Van trial en error naar voorspellen en verifiëren: de impact van AI op onderzoek en ontwikkeling in de productie

Decennialang is onderzoek en ontwikkeling (R&D) in de productie grotendeels afhankelijk geweest van een bewezen maar kostbaar model: trial en error. Wetenschappers en ingenieurs itereren door experimenten, waarbij ze verschillende materiaalformuleringen, coatings of composieten testen, vaak geleid door intuïtie, menselijke expertise en incrementele aanpassingen. Dit proces, hoewel essentieel voor veel doorbraken, is langzaam, verspillend en duur.

Vandaag de dag transformeert AI deze paradigma fundamenteel. In plaats van te vertrouwen op blinde experimenten, kunnen bedrijven nu predict-and-verify-workflows gebruiken: AI-modellen suggereren veelbelovende kandidaten, leiden experimenten en helpen bij de validatie, waardoor het aantal mislukte proeven aanzienlijk wordt verminderd. Deze verschuiving is niet alleen theoretisch, maar levert ook al aanzienlijke voordelen op in gebieden zoals energieverwerking, composieten en oppervlaktebehandelingen.

Waarom traditioneel R&D inefficiënt is

Traditioneel R&D is afhankelijk van menselijke experimenten. Onderzoekers formuleren een materiaal, voeren tests uit, analyseren resultaten, passen aan en herhalen. Elke cyclus kost tijd, middelen en vaak grote hoeveelheden materiaal, vooral in sectoren zoals coatings of geavanceerde composieten.

Dit benadering heeft drie grote nadelen:

1. Hoge kosten: fysieke experimenten verbruiken chemicaliën, energie, laboratoriumtijd en mankracht.
2. Lange tijdslijnen: iteratieve cycli betekenen dat het maanden of jaren kan duren om optimale formuleringen te bereiken.
3. Verspilde middelen: veel experimenten mislukken of leveren slechts incrementele verbeteringen op.

In veel sectoren is deze methode nauwelijks veranderd in een halve eeuw.

Enter AI: voorspellen voordat je probeert

AI verandert dit fundamenteel. In plaats van alles in het lab te testen, kunnen AI-gestuurde modellen voorspellen welke materiaalformuleringen waarschijnlijk zullen werken, filteren onbelovende uit en experimenten slimmer leiden.

De predict-and-verify-workflow gebruikt AI om R&D te stroomlijnen door experimenten te leiden in plaats van te vertrouwen op gokwerk. Eerst worden modellen getraind op bestaande gegevens, zoals eerdere labresultaten en materiaaleigenschappen, om te leren hoe verschillende parameters prestaties beïnvloeden. Ze voorspellen dan welke formuleringen of procescondities het meest waarschijnlijk zijn om specifieke doelen te bereiken, van duurzaamheid tot conductiviteit. Onderzoekers voeren een kleine, gefocuste reeks experimenten uit om deze voorspellingen te valideren, en de resultaten voeden terug naar het model, waardoor de nauwkeurigheid over tijd verbetert. Deze continue lus vermindert het aantal benodigde experimenten aanzienlijk en versnelt ontdekking.

Bijvoorbeeld, bij batterij-R&D, betekende het ontdekken van nieuwe materialen voor elektroden of elektrolyten traditioneel het synthetiseren en testen van tientallen (als niet honderden) varianten. AI-modellen kunnen voorspellen welke combinaties van chemische componenten (bijv. zouten, oplosmiddelen, additieven) waarschijnlijk zijn om prestatiedoelen te bereiken, zoals hogere energiedichtheid of langere cyclustijd, waardoor het aantal dure fysieke tests wordt verminderd.

Waarom generische AI-modellen (zoals ChatGPT) dit niet kunnen

Het is verleidelijk om een krachtig LLM in lab-R&D te droppen en het “uit te vinden” van nieuwe materialen. Echter, in werkelijkheid zijn general-purpose taalmodellen niet geschikt voor natuurkundige wetenschappen.

• LLM’s zijn ontworpen om met tekst te werken, niet met gestructureerde wetenschappelijke gegevens.
• Ze begrijpen moleculaire eigenschappen, thermodynamica of reactiekinetica niet op een mechanistische manier.
• Zonder domeinspecifieke training kunnen ze plausibele maar wetenschappelijk onjuiste combinaties genereren.

Innovatie versnellen naar de markt

Omdat AI experimenten leidt, wordt de weg van concept naar levensvatbaar materiaal dramatisch verkort. In plaats van honderden experimenten uit te voeren, kunnen bedrijven zich richten op een handvol veelbelovende kandidaten, deze testen en opschalen.

De meest succesvolle AI-gestuurde R&D combineert diepe domeinexpertise met sterke datawetenschap, waardoor een partnership ontstaat dat voorspellingen verankert in fysieke realiteit. Chemici waarborgen dat AI-gegenereerde suggesties daadwerkelijk synthetiseerbaar, veilig en schaalbaar zijn, terwijl datawetenschappers modellen bouwen en afstemmen, patronen ontdekken en hypothesen genereren voor experts om te valideren. Als nieuwe experimentele resultaten binnenkomen, verfijnen chemici hun protocollen en datawetenschappers updaten de modellen, waardoor een continue lus ontstaat waarin AI voorstelt, mensen verifiëren en beide partijen leren. Deze deugdzame cyclus verbetert de nauwkeurigheid en versnelt betekenisvolle ontdekking.

Uitdagingen en overwegingen

Hoewel de AI-geactiveerde predict-and-verify-benadering krachtig is, is het geen zilveren kogel. Er zijn belangrijke uitdagingen te overwinnen:

1. Onbereikbaarheid van gegevens: een van de grootste barrières voor het versnellen van R&D is simpelweg het vinden en gebruiken van de benodigde gegevens om effectieve modellen te trainen. Veel van de informatie die wetenschappers en ingenieurs nodig hebben, is verspreid over gesloten systemen, opgeslagen in inconsistente formaten of niet gedigitaliseerd. Zelfs als het beschikbaar is, kan het moeilijk en tijdrovend zijn om gegevens te reinigen, structureren en interpreteren. Dit vertraagt de vooruitgang lang voordat experimenten beginnen.
2. Reproduceerbaarheid: wanneer AI veelbelovende kandidaten voorspelt, is het essentieel dat deze voorspellingen verifieerbaar zijn. Onderzoekers benadrukten onlangs het belang van reproduceerbare materiaalinformatica, vooral in kaders die claimen anorganische materiaaleigenschappen te voorspellen.
3. Interpreteerbaarheid: om AI te vertrouwen in R&D, moeten modellen uitlegbaar zijn. Anders kunnen chemici de aanbevelingen niet vertrouwen of opvolgen. Onderzoek naar uitlegbare AI in de productie heeft laten zien hoe modeluitvoer kan worden gevisualiseerd om ontwerpbeslissingen te leiden.
4. Integratie met bestaande workflows: AI moet menselijke workflows aanvullen, niet vervangen. Laboratoria moeten aanpassen: systemen bouwen voor gegevensopname, feedbacklus tussen modelleren en experimenten, en investeren in samenwerkingsvaardigheden.

Het grotere plaatje: de rol van AI in de toekomst van de productie

De overgang van trial-and-error naar predict-and-verify is meer dan een technische upgrade. Het vertegenwoordigt een culturele verschuiving in R&D. AI zal niet alleen innovatie versnellen, maar ook democratiseren. Kleine bedrijven met minder middelen kunnen concurreren door predictieve modellen te gebruiken om hun experimenten te leiden. De toekomst van productie-R&D zal worden gedefinieerd door intelligente experimenten, waarbij machines en mensen samenwerken in een strakke lus van voorspelling, verificatie en verfijning.

Belangrijk is dat AI niet bedoeld is om wetenschappers of ingenieurs te vervangen. Door repetitieve gegevensverwerking te hanteren en het veld van veelbelovende kandidaten te verkleinen, laat AI wetenschappers meer tijd besteden aan wetenschap en ingenieurs aan engineering. In plaats van mensen uit het proces te automatiseren, versterkt AI menselijke expertise en verwijdert knelpunten die teams ervan weerhouden om op hun volle creatieve en technische potentieel te werken.

Productie-R&D is lang vastgeroest in een cyclus van langzame, middelintensieve trial en error. Met AI verandert dat. Door over te schakelen naar een predict-and-verify-paradigma, kunnen bedrijven radicaal afval, kosten en tijd-tot-markt verminderen en innovatie in kritieke sectoren versnellen.

De meest krachtige toepassingen ontstaan wanneer domeinexperts en datawetenschappers samenwerken, gebruikmakend van gespecialiseerde modellen aangepast aan de fysieke, chemische en structurele eigenschappen van materialen. De belofte van AI in deze context is niet alleen automatisering, maar slimmere experimenten, efficiëntere ontdekking en duurzamere productie.

We gaan een nieuwe tijdperk binnen waarin R&D niet wordt gemeten in mislukte proeven, maar in gevalideerde voorspellingen. De bedrijven die deze benadering omarmen, zullen de volgende golf van industriële innovatie leiden.