Økonomisk boost til digital forskning på Københavns Universitet

I alt har seks forskere fra DIKU netop modtaget en bevilling fra Danmarks Frie Forskningsfond (DFF) til hvert sit forskningsprojekt, som på forskellig vis skal bidrage til udviklingen inden for det digitale område i Danmark.

- Digitalisering er et strategisk vigtigt område ikke kun på DIKU men på hele Københavns Universitet. Flere af projekterne går på tværs af både videnskabelige områder inden for og uden for Københavns Universitet og viser således bredden i det digitale område med anvendelser inden for områder som både klima, sundhed, jura og kommunikation. Det er digitalisering, der giver mening i praksis - ikke digitalisering for digitaliseringens skyld - og det er vi utroligt glade for, at vi nu får mulighed for at bidrage til i endnu højere grad, siger Mads Nielsen, professor og institutleder på DIKU.

Alle projekterne startes op i perioden januar - april 2020.

Overvågning af jordens overflade skal give indsigt i klimaforandringer

I dag indsamles der enorme mængder billededata fra satellitter, som kan hjælpe til at kortlægge og overvåge skovområder, landbrug, byudvidelser, ændringer i vandomfang, nedbrændte områder og meget mere. Denne data er helt afgørende for at kunne nedsætte effekten af den globale opvarmning, da den kan give os information om ændringer i økosystemet, der kan have store konsekvenser for klimaet. Men på nuværende tidspunkt kan de kunstig intelligens (AI) modeller, der benyttes til analyse af denne data, tage uger, måneder og endda år på grund af den store mængde data.

I det nye forskningsprojekt Monitoring Changes in Big Data via Massively-Parallel Artificial Intelligence, vil adjunkt Fabian Gieseke i samarbejde med to andre forskere fra DIKU samt Institut for Geovidenskab og Naturforvaltning (IGN), Danmarks Meteorologiske Institut (DMI) og Wageningen University i Holland udvikle effektive implementeringer af GPU'er (en visuel forarbejdningsenhed der blandt andet benyttes i computerspil) i AI-modeller, der kan analysere denne data mere effektivt end i dag.

Projektet har modtaget 2.876.381 kr.

Mere effektiv søvnanalyse ved hjælp af deep learning

Et stigende antal danskere lider af søvnforstyrrelser, hvilket blandt andet kan korrelere med sygdomme som depression, skizofreni, Parkinsons og Alzheimers. I dag udføres de ca. 3000 søvnstudier, der årligt foretages af Dansk Center for Søvnmedicin, overvejende manuelt, hvilket kræver flere timers arbejde fra det kliniske personale. Der findes deep learning modeller, som kan udføre søvnanalyse, men er ikke udbredt i danske klinikker, da modellerne er komplekse og svære at fortolke og implementere i klinisk praksis.

I projektet U-Sleep (med reference til det neurale netværk U-net) vil professor Christian Igel udvikle et søvnanalysesystem, der kan analysere søvn med højere end menneskelig ydeevne. Dette system er baseret på en anden klasse af deep learning modeller, der er mere robuste i klinisk brug end de nuværende. Disse modeller har ikke tidligere været benyttet inden for dette område, men har vist sig utrolig succesfulde inden for bl.a. medicinsk billedanalyse.

Projektet har modtaget 2.616.761 kr.

Bedre persondata-sikkerhed i offentlig og privat digitalisering

Den stigende digitalisering af offentlige og private institutioner, der behandler personlige data fra forskellige kilder for at yde personaliserede tjenester tilpasset konteksten, stiller nye krav til de programmeringssprog og systemer, der benyttes til at skrive og udføre programmerne med.

I projektet PAPRiCaS: Programming technology foundations for Accountability, Privacy-by-design & Robustness in Context-aware Systems vil professor Thomas Hildebrandt etablere et samarbejde med førende europæiske forskningsmiljøer, der skal bidrage til ny viden og forskningskapacitet inden for udviklingen af programmeringssprog og systemer, der fremadrettet kan sikre korrekt håndtering af persondata, dokumenterbart ansvar og robusthed af it-systemer, der består af mange forskellige dele.

Læs mere om projektet i DFFs pressemeddelelse "Nyt programmeringssprog skal sikre dine personlige data".

Projektet har modtaget 5.900.522 kr.

Fremtidens robotter bliver mere menneskelige

En ny form for robotter har set dagens lys; fleksible og bløde robotter, som kan arbejde sammen med mennesker uden at skade dem. Disse robotter har langt større bevægelsesfrihed, ligesom mennesker, i modsætning til de industrielle, hårde robotter. Det er en stor fordel i mange brugssammenhænge – men det gør det også meget sværere at designe og programmere dem, og der findes endnu ingen teknologi til det.

I det nye projekt Reward Modelling for Soft Robotics AI vil lektor Kenny Erleben, der står i spidsen for verdens førende forskningsgruppe inden for robotsimuleringsmetoder, i samarbejde med IT-Universitetet (ITU), NVIDIA og McGill University i Canada benytte kunstig intelligens til at udvikle teknologi til denne form for robotter. Helt konkret vil de opfinde en læringsmodel, der fortæller computeren, hvordan den skal belønne, at en opgave bliver udført bedre – såkaldt reinforcement learning. Derudover vil man i forløbet også forbedre robottens form og funktion via virtuel simulering.

Læs mere om projektet i DFFs pressemeddelelse "Kunstig intelligens skal gøre det nemmere at styre bløde robotter".

Projektet har modtaget 2.582.150 kr.

Påvisning af kønsbias på sociale medier

Når vi skriver og taler vælger vi, bevidst eller ubevidst, hele tiden hvilke ord vi vil benytte blandt en lang række forskellige ord. Disse valg kan være stærkt påvirket af vores køn og fortælle noget om, hvilken holdning vi har til andre mennesker.

I et pilotstudie har adjunkt Isabelle Augenstein tidligere undersøgt 3,5 mio. engelske bøger for kønsbias for adjektiver og verber. I projektet Detecting Gender-Biased Language on Social Media vil hun tage næste skridt med at opdage og kvantificere kønsbias i forbindelse med navngivne enheder - på et hvilket som helst sprog - med udgangspunkt i politikere på sociale medier. 

Projektet har modtaget 2.875.582 kr.

Computere skal forudsige proteiners tredimensionelle struktur

Proteiner har en tredimensionel struktur, der hænger fundamentalt sammen med deres biologiske funktion. Men opdagelsen af denne tredimensionelle struktur er ofte dyr, tidskrævende og udfordrende - og det er endnu en uløst gåde for computere at forudsige denne struktur.

I projektet Deep Probabilistic Programming for Protein Structure Prediction vil lektor Thomas Hamelryck undersøge det såkaldte proteinfoldingsproblem, som er vigtigt inden for områder som medicin, bioteknologi og videnskab generelt. Han vil gribe problemet an ved at benytte en fremvoksende teknologi inden for machine learning; probabilistisk programmering, som gør det muligt at kombinere deep learning (en af de kraftigste metoder til machine learning) med Bayesisk statistik, som giver mulighed for at tildele usikkerheder til forudsigelser. Derudover vil projektet også bidrage til udviklingen af nye machine learning metoder.

Projektet har modtaget 5.901.438 kr.