Hon har upptäckt ny metod inom artificiell intelligens
Doktoranden Saga Helgadóttirs forskning om så kallade ”mikrosimmare” ledde henne till att upptäcka en ny metod att använda artificiell intelligens. Hennes genombrott har fått internationella forskargrupper att höra av sig, redan innan hennes forskning publicerats.
– Min doktorandforskning handlar i grunden om biohybrida mikrosimmare, alltså bakterier som man lastar med bagage i form av partiklar. Men för att noggrant kunna studera mikrosimmares beteenden insåg jag att jag behövde en ny analytisk metod. Och på så vis flyttade jag fokus till artificiell intelligens och neurala nätverk, säger Saga Helgadóttir, doktorand vid institutionen för fysik på Göteborgs universitet.
Den nya metoden är användbar inom maskininlärning och neurala nätverk, som är underkategorier till artificiell intelligens (AI). Genom metoden bearbetas och analyseras bilder av mikrosimmarna, alltså bakterierna, när dessa samspelar med mikropartiklar i en lösning. Metoden är tillämplig vid studier av alla sorters mikroskopiska organismer och partiklar.
Traditionella, algoritmiska metoder brukar användas i den här typen av forskning. Det innebär att forskaren skriver ett program med en rad regler och parametrar som sedan måste definieras, omdefinieras och optimeras manuellt.
– Bilderna som jag ville studera visade sig vara "brusiga". De innehöll fläckar som störde bakteriernas och partiklarnas positioner. Det innebar att jag var tvungen att byta parametrar hela tiden. Och detta var helt enkelt för tidskrävande eftersom den nödvändiga datamängden vara så stor, säger Saga Helgadóttir.
Maskinen får bestämma reglerna
Istället för att ändra parametrarna i koden manuellt allteftersom, så innebär Saga Helgadóttirs nya metod att maskinen får bestämma vilka "regler" som är tillämpliga på det aktuella problemet. Genom många upprepningar lär sig maskinen sedan att göra korrekta förutsägelser från ingångsdata. För att det ska fungera behövs stora volymer träningsdata med exakta värden.
– Eftersom jag arbetar med partiklar och bakterier så är mina bilder ofta brusiga, säger Saga Helgadóttir.
– Det är lätt att simulera den typen av bilder. Så efter att ha tränat det neurala nätverket på stora mängder simulerad data så testade vi den på riktig experimentell data. Och vi blev överraskade av hur bra det fungerade!
Under sina två sista år som doktorand kommer Saga Helgadóttir att fortsätta utveckla metoden. Hennes forskning har redan väckt stort intresse genom en förhandsvisad version av artikeln, som nu publiceras i sin helhet i Optica, The Optical Society of Americas flaggskeppstidskrift.
Saga Helgadóttir har blivit inbjuden av en forskargrupp vid Max-Planck-institutet i Tyskland för att ge en presentation. Hon har även planer på att utveckla en mjukvarulösning göra metoden enklare att använda, vilket skulle skapa förutsättningar att nå det medicinska forskningsområdet.
Källa: Göteborgs universitet
Den nya metoden är användbar inom maskininlärning och neurala nätverk, som är underkategorier till artificiell intelligens (AI). Genom metoden bearbetas och analyseras bilder av mikrosimmarna, alltså bakterierna, när dessa samspelar med mikropartiklar i en lösning. Metoden är tillämplig vid studier av alla sorters mikroskopiska organismer och partiklar.
Traditionella, algoritmiska metoder brukar användas i den här typen av forskning. Det innebär att forskaren skriver ett program med en rad regler och parametrar som sedan måste definieras, omdefinieras och optimeras manuellt.
– Bilderna som jag ville studera visade sig vara "brusiga". De innehöll fläckar som störde bakteriernas och partiklarnas positioner. Det innebar att jag var tvungen att byta parametrar hela tiden. Och detta var helt enkelt för tidskrävande eftersom den nödvändiga datamängden vara så stor, säger Saga Helgadóttir.
Maskinen får bestämma reglerna
Istället för att ändra parametrarna i koden manuellt allteftersom, så innebär Saga Helgadóttirs nya metod att maskinen får bestämma vilka "regler" som är tillämpliga på det aktuella problemet. Genom många upprepningar lär sig maskinen sedan att göra korrekta förutsägelser från ingångsdata. För att det ska fungera behövs stora volymer träningsdata med exakta värden.
– Eftersom jag arbetar med partiklar och bakterier så är mina bilder ofta brusiga, säger Saga Helgadóttir.
– Det är lätt att simulera den typen av bilder. Så efter att ha tränat det neurala nätverket på stora mängder simulerad data så testade vi den på riktig experimentell data. Och vi blev överraskade av hur bra det fungerade!
Under sina två sista år som doktorand kommer Saga Helgadóttir att fortsätta utveckla metoden. Hennes forskning har redan väckt stort intresse genom en förhandsvisad version av artikeln, som nu publiceras i sin helhet i Optica, The Optical Society of Americas flaggskeppstidskrift.
Saga Helgadóttir har blivit inbjuden av en forskargrupp vid Max-Planck-institutet i Tyskland för att ge en presentation. Hon har även planer på att utveckla en mjukvarulösning göra metoden enklare att använda, vilket skulle skapa förutsättningar att nå det medicinska forskningsområdet.
Källa: Göteborgs universitet