Automatisering av systemspecifik modellbaserad inlärning
- Diarienummer
- RIT15-0012
- Start- och slutdatum
- 160701-220630
- Beviljat belopp
- 28 357 016 kr
- Förvaltande organisation
- Uppsala University
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Detta projekt kommer att tillhandahålla nya abstraktioner och algoritmer som möjliggör för systemingenjörer att med en bråkdel av dagens ansträngning konstruera smarta system av betydligt högre komplexitet. Dessa abstraktioner beskrivs med probabilistiska modeller som automatiskt kombineras med data och lämpliga maskininlärningsmetoder. Specifikt kommer vi att utveckla ett nytt modelleringsspråk, tillsammans med nya modeller och maskininlärningalgoritmer. Slutresultatet är en automatiserad lösning för användningsspecifik modellbaserad maskininlärning. Tillsammans med våra partnerföretag och slutanvändare (Autoliv, Greenely, Karolinska och ABB), har vi valt ut demonstratorer som driver vår forskning och säkerställer projektets direkta relevans för svensk industri. Dessa demonstratorer innefattar att förstå en bils omgivning, energi disaggregering med hjälp av smarta elmätare, automatiserad analys av cellmigration, energimedvetna beräkningar och automation av containerkranar. Dessa demonstratorer spänner över ett brett spektrum av industriell kompetens. Vart och ett innefattar dynamiska system som interagerar med en omgivande miljö som registreras av olika sensorer. Kärnan består av modeller och inferensmetoder som omvandlar sensordata till information om systemets beteende och dess omgivning. Denna information förs vidare till människor eller till systemet självt, som vidtar lämpliga åtgärder. Med det nya modelleringsspråket kommer vi automatisera denna process.
Populärvetenskaplig beskrivning
Framtidens smarta system skall kunna förstå och interagera med sin omgivning med betydligt större intelligens än de system vi har idag. Samtidigt blir de tillämpningar för vilka vi vill skapa smarta system allt mer komplexa, vilket gör att kraven för vad som anses vara ett intelligent system höjts. Kraftfulla metoder som kan möta denna förväntan utvecklas dock i rask takt. Dessa metoder brukar ofta beskrivas under samlingsnamnet maskininlärning och har potentialen att göra systemen just smarta. Ett problem är dock att experter inom många tillämpningsområden ofta inte har en tillräckligt bra förståelse för de maskininlärningsmetoder som finns, för att på sätt kunna välja rätt metod och sedan använda den i systemet. Många av de smarta system som utvecklas riskerar därför att gå miste om de mest lämpade och kraftfulla maskininlärningsmetoderna. I detta projekt kommer vi fundamentalt förändra denna situation genom att, utöver att skapa nya innovativa metoder för maskininlärning, även skapa ett ramverk inom vilket man kan beskriva tillämpningsspecifika problem så att rätt maskininlärningsalgoritm sedan kan väljas automatiskt. Vi kommer att realisera detta i form av ett modellbaserat programmeringsspråk för smarta system. Då vårt mål är ett gemensamt språk för många olika typer av smarta system, så duger det inte att utveckla ramverket utifrån någon enstaka tillämning. Vi kommer därför låta utvecklingen drivas av inte mindre än fem olika och vitt skilda tillämpningsområden. Dessa är: smarta elmätare; automatisk mikroskopidataanalys av cellmigration; energieffektiva beräkningar; automatisering av lyftkranar i en hamn; samt automatiska fordonssäkerhetssystem. Arbetet mot dessa tillämpningsexempel kommer dessutom att ske i samarbete med ett brett spann av olika aktörer och slutanvändare så som andra akademiker, startupföretag och väletablerade storföretag. Detta ger oss en unik möjlighet att få del av många olika aspekter kring kravställningar och utveckling av smarta system för dessa tillämpningar. De direkta och långsiktiga målen med projektet är ett modellbaserat programmeringsspråk för smarta system samt nya och förbättrade maskininlärningsmetoder. Det ska dock inte förringas att de framsteg vi gör inom de specifika tillämpningsområdena också har potential att leda till sänkt miljöpåverkan genom förbättrad energieffektivitet, nya läkemedel genom biomedicinsk forskning möjliggjord av våra analysverktyg, samt räddade liv genom ökad trafiksäkerhet.