Forskningsprojekt 2022 AI4Research

Risknarrativet kring AI – en tvärvetenskaplig undersökning

Magnus Strand, institutionen för företagsekonomi

Under 2020 erhöll den forskarmiljö i handelsrätt som jag leder två större anslag till AI-forskning från WASP-HS. Båda dessa projekt (och ytterligare ett som är ligger för bedömning) anknyter till teoretiska frågor om riskbegreppet och det som jag kallar risknarrativet kring AI. Det finns ett behov av att närmare analysera hur risknarrativet används i rättslig argumentation (hos lagstiftare, myndigheter och domstolar) och det är detta som jag avser att genomföra hos AI4Research. En sådan analys kan bidra till självinsikt i den rättsliga diskursen och förhoppningsvis till en informerad och professionaliserad diskussion om risker och möjligheter med AI-tillämpningar. Analysen kan i förlängningen vara till nytta ur regleringssynpunkt.

Vad ser du fram emot mest under ditt sabbatsår?

Förutom att få genomföra mitt projekt ser jag fram emot att lära mig mer om vilka AI-studier som bedrivs inom Uppsala universitet. Förhoppningsvis kan detta möjliggöra nya samarbeten mellan min och andra forskargrupper inom universitetet.

Sparsitetsdriven statistisk inlärning i höga dimensioner

Tatiana Pavlenko, institutionen för statistik

Den långsiktiga relevansen och framgången för moderna artificiell intelligens (AI)-system och teknologier beror kritiskt på teoretiska grunder, och i synnerhet på begrepp och teorem för statistisk inlärningsteori som ger en djup förståelse av den senaste tidens snabba framsteg inom AI. Ett av ämnena av grundläggande betydelse för den moderna teorin om statistisk inlärning är gleshets-återhämtning, det vill säga förmågan att upptäcka glesa informativa signaler från bullriga, högdimensionella data.

I praktiska tillämpningar kombineras gleshet ofta med svaghet, vilket innebär att individuella effekter inte är tillräckligt starka för att kunna detekteras med konventionella statistiska procedurer som t.ex. storskalig multipeltestning. Med tanke på moderna beräkningstekniker är statistiska modeller som kan kombinera gleshet och svaghet med hög dimensionalitet hanterbara och faktiskt attraktiva i praktiken, men effektiv statistisk inlärning i sådana modeller ställer till teoretiskt utmanande problem.

I ett högdimensionellt scenario gäller inte den klassiska Fisher-Le Cam-teorin om optimaliteten hos ML-estimatorer och Bayesiansk posterior inferens, vilket förklarar en uppsjö av nyligen genomförda aktiviteter för att tillhandahålla fullfjädrade inferenciella och algoritmiska möjligheter för dessa modeller. Det aktuella projektet är i linje med dessa forskningsriktningar och syftar till den metodologiska utvecklingen av teorin om glesa signaldetektering och dess tillämpningar på de komplexa, högdimensionella datamängder som uppstår inom modern vetenskap och teknik.

Vad ser du fram emot mest under ditt sabbatsår?

Möjligheten att få tid att fokusera på mina forskningsidéer vilket är väldigt viktigt eftersom det akademiska livet kan vara väldigt intensivt.

Med den genomgripande högdimensionaliteten i modern dataanalys hoppas jag att projektets aktivitet kommer att locka uppmärksamhet från AI4Research Fellows som arbetar inom olika tillämpade områden. Under denna sabbatsperiod hoppas jag på att kunna etablera ett tvärvetenskapligt forskningsnätverk inom AI4 där nya statistiska maskininlärningsmetoder kommer att implementeras och vidareutvecklas för att ge användbara insikter i de praktiska aspekterna av AI-tillämpningar.

Studier av löslighet och permeabilitet för peptidläkemedel genom simulering och artificiell intelligens

Per Larsson, institutionen för farmaci

Vi utvecklar en ”virtuell tarm” som kommer att möjliggöra modellering och simulering av viktiga processer i tarmen i syfte att förstå variationen i biotillgänglighet för peptidläkemedel, idealt på individuell nivå. En av de huvudsakliga begränsningarna för detta är kvantitativt korrekta in silico-förutsägelser av läkemedelslöslighet och permeabilitet. Genom att kombinera fysikbaserad simulering med maskininlärningsalgoritmer hoppas vi kunna utnyttja det bästa av båda dessa världar så att farmaceutiska formuleringar för peptidläkemedel kan designas specifikt för olika individer. I slutändan kommer detta att minska variabiliteten och öka biotillgängligheten för oralt administrerade peptidläkemedel

Vad ser du fram emot mest under ditt sabbatsår?

Att få chansen att göra egen forskning i gränslandet mellan simulering och AI/ML, samt, kanske framförallt, möjligheten att få diskutera min forskning med experter både från andra områden inom universitetet och inom AI, för att hitta synergier.

Prediktion av peripartum depression med hjälp av Mom2b mobilapplikationen och digital fenotypning

Fotis Papadpoulos, institutionen för medicinska vetenskaper

Depression under graviditet eller efter förlossning (peripartum depression (PPD)) är en vanlig (ca 10%), allvarlig och potentiellt livshotande sjukdom med höga samhällskostnader. Förebyggande insatser riktade mot PPD är därför av största vikt, särskilt bland högriskgrupper, men vår nuvarande förmåga att predicera PPD är dålig. Vi föreslår ett nytt, tvärvetenskapligt projekt för att designa, utveckla och utvärdera effektiva och användarcentrerade metoder för att förutsäga PPD. Vi kommer att använda enkätdata, röstinspelningar och digital fenotypning (passivt registrerade data) genom Mom2b-mobilapplikationen för att predicera utvecklingen av PPD under den tredje graviditetstrimestern, såväl som under den tidiga och sena postpartumperioden. Detta kommer att uppnås genom implementering av state-of-the-art metoder för maskininlärning. Slutligen kommer vi att utforska de deltagande kvinnornas erfarenheter, attityder och eventuella problem när de använder Mom2b-mobilapplikationen, och deras förslag på ytterligare förbättringar för att säkerställa ett användarcentrerat tillvägagångssätt i Mom2bs fortsatta utveckling.

Vad ser du fram emot mest under ditt sabbatsår?

Jag ser fram emot att träffa andra forskare som använder maskininlärning för sina projekt och lära från varandras erfarenheter så att jag kan utveckla egen kompetens i detta komplexa lovande fält.

AI-användning för att upptäcka och karakterisera beboeliga exoplanetsers atmosfärer

Oleg Kochukhov, institutionen för astronomi och fysik

Undersöka planeter som kretsar runt andra stjärnor än solen (exoplaneter) är en av de mest spännande och aktiva inriktningarna inom modern forskning i astrofysik. Till början av år 2021 upptäcktes och katalogiserades mer än 4000 exoplaneter. Huvuddelen av dessa upptäckter kom från två indirekta metoder – observation av den radiella hastighetsvariationen hos en värdstjärna orsakad av den kretsande planeten och detektering av stjärnljusdämpning när en planet passerar framför sin värdstjärna. Genom att använda en kombination av dessa tekniker fick astronomer veta att våra närmaste grannar och många andra stjärnor i galaxen har planetsystem. Nästa stora utmaning för exoplanets forskning är att gå från en upptäckt till en detaljerad beskrivning av exoplaneter. Detta kräver att man mäter tryck och temperatur i exoplaneternas atmosfärer och bestämmer deras kemiska sammansättning. Av särskilt intresse är potentiellt beboeliga exoplaneter – mindre steniga världar med atmosfärer som liknar jorden.

Den basala utgångspunkten för exoplanetkarakteriseringsforskning är upptäckt och analys av deras atmosfärspektra – ett komplicerat problem som attackeras av många forskare med de största markbaserade teleskopen och rymdteleskopen världen runt. Men även de mest kraftfulla teleskop som för närvarande finns tillgängliga inte kan urskilja en exoplanets spektral signatur utan sofistikerad och icke-trivial databehandling. Motsvarande beräkningstekniker och datorkoder är inte allmänt tillgängliga, saknar effektivitet och inte tillräckligt omfattande. Nya numeriska metoder behövs omgående för att på bästa sätt kunna använda de data som samlats in genom kostsamma astronomiska experiment. I det här projektet planerar jag att utnyttja kraften hos AI för att ta itu med nyckelproblemet med spetsforskningen på exoplaneter: hur man upptäcker och tolkar spektrala signaturer på en exoplanets atmosfär?

Vad ser du fram emot mest under ditt sabbatsår?

Jag ser fram emot att utöka mina kunskaper inom området AI, lära mig från andra områden, etablera tvärvetenskapliga samarbeten och tillämpa nya forskningsmetoder inom astrofysik.

From Data to Molecular Biophysics

David van der Spoel, institutionen för cell- och molekylärbiologi

Trots 50 år av forskning finns det in någon noggrann matematisk ekvation för att förutspå en molekyls energi från atomkoordinaterna. Jag ämnar använda stora databaser med kvantkemiska beräkningar, tillsammans med empiriska data från mätningar, för att få fram sådana ekvationer. Tidigare har jag använt mig av Monte-Carlo simuleringar och jag hoppas lära mig mer om dessa samt om andra maskininlärningsverktyg.

Vad ser du fram emot mest under ditt sabbatsår?

Att diskutera forskning med kollegorna inom AI4Research, att lära mig nya tekniker.

Vetenskapens många ansikten: AI-drivna metoder för multimodal bildanalys mot tolkningsbar informationsfusion

Natasa Sladoje, institutionen för informationsteknologi

Tekniken hjälper biovetenskaperna att observera vad som tidigare var svårt att ens föreställa sig. Kraftfulla och komplexa avbildningstekniker avslöjar en mängd olika egenskaper hos ett prov – morfologi, kemi, dynamik, funktion – men oftast bara en sådan egenskap åt gången. För full förståelse måste olika kompletterande tekniker kombineras. Syftet med detta projekt är att utforska och utveckla nya tillvägagångssätt för multimodal djup informationsintegration och analys, baserat på inlärda korsmodala representationer och Explainable Artificiell Intelligens (XAI). Vi kommer att bidra till utvecklingen av teoretiskt välgrundade, modalitets- och tillämpnings-agnostiska metoder som möjliggör tillförlitlig, tolkningsbar och pålitlig användning och analys av informationsrik multimodal bilddata. Vi planerar att tillämpa våra utvecklade metoder i ett antal scenarier, främst inom biomedicin, och utvärdera deras potential att främja vardagssjukvården, men också för att stimulera ytterligare forskning och kunskapsupptäckt.

Vad ser du fram emot mest under ditt sabbatsår?

Jag ser fram emot diskussionerna med andra AI4Research-kollegor, som, förväntar jag mig, kommer att inspirera till utforskning av nya idéer och möjliggöra deras utvärdering och förfining. Jag stärker gärna samarbeten och finner synergier genom att undersöka möjliga tillämpningsscenarier i olika vetenskapliga sammanhang där multimodal bilddata används. Sist men inte minst ser jag fram emot den fokuserade forskningstid som detta sabbatsår möjliggör.

Maskininlärning i teoretisk kemi

Roland Lindh Institutionen för kemi – BMC

Kort beskrivning av projekt: Optimiseringsproblem: vi har tidigare demonstrerat att Gaussian Process Regression (GPR) har överlägna egenskaper för optimeringar av molekylära strukturer. Vi vill undersöka detta vidare. Först skulle vi vilja anpassa tekniken till att finna så kallade koniska korsningar mellan flera potentiella energiytor. Det kräver att modellen reproducerar inte en enkel variabel men istället reproducerar matriselementen av Hamiltonmatrisen för minst 2 tillstånd. Vi vill också undersöka och utveckla en lättvikts version av Gradient-Enhanced Kriging (GEK) att användas för optimeringen av parametrarna i vanliga vågfunktionsmodeller. Anledningen till detta är att GEK lider av dålig skalning när antalet parametrar ökar – vågfunktionsmodeller kan lätta ha 102 -109 parameterar – att invertera kovariansmatrisen blir hindrande.

Vad ser du fram emot mest under ditt sabbatsår?

Att arbeta i en stimulerande tvärvetenskaplig miljö.

Explainable AI – vad och varför, inte bara var
Mer användbara förklaringar av deep learning-baserad bildklassificering

Joakim Lindblad, institutionen för informationsteknologi

Med den allt större användningen av AI och djup maskininlärning för att stödja beslutsfattande i alla delar av samhället så finns det ett akut behov av att förklara vad dessa beslut baseras på. Detta har lett till skapandet av det snabbväxande forskningsområdet förklarbar AI (explainable AI). Flera tekniker har utvecklats för att belysa hur AI-systemens beslut fattas. Dagens metoder erbjuder framför allt förklaringar av typen var i bilden, eller möjligen när i videon, de viktiga faktorerna dyker upp. Dessa aktiverings- eller uppmärksamhetsmetoder indikerar var nätverket "tittar" när det fattar ett beslut, men de svarar inte på vad nätverket finner viktigt vid dessa positioner. Är det färg, form, eller textur? De ger heller inte information om hur en kombination av olika egenskaper leder till nätverkets utdata. Är det det faktum att den observerade cellen är ovanligt stor, i kombination med att den har en grov textur, som leder till att den klassificeras som möjligt malign, eller är det kombinationen av ett tjockt kärnhölje och cytoplasmans speciella nyans? Detta projekt syftar till att utveckla metoder som kan leverera sådan typ av information, för att möjliggöra bättre förståelse av beslutsfattande – något som är avgörande för säker användning av AI för kritiska uppgifter, men också för att ge bättre insikt i de underliggande fenomenen och underlätta upptäckt av ny kunskap.

Vad ser du fram emot mest under ditt sabbatsår?

Att få tid att fokusera och gå på djupet med min forskning samt att diskutera och utbyta idéer och erfarenheter med kollegor.

Maskininlärning Accelererad Elektrolyt Modellering och Design

Chao Zhang, institutionen för kemi – Ångström

En elektrolyt är en oumbärlig och kritisk komponent i alla elektrokemiska lagringsenheter. I detta avseende är mitt mål för vistelsen på AI4Research tvåfaldigt: i) att initiera en ny riktning i mitt kontinuerliga arbete med att kombinera djupinlärning och molekylär simulering för modellering av elektrokemiska system; ii) att ta med experimentella och teoretiska kollegor i diskussionen för eventuella nya samarbeten.

Vad ser du fram emot mest under ditt sabbatsår?

En ny och stimulerande miljö på Carolina Rediviva