Forskningsprojekt inom AI4Research

AI-accelererade simuleringsmetoder för nya miljövänliga material

Anders Bergman, Institutionen för fysik och astronomi

För att möjliggöra en grön omställning och minska våra globala miljö- och klimatavtryck behövs nya funktionella magnetiska material. Ett lovande sätt att upptäcka dessa material är genom så kallad digital alkemi – att använda datorsimuleringar för att förutspå nya material och deras egenskaper. För att simuleringarna ska ge tillförlitliga resultat krävs realistiska modeller. En utmaning är dock att ju mer noggranna simuleringarna är, desto mer beräkningskraft och tid krävs. Därför är det avgörande att förbättra simuleringsmetoderna så att de blir snabbare och effektivare utan att kompromissa med tillförlitligheten.

I detta projekt kommer vi att utveckla nya, effektiva metoder för att simulera magnetiska material. Vi kombinerar traditionella beräkningar med AI-baserade algoritmer, för att uppnå detta. Målet är att dessa förbättrade metoder ska kunna användas för att identifiera nya magnetiska material, framför allt permanentmagneter och magnetokaloriska material, vilka kan fungera som viktiga komponenter i framtidens gröna teknologier.

Vad ser du fram emot mest under ditt sabbaticalår?
Att få vistas i en dynamisk miljö där jag kan ta del av nya idéer och perspektiv kring AI och knyta värdefulla kontakter. Jag tänker att detta kommer ge mig både inspiration och nya verktyg för min framtida forskning.

Ökad cybersäkerhet genom robust maskininlärning

Christian Rohner, Institutionen för informationsteknologi

Projektet fokuserar på att stärka cybersäkerhet genom att förbättra robustheten av maskininlärningsmodeller för att bättre upptäcka och hantera cyberhot. Projektet berör utmaningar som bristen på attackdata och behovet av att modeller kan anpassa sig till osedda hot och adversariella attacker. Forskningen är strukturerad kring tre huvudområden: (1) Förbättring av träningsdata genom syntetisk datagenerering och simulering, med tekniker som Generative Adversarial Networks (GANs) för att förbättra generalisering utöver den specifika datan som användes för inlärning; (2) Utveckling av robusta modellarkitekturer genom att optimera konfigurationer och använda metoder som ensemblemodeller för att balansera prestanda och motståndskraft; och (3) Utforskning av domänanpassning och attackindikatorer för att dela modeller mellan aktörer, vilket möjliggör pålitlig anpassning till nya sammanhang och effektiv kunskapsdelning.

Vad ser du fram emot mest under ditt sabbaticalår?
Inspiration och tid att integrera AI-baserade metoder i min forskning och mina utbildningsaktiviteter, samtidigt som jag har ett utbyte med kollegor från olika discipliner som också fokuserar på AI.

Ett självkörande laboratorium för utforskning och optimering av optoelektroniska material

Jonathan Staaf Scragg, Institutionen för materialvetenskaper

Mitt mål är att upptäcka nya material med högre prestanda eller bättre hållbarhet för solceller och relaterade energitekniker. För att göra detta behöver vi identifiera kandidater, utveckla syntesprocesser för dem och experimentellt verifiera deras egenskaper för att kunna mäta deras teknologiska potential. Den största utmaningen med att utveckla ett nytt material är att vi arbetar i ett högdimensionellt experimentellt utrymme som först måste utforskas – för att hitta lämpliga förhållanden för att tillverka prover – och sedan optimeras för att uppnå bästa prestanda.

Detta är en uppgift som är idealisk för AI/ML-metoder, men dessa metoder behöver data, och experimentella data är vanligtvis glesa och tids- och resurskrävande att samla in. I detta projekt bygger vi en "självkörande" eller autonom laboratorieuppställning som kan producera stora mängder prover – och därmed stora mängder data – på tunnfilmselektroniska material. Detta gör det möjligt för oss att utveckla utforsknings- och optimeringsstrategier baserade på aktivt maskininlärning för syntesutveckling, där de experimentella förhållandena för varje nytt prov väljs baserat på en Bayesiansk optimeringsstrategi. Den pågående utvecklingen av den autonoma hårdvaran samt AI/ML-metoder på flera nivåer i arbetsflödet är aspekter jag fokuserar på under AI4Research-sabbatsåret.

Vad ser du fram emot mest under ditt sabbaticalår?
Som experimentell materialforskare är användningen av AI/ML-metoder ett nytt steg för mig. Det finns mycket jag behöver lära mig, och samarbete kommer att vara avgörande för framgång i forskningen. Att tillbringa mer tid med AI-specialister, lära mig genom exponering för olika metoder och idéer, och träffa andra forskare i samma situation som jag själv kommer att vara en värdefull upplevelse. Särskilt diskussionen om hur man kopplar domänkunskap till mer generiska AI/ML-metoder är av stort intresse för mig.

.

Maskininlärning för analys av stokastiska elektrokemiska processer

Alina Sekretareva, Institutionen för kemi – Ångström

Elektrokemiska processer är i grunden stokastiska, men traditionella mätmetoder jämnar ofta ut deras diskreta natur genom att medelvärdesbilda över många händelser. Metoder inom single-entity-elektrokemi (SEE) möjliggör däremot studiet av enskilda system och avslöjar stokastiskt beteende som en central egenskap.

Manuell analys av SEE-data är tidskrävande och benägen för mänskliga fel, vilket begränsar utforskningen av sällsynta händelser. Maskininlärningsmetoder (ML) erbjuder en lösning genom att möjliggöra effektiv och opartisk databehandling. Genom att bygga vidare på en tidigare utvecklad ML-algoritm för automatiserad analys av SEE-data syftar detta projekt till att integrera övervakade ML-tekniker i dataanalysflödet för att extrahera information om elektrokemiska processer. Denna integration kommer att förbättra förståelsen av registrerade signaler och ge värdefulla fysikaliska insikter.

Vad ser du fram emot mest under ditt sabbaticalår?
Jag ser fram emot att utbyta idéer om användningen av AI i forskning med kollegor från olika bakgrunder. Denna samarbetsmiljö lovar att vara både intellektuellt stimulerande och transformativ för mitt arbete.