nghệ quy mô lớn, an toàn và hữu ích hay không.

Materials Data Foundry: giải bài toán từ dự đoán đến sản xuất

AI có thể nhanh chóng chỉ ra một vật liệu đáng chú ý trong mô phỏng. Tuy nhiên, kết quả đó chưa trả lời được những câu hỏi mang tính quyết định: sản xuất vật liệu bằng cách nào, ở quy mô lớn ra sao và liệu hiệu năng thực tế có khớp với dự đoán hay không?

Materials Data Foundry, dự án trị giá 10 triệu đôla Singapore do Viện Vật liệu Thông minh Chức năng thuộc Đại học Quốc gia Singapore (NUS) và Acceleration Consortium của Đại học Toronto phối hợp thành lập, tập trung trực tiếp vào nút thắt này.

Cơ sở dự kiến sẽ kết hợp AI, robot và hệ thống đo lường tại chỗ trong một phòng thí nghiệm tự động mở. Thay vì chỉ dựa vào dữ liệu vật liệu đã được công bố, phòng lab sẽ tạo ra dữ liệu thực nghiệm liên kết điều kiện tổng hợp với hiệu năng thực tế của vật liệu. Dữ liệu mới sau đó được đưa trở lại mô hình để cải thiện dự đoán và hướng dẫn thí nghiệm tiếp theo, hình thành vòng lặp liên tục giữa dự báo và kiểm chứng vật lý.

Các mục tiêu được nêu gồm thực hiện số lượng lớn thí nghiệm và xây dựng những công thức tổng hợp có tính thực tiễn, có thể lặp lại. Những hướng nghiên cứu đáng chú ý là vật liệu bán dẫn vượt ra ngoài silicon hoặc vật liệu lượng tử, chất xúc tác điện hóa liên quan đến hydro sạch và lớp phủ thép chống ăn mòn.

Vì vậy, đầu ra mà dự án hướng tới không chỉ là danh sách các vật liệu do AI đề xuất. Quan trọng hơn, đó là bằng chứng cho thấy một vật liệu tiềm năng có thể được sản xuất và đánh giá như thế nào trong điều kiện thực tế.

AI sàng lọc chất xúc tác trước khi các nhà khoa học thử nghiệm

Một dự án trị giá 10 triệu đôla Singapore khác do A*STAR và Imperial College London dẫn dắt sẽ phát triển Surface Science Foundation Model cùng nền tảng điện toán đám mây để dự đoán đặc tính chất xúc tác và điều kiện tổng hợp. Nghiên cứu hướng đến các ứng dụng như nhiên liệu sạch hơn, nguyên liệu đầu vào có nguồn gốc từ carbon dioxide và hóa chất sinh học.

Mô tả chương trình đặt mục tiêu tăng tốc sàng lọc tính toán lên 500 lần. Đây là mục tiêu đối với khâu sàng lọc, không có nghĩa một loại nhiên liệu hoặc quy trình hóa chất hoàn thiện sẽ xuất hiện nhanh hơn 500 lần. Những tuyên bố về việc nghiên cứu có thể nhanh và rẻ hơn “gần 5 lần” cần được đọc thận trọng, trừ khi chúng đề cập đến một chỉ số riêng ở giai đoạn phát triển tiếp theo. Thước đo quan trọng vẫn là liệu các chất xúc tác được máy tính lựa chọn có hoạt động tốt trong thí nghiệm và có thể phát triển thành quy trình khả thi hay không.

Kiểm chứng phần mềm do AI tạo ra

AI4S cũng xem độ tin cậy của phần mềm là một bài toán nghiên cứu khoa học và kỹ thuật. NUS cùng Imperial đang phát triển các công cụ suy luận chương trình có khả năng phân tích, kiểm thử mã, kiểm chứng hình thức và chứng minh tính đúng đắn khi có thể. Các công cụ này hướng tới những phần mềm phức tạp hoặc có hậu quả quan trọng, trong đó có giao thức mạng và các thành phần của nhân Linux.

Một ứng dụng được đề xuất là để hệ thống AI kiểm tra mã do một hệ thống AI khác viết. Cách làm này có thể khiến lập trình có AI hỗ trợ đáng tin cậy hơn, nhưng phân tích tự động không đồng nghĩa với một lời bảo đảm an toàn trong mọi trường hợp. Phương pháp hình thức có thể xác lập một số thuộc tính cụ thể dưới những giả định nhất định; độ tin cậy tổng thể vẫn phụ thuộc vào chất lượng đặc tả, bộ kiểm thử và môi trường mà phần mềm vận hành.

Kết hợp dữ liệu sinh học và lâm sàng

Trong lĩnh vực y sinh, chương trình bao gồm các dự án dùng AI để kết nối những lớp dữ liệu mà các nhà nghiên cứu thường phân tích riêng rẽ.

MultiOmicsFM do NUS và A*STAR thực hiện dự kiến sẽ là một mô hình nền tảng kết hợp dữ liệu DNA, RNA và hoạt động của gene từ các bộ dữ liệu đa sắc tộc tại Singapore. Mục tiêu nghiên cứu gồm tìm hiểu nguy cơ bệnh tật và cải thiện thiết kế, phương thức đưa liệu pháp mRNA vào cơ thể.

Trong khi đó, dự án BloodCounts! sẽ phát triển mô hình DeepCBC, kết hợp toàn bộ thông số thô từ xét nghiệm công thức máu toàn bộ với hình ảnh phết máu. Ý tưởng là khai thác thêm thông tin chẩn đoán từ một xét nghiệm phổ biến và nghiên cứu khả năng dự đoán nguy cơ liên quan đến những tình trạng như đột quỵ và ung thư.

Đây là các hướng nghiên cứu trong tương lai, không phải tuyên bố rằng xét nghiệm máu thông thường hiện đã có thể chẩn đoán những bệnh này. Nếu được đưa vào lâm sàng, các mô hình vẫn cần trải qua quá trình thẩm định, đánh giá của cơ quan quản lý và chứng minh hiệu quả ổn định trên những nhóm dân số cũng như môi trường chăm sóc phù hợp.

Bản sao số cho nông nghiệp và khả năng chống chịu khí hậu

Một dự án khác sẽ xây dựng các bản sao số nông nghiệp có hướng dẫn bằng tri thức cho đất canh tác ở Đông Nam Á. Những mô hình ảo này được thiết kế để kết hợp dữ liệu quan sát với các nguyên lý khoa học cây trồng, từ đó tạo ra dự báo và công cụ hỗ trợ quyết định về thời điểm gieo trồng, sử dụng nguồn lực và chuỗi cung ứng.

Việc đưa tri thức khoa học vào mô hình có ý nghĩa quan trọng. Một bản sao số phản ánh các giới hạn trong nông học có thể dễ diễn giải và dễ được kiểm tra hơn một hệ thống chỉ đưa ra dự đoán khó lý giải. Dù vậy, hiệu quả cuối cùng vẫn phụ thuộc vào chất lượng, phạm vi bao phủ và độ cập nhật của dữ liệu đầu vào.

Danh mục 8 dự án còn có nghiên cứu thiết kế giao diện bằng AI nhằm cải thiện vận chuyển năng lượng. Nhìn tổng thể, AI4S trải rộng từ vật liệu, điện toán, gene, y tế và năng lượng đến nông nghiệp và khả năng chống chịu khí hậu, thay vì chỉ tập trung vào một ngành thương mại duy nhất.

Vòng lặp khép kín giữa AI và thí nghiệm

Điểm chung của các dự án có thể được tóm tắt trong một vòng lặp:

1. AI tìm kiếm hoặc đề xuất giả thuyết, vật liệu, chất xúc tác, thiết kế phân tử, mã nguồn hoặc biện pháp can thiệp trong nông nghiệp.
2. Thí nghiệm vật lý hoặc kỹ thuật số kiểm tra các đề xuất đó thông qua phòng lab tự động, phép đo, phân tích phần mềm hoặc mô hình gần với điều kiện thực địa.
3. Bằng chứng mới cải thiện hệ thống, giúp những dự đoán tiếp theo dựa sát hơn vào kết quả quan sát.
4. Chuyên gia lĩnh vực quyết định giá trị thực tế, chẳng hạn một đầu ra có thể sản xuất, đáng tin cậy, hữu ích trong lâm sàng hoặc phù hợp với môi trường hay không.

Materials Data Foundry là ví dụ rõ nhất cho vòng lặp này vì dự án kết nối trực tiếp dự đoán của AI với tổng hợp và đo lường tự động. Nguyên tắc tương tự cũng xuất hiện trong sàng lọc chất xúc tác, kiểm chứng phần mềm và mô hình y sinh: dự đoán nhanh chỉ có giá trị khi dẫn đến bằng chứng đáng tin cậy.

Vì sao Singapore đầu tư vào AI4S?

AI4S đồng thời là chiến lược phát triển nhân lực và hạ tầng nghiên cứu. NRF định hướng chương trình dựa trên sự hợp tác giữa các nhà nghiên cứu AI với chuyên gia trong những lĩnh vực như khoa học vật liệu, khoa học sự sống và khoa học lượng tử. Mục tiêu được nêu là đào tạo các nhà nghiên cứu “song ngữ” — hiểu cả phương pháp tính toán lẫn vấn đề khoa học mà họ đang giải quyết.

Các dự án quy tụ những tổ chức của Singapore như NUS, Đại học Công nghệ Nanyang (NTU) và A*STAR, cùng các đối tác quốc tế gồm Đại học Toronto, Imperial College London, Đại học Cambridge và Đại học Kyoto. Hai chương trình do Imperial tham gia được triển khai thông qua Imperial Global Singapore tại khu CREATE, một trung tâm dành cho nghiên cứu và hợp tác quốc tế.

Mô hình này cho phép Singapore cạnh tranh trong nghiên cứu do AI thúc đẩy: tài trợ cho các bài toán tham vọng, xây dựng hạ tầng thực nghiệm và kỹ thuật số dùng chung, thu hút đối tác toàn cầu, đồng thời đào tạo những người có thể kết nối mô hình máy tính với phòng thí nghiệm.

Thành công sẽ được đo bằng điều gì?

AI4S sẽ không chỉ được đánh giá qua số lượng dự đoán mà mô hình tạo ra, mà qua những gì vẫn đứng vững khi được đưa vào kiểm chứng thực tế. Các kết quả mạnh nhất có thể bao gồm:

• công thức sản xuất vật liệu tiên tiến có khả năng lặp lại;
• chất xúc tác hoạt động tốt trong điều kiện vận hành thực tế;
• công cụ phần mềm chứng minh được những bảo đảm có ý nghĩa về tính đúng đắn hoặc độ tin cậy;
• mô hình y sinh được thẩm định trên bộ dữ liệu và môi trường lâm sàng phù hợp;
• công cụ hỗ trợ quyết định trong nông nghiệp giúp cải thiện dự báo hoặc lập kế hoạch sử dụng nguồn lực.

Singapore, do đó, đang đặt cược vào AI gắn với thí nghiệm, kiểm chứng và chuyên môn lĩnh vực. Khoản đầu tư 120 triệu đôla Singapore có thể khiến quá trình khám phá khoa học trở nên có hệ thống hơn và rút ngắn con đường từ ý tưởng đến nguyên mẫu. Nhưng câu hỏi then chốt vẫn còn bỏ ngỏ: liệu 8 dự án nghiên cứu này có thể biến những dự đoán đầy hứa hẹn do AI hỗ trợ thành công nghệ quy mô lớn, an toàn và hữu ích hay không.