”AI har högre tillit än jag eller mina kollegor” – så förändras kvalitetssäkringen

AI-systemet ska föreslå vilka experiment som ska göras. Robotar framställer och testar materialen. Resultaten matas sedan tillbaka till AI, som lär sig av dem och föreslår vad laboratoriet ska testa härnäst.

Daniel Söderberg, professor i fiberprocesser, leder satsningen tillsammans med Fredrik Lundell, professor i experimentell strömningsmekanik.

– Utgångspunkten handlar om att generera data. Det behövs data för att kunna jobba med AI-modeller och maskininlärning, säger Daniel Söderberg.

Även misslyckanden blir värdefulla

Ett problem när AI ska användas i materialforskningen är att det krävs stora mängder information för att tekniken ska kunna lära sig.

I traditionell forskning kan en forskare ha en idé, framställa ett material och sedan undersöka dess egenskaper. Om försöket inte fungerar går forskaren ofta vidare. De mer omfattande analyserna görs framför allt på material som verkar lovande.

Det innebär att information från många misslyckade försök inte tas till vara, enligt Daniel Söderberg.

– Om vi ska lära oss någonting behöver man all data. Man ska vilja ha de dåliga och de bra, säger han.

För AI-systemet kan ett misslyckande vara lika intressant som ett lyckat försök. För att lära sig vilka vägar som är lovande behöver det också information om vad som inte fungerar.

Polaris ska därför samla in data mer systematiskt och göra betydligt fler experiment än vad som är praktiskt möjligt i ett manuellt laboratorium.

Men Daniel Söderberg betonar att det inte räcker att samla så mycket information som möjligt. Den måste också vara tillförlitlig.

– Det får liksom inte bara vara brus. Vi måste generera högkvalitativa data, säger han.

Standardisering på rätt ställen

När AI-systemet snabbt kan lära sig av ett försök och föreslå nästa väcks också frågan om hur arbetet ska standardiseras.

Polaris består av många olika delar som behöver kunna kommunicera med varandra. Ett system framställer materialet, ett annat mäter resultatet och ytterligare delar analyserar informationen och bestämmer vad som ska testas härnäst.

Fredrik Lundell menar att det blir viktigt att tydligt bestämma hur de olika delarna ska kopplas samman. Men det betyder inte nödvändigtvis att varje steg måste standardiseras på samma sätt.

– Det är inte säkert att den standardiserade modulen är rätt för alla nivåer. Var man lägger de här gränssnitten och att respektive gränssnitt är väl definierat, det tänker jag är nycklarna, säger Fredrik Lundell.

Daniel Söderberg resonerar i samma riktning. När systemen utvecklas och förändras snabbt kan det bli svårt att försöka låsa varje del av processen vid en bestämd standard, det viktiga är att ta med all data.

– Det är inte standardens död, men kanske kan man inte jaga standard i alla delsteg, säger han.

Det betyder inte att standardiserade mätningar blir oviktiga. Tvärtom kan de fortfarande behövas för att i slutänden kontrollera att resultat går att jämföra och lita på.

Skillnaden ligger snarare i var standardiseringen behöver ske.

Daniel Söderberg tar mätningar som exempel. AI-systemet skulle kunna lära sig att förutsäga resultatet av en etablerad standardiserad mätning utan att samma mätning behöver göras efter varje experiment. När forskarna till slut har hittat ett lovande material behöver resultatet däremot kunna kontrolleras mot etablerade metoder.

Mer data ställer krav på spårbarhet

Polaris ska inte bara göra fler experiment. Forskarna vill också behålla mer av informationen från dem.

Enligt Daniel Söderberg försvinner mycket information i dagens forskning eftersom misslyckade försök sällan publiceras. Resultaten kan stanna hos den enskilda forskaren eller forskargruppen trots att de skulle kunna vara användbara i andra sammanhang.

I ett automatiserat laboratorium kan mängden information dessutom växa snabbt. Då behöver det gå att följa vad som har gjorts, vilka data som har skapats och hur resultaten har använts när systemet väljer nästa steg.

Det ställer samtidigt krav på själva laboratoriet. Det räcker inte att en robot kan tillverka hundratals prover om nästa maskin inte kan hantera eller mäta dem. Hela kedjan måste fungera tillsammans.

”Högre tillit än alla mina kollegor”

När AI får större inflytande över vilka experiment som ska göras uppstår en annan fråga: hur mycket går det egentligen att lita på tekniken? Daniel Söderberg konstaterar att diskussionen om AI ofta handlar om just bristande tillit. Själv har han en annan syn.

– Jag tänker att när det gäller de senaste AI-modellerna, där man ofta får höra att den inte går att lita, så skulle jag säga att den har högre tillit än jag eller mina kollegor individuellt.

Men större tillit till tekniken innebär inte att människan försvinner ur processen.

Daniel Söderberg ser i stället en viktig mänsklig uppgift i att bestämma vad systemet ska försöka åstadkomma.

Ett nytt material ska sällan bara vara så starkt som möjligt. Det kan samtidigt behöva tåla fukt, behålla sin form och leda eller isolera värme på ett visst sätt. Någon måste alltså formulera vilka egenskaper som är viktiga och hur de ska vägas mot varandra.

– Människans uppgift som individ och i grupp blir att formulera målbilder, säger Daniel Söderberg.

När forskarna har satt målet kan AI-systemet hjälpa till att söka efter vägen dit. Det föreslår ett experiment, lär sig av resultatet och använder kunskapen för att välja nästa.

Men hur vet man att AI har rätt?

Att Daniel Söderberg har hög tillit till AI betyder inte att forskarna kan lämna över arbetet utan kontroll. En central del av Polaris blir att kunna visa att systemet faktiskt går att lita på.

Fredrik Lundell beskriver kvalitetssäkringen i flera steg. Först behöver forskarna samla tillräckligt mycket bra data för att AI-systemet ska kunna lära sig.

Sedan kommer ett tuffare test: kan det förutse resultatet av ett experiment som ännu inte har gjorts?

– Sättet att kvalitetssäkra resultatet är förstås att utifrån modellerna ställa hypoteser och se: kan du förutse resultatet? säger Fredrik Lundell.

Forskarna kan därefter genomföra experimentet och kontrollera om förutsägelsen stämmer.

Nästa test blir att se om systemet också kan hjälpa forskarna att snabbare hitta material med de egenskaper de söker. Det skulle exempelvis kunna vara ett material som både är starkt och tål vatten.

Då räcker det inte att AI är bra på att förutsäga vad som kommer att hända. Den behöver också kunna hjälpa forskarna att närma sig det mål som de har satt upp.

Än så länge återstår mer handfasta problem. Forskarna måste få laboratoriets olika delar att fungera tillsammans och kunna framställa prover som är tillräckligt jämna för att robotarna ska kunna hantera och mäta dem.

Det är först när hela den kedjan fungerar som forskarna kan börja pröva hur långt det självlärande laboratoriet går att driva.