Van trial en error naar voorspellen en verifiëren: de impact van AI op manufacturing R&D

Gedurende decennia is onderzoek en ontwikkeling (R&D) in de productie voornamelijk gebaseerd op een bewezen maar kostbaar model: trial en error. Wetenschappers en ingenieurs itereren door experimenten, testen verschillende materiaalformuleringen, coatings of composieten, vaak geleid door intuïtie, menselijke expertise en incrementele aanpassingen. Dit proces, hoewel fundamenteel 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 welke experimenten moeten worden uitgevoerd en helpen bij het valideren ervan, wat het aantal mislukte proeven aanzienlijk vermindert. Deze verschuiving is niet alleen theoretisch, maar levert al belangrijke voordelen op in gebieden zoals energieopslag, composieten en oppervlaktebehandelingen.

Waarom traditionele R&D inefficiënt is

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

Deze benadering heeft drie grote nadelen:

1. Hoge kosten: Fysieke experimenten verbruiken chemicaliën, energie, labtijd en mankracht.
2. Lange tijdslijnen: Iteratieve cycli betekenen dat het maanden of jaren kan duren om te convergeren naar optimale formuleringen.
3. Verspilde middelen: Veel experimenten mislukken of leveren alleen 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 experimenteren op een meer intelligente manier.

De predict-and-verify-workflow gebruikt AI om R&D te stroomlijnen door experimenteren 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 de prestaties beïnvloeden. Ze voorspellen vervolgens 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 toeneemt. Deze continue lus vermindert aanzienlijk het aantal benodigde experimenten en versnelt de ontdekking.

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

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

Het is verleidelijk om een krachtige LLM in lab-R&D te droppen en het “figureren” van nieuwe materialen te laten doen. Echter, in werkelijkheid zijn general-purpose taalmodellen niet goed geschikt voor natuurkunde.

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

Innovatie versnellen naar de markt

Omdat AI experimenteren 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 hoogpotentiële 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 hypotheses 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 de ontdekking van betekenis.

Uitdagingen en overwegingen

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

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 inconsistentieformaten of niet gedigitaliseerd. Zelfs als het beschikbaar is, kan gegevens moeilijk en tijdrovend zijn om te reinigen, te structureren en te interpreteren. Dit vertraagt de vooruitgang lang voordat experimenteren begint.
2. Reproduceerbaarheid: Wanneer AI veelbelovende kandidaten voorspelt, is het cruciaal dat deze voorspellingen verifieerbaar zijn. Onderzoekers benadrukten onlangs het belang van reproduceerbare materiaalinformatie, vooral in kaders die claimen anorganische materiaaleigenschappen te voorspellen.
3. Interpreterbaarheid: Om AI in R&D te vertrouwen, 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. Labs moeten aanpassen: systemen bouwen voor gegevensopname, feedbacklussen tussen modellering en experimenteren implementeren 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 voorspellende modellen te gebruiken om hun experimenten te leiden. De toekomst van productie-R&D zal worden gedefinieerd door intelligente experimentering, waarin 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 behandelen 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 al lang vastgeroest in een cyclus van langzame, middelintensieve trial en error. Met AI verandert dit. Door over te schakelen naar een predict-and-verify-paradigma, kunnen bedrijven radicaal afval, kosten en time-to-market 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 experimentering, 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 aanpak omarmen, zullen de volgende golf van industriële innovatie leiden.