Forskningsprojekt 2023 AI4Research

Möjligheter och begränsningar med AI

David Sumpter, institutionen för informationsteknologi

Det finns ett stort intresse från allmänheten om hur AI används. Forskare, både inom industrin och akademin, behöver beskriver AI på ett sätt som utnyttjar dess verkliga fördelar, men inte överdriver vad den kan göra. Min forskning kommer att inventera evidens för vad AI kan och kan inte göra i närframtid. Jag kommer också ta lärdomar från min egen forskning, undervisning och industriella samarbeten de senaste åren och titta på hur AI har påverkat AI Research i Uppsala.

Vad ser du fram emot mest under ditt sabbaticalår?

Jag ser framemot att möta och prata med andra forskare om hur de använder AI. En del av mitt projekt är att genomföra strukturerade intervjuer med andra som arbetar på AI4Research, för att ta reda på vilka potentialer och gränser de ser i sitt arbete. Det kommer bli jätte intressant.

Machine Learning Quantum Gravity

Magdalena Larfors, institutionen för fysik och astronomi

Som en teori för kvantgravitation kan strängteori användas för att besvara olösta frågor inom fysiken, allt från mikroskopiska till makroskopiska skalor. Under de senaste åren har maskininlärning (ML) introducerats som ett användbart verktyg i denna forskning. Till exempel har nya ML-verktyg effektiviserat konstruktionen av semi-realistiska strängmodeller för fysik, vilket stärker kopplingen mellan strängteori och den verkliga världen. ML-tekniker verkar särskilt lämpade för att utforska geometrin bakom strängteorin och kan därmed tänkas avslöja nya resultat i matematik i framtiden. Omvänt erbjuder strängteori en gynnsam miljö för experiment i ML: det finns en uppsjö exempel, stora datamängder kan genereras med lätthet och kända villkor från fysik, matematik och geometri kan vägleda studierna. Syftet med mitt projekt är att konsolidera och vidareutveckla nya ML-verktyg för konstruktion och analys av (semi-)realistiska lösningar inom strängteorin som kan användas för att finna nya fysikinspirerade ML-resultat.

Vad ser du fram emot mest under ditt sabbaticalår?

Att verka i en tvärvetenskaplig miljö, lära mig mer om maskininlärning och datavetenskap, använda denna kunskap i min forskning, och skapa nya tvärvetenskapliga samarbeten.

Ett hjärninspirerat inlärningsramverk för data- och energieffektiv AI

Ayca Ozcelikkale, institutionen för elektroteknik

Artificiell intelligens (AI)-metoder kräver vanligtvis långa beräkningstider och mycket energi för beräkning. Nyligen har det visats att beräkningar på neuromorfa chips kan ha upp till 100 000 gånger lägre energifördröjningsprodukt för vissa tillämpningar jämfört med traditionella chips. Trots dessa lovande initiala resultat är det en stor utmaning att utöka dessa framgångar till ett bredare spektrum av tillämpningar på grund av begränsningar hos de inlärningsalgoritmer som är tillämpliga på neuromorfa datorplattformar. Detta projekt fokuserar på denna utmaning. Vårt huvudsakliga verktyg är spikande neurala nätverk (SNN). SNN:er använder spikar för att bearbeta data på ett sätt som liknar hur våra hjärnor bearbetar information. Med hjälp av SNN:er kommer vi att utveckla maskininlärningslösningar som är kompatibla med neuromorf hårdvara. Målet med projektet är att bidra till data- och energieffektiv AI med hjälp av dessa hjärninspirerade lösningar.

Vad ser du fram emot mest under ditt sabbaticalår?

Jag ser fram emot att utbyta idéer och diskutera framtiden för AI med andra forskare.

Djupinlärning för neutrinoastronomi med hög energi

Christian Glaser, institutionen för fysik och astronomi

Djupinlärning har potential att förbättra neutrinoastronomi med hög energi. Jag planerar att använda djupinlärning på flera områden: trigger optimering; rekonstruktion med stora djupa neurala nätverk; optimering av neutrino detektorn med hjälp av differentialprogrammering. Detta kan förbättra den vetenskapliga kapaciteten hos framtida neutrindetektorer. Tidpunkten för detta projekt är perfekt för att påverka IceCube-Gen2 - den största anläggningen för astropartikelfysik för nästa årtionde - vars konstruktion planeras att påbörjas 2027.

Vad ser du fram emot mest under ditt sabbaticalår?

Jag ser fram emot att få träffa andra forskare inom AI/deep learning och få inspiration och idéer från dem. Jag tycker att det är spännande att djupinlärning är tvärvetenskaplig så att liknande tekniker fungerar inom helt olika forskningsområden. Detta ger utmärkta möjligheter att lära sig av varandra.

Autonom forskningsplattform för upptäckande av batterielektrolyter

Erik Berg, institutionen för kemi Ångström

Uppladdningsbara batterier är en idag kritisk teknologi för att balansera det ständigt fluktuerande energiinflödet från vind-/solenergi samt för att erbjuda flexibla och effektiva energitjänster. Batterier består huvudsakligen av två klasser av material, nämligen elektroder och elektrolyter. Dagens forskning inriktar sig idag på elektrolyter, men framstegen är små, främst på grund av bristen på grundläggande förståelse för och den inneboende komplexiteten hos dessa material. Målet med mitt forskningsprojekt är därför att påskynda forskningsprocessen bakom upptäckter av nya elektrolyter genom att koppla datadrivna metoder (AI/ML) med en robotbaserad elektrolytutvärderingsplattform utvecklad i mitt labb.

Vad ser du fram emot mest under ditt sabbaticalår?

Finna inspiration, tid, kamratskap, och stöd för att integrera AI-baserade metodologier i min forskning och undervisning.

Ultrasnabb röntgenavbildning av heterogena och dynamiska prover med djupinlärning

Filipe Maia, institutionen för cell- och molekylärbiologi

Sedan uppfinningen av de första mikroskopen och teleskopen har bildframsteg bidragit till att driva vetenskapliga upptäckter. Att avbilda ömtåliga biologiska partiklar i nanoskala och fånga deras ultrasnabba dynamik är för närvarande i spetsen för detta uppdrag. Ett enda protein eller virus kan inte ge tillräcklig signal för att få en bra bild, så flera partiklar måste beräknas i medeltal för att öka den signalen. Ändå måste man vara försiktig så att medelvärdet av partiklarna alla är lika, annars får vi en suddig bild. Detta projekt syftar till att ta itu med detta exakta sorteringsproblem inom området ultrasnabb röntgenbild, att utforska hur mycket heterogenitet som kan tolereras, och försöka förstå och förklara dynamiken vi observerar.

Vad ser du fram emot mest under ditt sabbaticalår?

Att få en bättre bild av hur AI påverkar andra vetenskapsområden och, genom diskussioner med andra stipendiater, lära av dessa erfarenheter.

Assistive AI, Disability and Norms of Being Human

Amanda Lagerkvist, institutionen för informatik och media

Idag finns en rad billiga AI-hjälpmedel att tillgå för människor med funktionsvariationer. Syftet med projektet är att utforska de normer kring att vara människa, och kring mänsklig subjektivitet, kommunikation och kroppslighet, som kan spåras till samtida AI-design och utveckling, liksom till hur människor med funktionsvariationer approprierar dessa verktyg i sin vardag. Med fokus på existentiella och terapeutiska chatbottar liksom andra former av assistiv AI (appar), studeras AI-labb i Sverige, Tyskland och Schweiz, som tar fram språkmodeller, och patientorganisationer och ideella föreningar i Sverige. Det centrala forskningsproblemet handlar om på vilket sätt funktionsvariationer samspelar med AI-utvecklingen. Med avstamp i kritisk och historisk forskning om relationer mellan funktionsvariationer och teknologi, undersöks om dessa är samskapande fenomen. Syftet är att besvara följande övergripande forskningsfråga: Vilka normer kring att vara människa – och om kroppslighet och självet – uttrycks, skapas, reproduceras eller utmanas av dem som är inblandade i att utveckla assistiv AI samt bland dem vars existens genomsyras och beror av dessa verktyg?

Vad ser du fram emot mest under ditt sabbaticalår?

Fokuserad tid för både fältarbete och skrivande samt möjligheten till nya utbyten med experter på AI inom olika discipliner och fält.

Adressering av replikationkris inom artificiell intelligens

David Johnson, Institutionen för informatik och media

Jag kommer att göra en empirisk analys av AI-forsknings- och replikationsmetoder för att hitta de bästa metoderna som skapar i en verktygssats för AI-forskning. Mitt mål är att projektet ska bidra till att öka robustheten och förtroendet AI-relaterade forskningsresultat i framtiden.