Uusia suomalaisia tutkimushankkeita valittu LUMI-supertietokoneelle
LUMI-supertietokoneelle on valittu lisää suomalaisia tutkimushankkeita, jotka hyödyntävät Euroopan nopeinta supertietokonetta LUMIa ja sen erittäin tehokasta grafiikkasuoritinkapasiteettia. Hankkeissa luodaan esimerkiksi tekoälymalleja, joiden avulla edistetään terveydenhuoltoa syövänhoidon ja radiologian aloilla.
Resurssit myönnettiin Suomen viidennessä LUMI Extreme Scale Call -haussa, jonka kautta jaettiin Suomen maakohtaisia LUMI-resursseja.
Kuusi valittua LUMI-hanketta ovat:
ALVS: Active Learning for Vibrotational Spectroscopy, päätutkija Patrick Rinke, Aalto-yliopisto, tutkija Ondrej Krejci, Aalto-yliopisto
Projekti auttaa tutkimaan ja parantamaan vihreiden polttoaineiden, kuten metaanin ja metanolin, heterogeenista katalyysiä. Heterogeeninen katalyysi on tärkeä teollinen prosessi, jolla tuotetaan hyödyllisiä kemiallisia yhdisteitä, esimerkiksi vihreitä polttoaineita, ja muunnetaan ei-toivottuja kemikaaleja, kuten hiilidioksidia muiksi yhdisteiksi. Tässä yhteydessä on tärkeää ymmärtää katalyytin käyttäytymistä ja toimintamekanismia. Vibraatiospektroskopia on yksi harvoista tekniikoista, joilla voidaan saada in-situ-tyyppistä ja reaaliaikaista tietoa katalyytin toiminnasta. Tässä projektissa tutkijat luovat ja kouluttavat koneoppimismallin, joka ennustaa vibraatiospektrejä.
DYNSCON: Dynamos in stratified and rotating convection with low Prandtl numbers, päätutkija Maarit Korpi-Lagg, Aalto-yliopisto, tutkija Jörn Warnecke, Max Planck Institute for Solar System Research
Tutkimusryhmän työ liittyy aurinkomyrskyjen syntyyn. Aurinkomyrskyt syntyvät, kun Auringon sisällä olevat magneettikentät nousevat pinnalle, voimistuvat ja synnyttävät massa- ja roihupurkauksia. Auringon magneettikentän syntymekanismi kuitenkin tunnetaan edelleen hyvin huonosti. Tämä projekti on jatkoa tutkimusryhmän aiemmille LUMI-projekteille, joissa on tutkittu dynamoprosesseja auringonkaltaisissa olosuhteissa. Aiemmissa projekteissa on paljastunut havaintoja, joiden jatkotutkimuksia varten tarvitaan LUMIn laskentakapasiteettia.
– Näiden häiriöiden juuret ovat Auringon pinnan alaisessa konvektiokerroksessa, jota ryhmämme tutkii. Kaikista eniten energiaa sisältäviä purkauksia on vaikea ennustaa, koska häiriöt kulkevat lähellä valon nopeutta, Korpi-Lagg kertoi ryhmän tutkimuksista aiemmin julkaistussa haastattelussa.
Ryhmä on kehittämässä menetelmiä, jotka monitoroivat Auringon pinnan alaisia muutoksia. Niiden avulla voitaisiin mahdollisesti saada jopa pari päivää lisäaikaa reagoida aurinkomyrskyihin.
Katso myös video Maarit Korpi-Laggin tutkimustyöstä.
EXPAND ATMOS: Expanding property prediction and machine learning models for atmospheric science, tutkija Patrick Rinke, Aalto-yliopisto, tutkija Hilda Sandström, Aalto-yliopisto
Tämä projekti edistää hiukkasten muodostumisen ja päästöjen ilmastovaikutusten ymmärtämistä sekä mahdollistaa uusien laskentatyökalujen kehittämisen tekoälyn avulla.
Aerosolihiukkaset vaikuttavat ilmastoon ja ilmanlaatuun. Hiukkasten muodostumisprosessissa on mukana lukuisia yhdisteitä, jotka muodostuvat ilmakehään päästetyistä molekyyleistä. Kun hiukkasten muodostumista molekyylitasolla ymmärretään paremmin, voidaan saada tietoa ihmisen toiminnan vaikutuksista ilmastonmuutokseen. Hiukkasten muodostumiseen osallistuvien orgaanisten yhdisteiden kokeellinen tunnistaminen on kuitenkin haastavaa niiden määrän ja vaihtelevuuden vuoksi.
On kehitetty laskennallisia välineitä, joilla voidaan tunnistaa hiukkasten muodostumisessa keskeisiä tekijöitä esimerkiksi ennustamalla molekyylien kyllästyshöyrypaineita (pSats). Tässä hankkeessa laajennetaan tätä kehystä ennustamalla uusien ilmakehän yhdisteiden pSat-arvoja. PSat-tietoaineisto auttaa tunnistamaan mahdollisia hiukkasia muodostavia molekyylejä ja kehittämään tekoälymenetelmiä ominaisuuksien ennustamiseen.
LumiLLM Experts: Lumi Large Language Model Experts, tutkija Sampo Pyysalo, Turun yliopisto, tutkija Jonathan Burdge, Silo AI
Tämä projekti on Turun yliopiston ja Silo AI -yhtiön yhteishanke, jossa hyödynnetään LUMIlla jo aiemmin laskettuja huipputason suuria kielimalleja (large language model, LLM). Projektissa tutkitaan innovatiivisia lähestymistapoja, joilla voidaan parantaa monikielisten eurooppalaisten generatiivisten tekoälyjärjestelmien suorituskykyä ja valmiuksia. Projektissa käytetyt uudet menetelmät edistävät avoimien huipputason LLM-mallien kehitystä yleisesti ja luo mahdollisuuksia luoda malleja, joilla voidaan vastata esimerkiksi terveydenhuollon kaltaisten alojen erityishaasteisiin. Projektin tulokset, menetelmät ja mahdolliset uudet arkkitehtuurit jaetaan koko tekoälytutkimusyhteisön kesken.
MFM: Medical Foundation Model, päätutkija Guoying Zhao, Oulun yliopisto, tutkija Wei Peng, Stanfordin yliopisto
Syväoppimisen integrointi terveydenhuollon sovelluksiin on haasteellista alan erityispiirteiden ja sensitiivisyyden vuoksi. Tämän hankkeen tavoitteena on kehittää perusmalli terveydenhuollon sovelluksia varten (Medical Foundation Model). Nyt rakennettavaan tekoälymalliin rakennetaan yleistettyjä ominaisuuksia erilaisiin radiologian tehtäviin kuten tietokonetomografiaa, röntgen- ja magneettikuvausta varten. Yksi projektin tavoitteista on terveydenhuollon edistäminen tekoälyn avulla.
PANENCODER: PanEncoder – a multi-tissue foundation model for digital histopathology, päätutkija Esa Pitkänen, Helsingin yliopisto, tutkija Tuomas Mirtti, Helsingin yliopisto
Projektin tavoitteena on kehittää menetelmiä eturauhassyövän tarkempaa ja varhaisempaa havaitsemista varten ja löytää yksittäiselle potilaalle oikeat hoitopäätökset. Keskeinen väline näiden tavoitteiden saavuttamiseksi on digitaalinen histopatologia, joka tuottaa valtavia määriä kuvantamistietoa. Tutkimusryhmä aikoo laajentaa tutkijoiden aiemmin kehittämää HistoEncoder-nimistä eturauhaskudoksen histopatologian perusmallia koskemaan kaikkia syövän eri muotoja. Kouluttamalla näitä PanEncoder-tekoälymalleja massiivisilla, usean kudoksen kuvantamisaineistoilla tutkijat pyrkivät saavuttamaan huipputason tuloksia useissa kliinisesti tärkeissä tehtävissä, kuten diagnoosin ja ennusteen ennustamisessa sekä hoidon valinnassa. Hankkeessa pyritään parantamaan syövän havaitsemisen ja hoidon tarkkuutta ja tasa-arvoa maailmanlaajuisessa mittakaavassa. Hankkeessa valmiiksi koulutetut tekoälyn perusmallit saatetaan vapaasti yhteisön käyttöön, samoin kuin ryhmän aiempi HistoEncoder-malli. Projektin yhteiskunnallisena tavoitteena on edistää terveydenhuoltoa ja parantaa potilaiden elämänlaatua.