From Materials Discovery to Deployment: A Critical Review of Artificial Intelligence Methods Across the Sensor Development Pipeline

Sensoren zijn de stille bewakers van de moderne wereld, de minuscule apparaatjes die de temperatuur van de huid van een patiënt meten, de druk van een autoband, of de aanwezigheid van een giftig gas in de lucht. Decennialang was het creëren van deze apparaten een traag, arbeidsintensief ambacht. Ingenieurs ontdekten een nieuw materiaal, ontwierpen een fysieke structuur eromheen, bouwden een prototype en besteedden vervolgens jaren aan het verfijnen van het recept en het kalibreren van het apparaat totdat het betrouwbaar functioneerde. Deze hele reis, van een vonk van een idee tot een product in de schappen, kon gemakkelijk twintig jaar duren. Onlangs is er een nieuwe kracht de werkplaats binnengekomen: kunstmatige intelligentie. De belofte is dat deze slimme algoritmen niet alleen sensoren beter kunnen laten werken, maar ook de volledige twintigjarige ontwikkelingscyclus kunnen inkorten tot slechts enkele jaren. Dit idee heeft enorme opwinding gegenereerd, met de suggestie dat machines binnenkort sensoren van de toekomst volledig zelfstandig kunnen ontwerpen en bouwen.

Een nieuwe kritische review door onderzoekers van de Dayananda Sagar University in India onderzoekt deze belofte met een scherpe, sceptische blik. De auteurs hebben niet simpelweg elke keer opgesomd dat iemand een computer gebruikte om met een sensor te helpen; in plaats daarvan brachten ze de gehele levenscyclus van sensorcreatie in kaart, van de initiële ontdekking van materialen tot de uiteindelijke inzet in het veld. Ze stelden een eenvoudige maar cruciale vraag: is de versnelling voor elke stap in dit proces echt en bewezen, of is het slechts een hoopvolle gok? Door het bewijs te sorteren in drie categorieën — wat er al wordt gebruikt in fabrieken, wat in een laboratorium is aangetoond maar nog niet op schaal is gebracht, en wat slechts een theoretisch idee is — vonden zij dat de realiteit veel genuanceerder is dan de krantenkoppen doen vermoeden.

De review onthult dat kunstmatige intelligentie al een volwassen, werkend instrument is in specifieke, goed gedefinieerde hoeken van de sensortechniek. In de laatste productiefasen, waar sensoren op siliciumwafers worden gebouwd, worden computer vision-systemen routinematig gebruikt om microscopische defecten op te sporen. Deze systemen zijn zo betrouwbaar dat ze als een standaard onderdeel van het productieproces in de halfgeleiderindustrie worden beschouwd. Op dezelfde manier, zodra een sensor is gebouwd, blijkt kunstmatige intelligentie zeer effectief bij de kalibratie. Sensoren kunnen in de loop der tijd afwijken, waardoor ze naarmate ze ouder worden of het milieu verandert, licht afwijkende metingen geven. Algoritmen kunnen nu leren van een klein aantal referentiesensoren en de rest van een grote groep aanpassen, waardoor de tijd die nodig is voor kalibratie met wel 93 procent wordt verkort. In deze gebieden is de technologie geen toekomstige droom; het is een hedendaagse realiteit die al tijd en geld bespaart.

Het verhaal verandert echter wanneer de onderzoekers kijken naar de eerdere, meer creatieve fasen van ontwikkeling, zoals het ontdekken van nieuwe materialen of het ontwerpen van de fysieke vorm van de sensor. Hier is het bewijs veel dunner. Hoewel computers met indrukwekkende snelheid eigenschappen van nieuwe materialen kunnen voorspellen, vond de review dat deze voorspellingen zelden vertalen naar daadwerkelijke, werkende sensoren die zijn gebouwd en getest. Er zijn voorbeelden van "self-driving laboratories", waar robots chemicaliën mengen en testen zonder menselijke tussenkomst, maar deze successen zijn grotendeels beperkt gebleven tot specifieke soorten chemie en zijn nog niet bewezen effectief te zijn voor de brede variëteit aan sensoren die in de echte wereld worden gebruikt. De auteurs merken op dat hoewel deze robotische labs echt en peer-reviewed zijn, ze momenteel meer lijken op geavanceerde experimenten dan op universele fabrieken.

Misschien wel de meest opvallende bevinding betreft de grootste claim van allemaal: dat kunstmatige intelligentie de volledige twintigjarige ontwikkelingslijn kan comprimeren tot enkele jaren. De auteurs stellen dat deze specifieke visie momenteel een projectie is, en geen bewezen feit. Het is een concept dat is afgeleid uit de meest datarijke wetenschappelijke gebieden, waar computers over enorme hoeveelheden informatie beschikken om van te leren. In de wereld van sensoren is data echter vaak schaars, duur om te genereren en eigendom van bedrijven. Vanwege dit gebrek aan data blijft het idee van een volledig autonome pijplijn die een sensor van begin tot eind ontwerpt, bouwt en test, een theoretische mogelijkheid in plaats van een industriële realiteit. De review benadrukt dat hoewel we krachtige instrumenten hebben voor specifieke taken, we nog niet over één enkel, naadloos systeem beschikken dat de decennialange menselijke inspanning over alle stadia van sensorcreatie kan vervangen.

De onderzoekers wijzen ook op een aanzienlijke kloof in het vakgebied: het gebrek aan gedeelde data en standaard benchmarks. In veel wetenschappelijke disciplines delen onderzoekers hun resultaten openlijk zodat anderen ze kunnen verifiëren. In de sensorontwikkeling is data vaak opgesloten bij private bedrijven of gaat het verloren omdat mislukte experimenten zelden worden gepubliceerd. Deze geheimhouding maakt het moeilijk om te weten of een nieuwe methode van kunstmatige intelligentie werkelijk beter is of gewoon geluk heeft gehad met een specifieke dataset. De auteurs suggereren dat het vakgebied sneller zou vorderen als wetenschappers zich minder zouden richten op het uitvinden van nieuwe algoritmen en meer op het bouwen van gedeelde databases en teststandaarden. Zonder deze fundamenten zal de belofte van een volledig geautomatiseerde toekomst voor sensoren slechts dat blijven: een belofte.

Uiteindelijk dient deze review als een noodzakelijke realiteitscheck voor een vakgebied dat bruist van het optimisme. Het bevestigt dat kunstmatige intelligentie een krachtige partner is in de sensortechniek, maar het is geen toverstaf die elk probleem onmiddellijk oplost. De technologie is klaar voor de klus in gebieden waar de regels duidelijk zijn en data overvloedig aanwezig is, zoals het controleren op defecten of het aanpassen van sensorafwijkingen. Maar voor het creatieve, rommelige werk van het uitvinden van nieuwe materialen en het ontwerpen van complexe apparaten, staat de technologie nog in de kinderschoenen. De weg vooruit, concluderen de auteurs, is niet om een plotselinge revolutie te verwachten, maar om de gedeelde infrastructuur op te bouwen die deze slimme instrumenten eindelijk de kans geeft om hun waarde over de gehele ontwikkelingspijplijn te bewijzen.