Dalam survei Matlantis, 73% peneliti disebut bersedia menukar sedikit akurasi demi hasil yang 100 kali lebih cepat. Angka itu menunjukkan arah baru dalam penemuan material, ketika kecepatan mulai dipandang lebih penting daripada mengejar simulasi yang terlalu sempurna.
Kebutuhan itu muncul karena banyak proyek riset tidak punya cukup waktu untuk diselesaikan sampai akhir. Masih dari survei yang sama, 94% tim mengaku pernah membatalkan sebagian proyek simulasi karena keterbatasan waktu.
AI dipakai untuk mempercepat, bukan menggantikan
Di bidang material sains, AI tidak hadir untuk menyingkirkan metode lama, tetapi untuk mempercepat bagian yang paling berat. Teknologi ini membantu menyaring kandidat material, mendukung simulasi, dan mempersempit ruang pencarian agar eksperimen bisa diarahkan ke opsi yang paling menjanjikan.
Joshua Young, senior application scientist di Matlantis, menyebut AI lebih sering digunakan bersama alur kerja yang sudah mapan. Banyak peneliti tetap menggabungkan simulasi berbasis AI dengan metode fisika konvensional seperti density functional theory.
Pola itu menunjukkan bahwa AI masih berperan sebagai lapisan tambahan. Metode tradisional tetap menyumbang sedikit mayoritas dari total beban kerja, sehingga proses riset belum sepenuhnya berpindah ke sistem berbasis AI.
Akurasi tidak selalu harus sempurna
Bagi banyak spesialis komputasi, toleransi terhadap sedikit kompromi masih dianggap wajar jika hasilnya jauh lebih cepat. Dalam survei Matlantis, deviasi sekitar lima hingga 10 millielectronvolts per atom masih bisa diterima selama tren ilmiahnya tetap terbaca.
Kondisi tersebut membuat peneliti lebih fokus pada seberapa cepat sebuah kandidat bisa disaring. Simulasi yang cukup tepat untuk memberi petunjuk awal dinilai lebih berguna daripada hasil yang sangat presisi tetapi memakan waktu terlalu lama.
Pergeseran cara pandang ini juga terlihat dari pemakaian platform simulasi native AI. Sekitar setengah tim yang disurvei sudah menggunakan platform seperti itu dalam produksi.
Efisiensi yang sudah terasa di lapangan
Manfaat AI-accelerated simulation mulai terlihat dalam bentuk penghematan nyata. Organisasi yang menggunakannya melaporkan rata-rata penghematan sekitar US$109.000 per proyek, terutama karena berkurangnya eksperimen fisik, biaya komputasi yang lebih rendah, dan siklus uji yang lebih cepat.
Salah satu contoh datang dari perusahaan kimia yang mengevaluasi 13 kandidat perbaikan katalis. Dengan metode konvensional, proses itu diperkirakan memakan waktu dua atau tiga tahun, tetapi simulasi berbasis AI menghasilkan kesimpulan yang sama hanya dalam enam minggu.
Contoh lain muncul dari riset baterai solid-state. Dalam kasus itu, peneliti berhasil menyaring 32 juta kandidat material dalam waktu kurang dari seminggu, padahal metode tradisional bisa memerlukan puluhan tahun.
Tetap butuh manusia di dalam proses
Meski otomatisasi makin berkembang, sistem yang sepenuhnya otonom masih belum mudah diwujudkan. Young menyoroti hambatan utama berupa data yang tersebar dan belum terhubung rapat di seluruh proses riset.
Tantangan juga muncul dari perbedaan format data. Simulasi umumnya menghasilkan keluaran berbasis teks, sementara eksperimen memunculkan gambar, spektrum, dan data mikroskopi.
Karena itu, konsep human in the loop tetap penting. Manusia masih dibutuhkan untuk menafsirkan hasil, menentukan arah eksperimen, dan memberi konteks ilmiah agar keputusan tidak meleset dari tujuan riset.
Kepercayaan dan keamanan tetap menjadi perhatian
Survei Matlantis menunjukkan hanya sekitar 14% peneliti yang mengaku sangat percaya pada sistem AI. Angka itu menjelaskan mengapa pengawasan ahli masih dianggap perlu, terutama untuk mencegah kesalahan interpretasi sejak awal.
Masalah “junk in, junk out” tetap bisa muncul jika data awal atau pembacaan hasil tidak akurat. Karena itu, AI dinilai paling efektif saat bekerja berdampingan dengan domain expert, bukan saat mencoba menggantikan seluruh proses pengambilan keputusan.
Di sisi lain, keamanan data juga menjadi hal sensitif karena material baru bisa bernilai sangat tinggi bagi bisnis. Young menyebut banyak perusahaan meminta perlindungan ketat seperti private cloud atau solusi on-premise agar data tetap aman.
Kendali atas data pun tetap berada di tangan pengguna. Dalam pendekatan seperti itu, vendor tidak ikut mencampuri urusan kekayaan intelektual sehingga nilai temuan riset tetap terlindungi.
Arah berikutnya masih terbuka
Ke depan, penyaringan skala besar diperkirakan akan menjadi langkah awal yang umum dalam proyek material baru. Setelah itu, laboratorium self-driving mulai dipandang sebagai arah berikutnya untuk mempercepat siklus penemuan.
Dalam skenario tersebut, simulasi akan memicu eksperimen robotik, lalu hasil eksperimen dipakai lagi untuk memperbarui model AI. Pola ini membuat penemuan material bergerak lebih cepat tanpa harus melepaskan peran ilmiah manusia yang tetap menjadi pengarah utama.
