De eerste 10 grensverleggende onderzoeksprojecten zijn vanuit de call AiNed XS Europa gehonoreerd. Een sterke AI kennis- en innovatiebasis is voor Nederland van groot belang. Een belangrijk aspect daarvan is de verbondenheid van Nederlandse onderzoekers wereldwijd, en in het bijzonder in Europa.
Met de XS Europa call levert het Nationaal Groeifonds AiNed programma hier een stevige bijdrage aan. Het bestuur van AiNed feliciteert de gehonoreerde projecten van harte en ziet uit naar hun bijdrage aan het AiNed programma en het AI-onderzoek in Nederland.
In de toegekende onderzoeksprojecten wordt samengewerkt met diverse buitenlandse samenwerkingspartnerorganisaties zoals de universiteit ETH in Zwitserland, University of Cambridge, University of Southern Denmark, of bijvoorbeeld het Engelse bedrijf Exscientia. De AiNed XS Europa subsidies zijn bedoeld om veelbelovende ideeën, vernieuwende en risicovolle initiatieven te exploreren op het gebied van artificiële intelligentie (AI). Wat telt is, dat het resultaat de Nederlandse AI-positie versterkt.
De onderwerpen van de toegewezen projecten variëren van het beschrijven van het gedrag van éénlaagse materialen zoals grafeen met geavanceerde machine learning, waarmee de weg vrijgemaakt kan worden om hun volledige potentieel te benutten voor uiterst gevoelige sensoriek in high-tech industrieën, het gebruik van AI om nieuwe schimmels te ontdekken voor toepassingen in de biobased economy en het onderzoeken van nieuwe dimensies van de relatie tussen stress en lezen, met mogelijke toepassingen op het gebied van de aanpak van laaggeletterdheid in Nederland.
Het gaat in deze call om ideeën en initiatieven die gericht zijn op één of meer uitdagingen in secties 3 en 4 van de nationale AI-onderzoeksagenda AIREA-NL én worden vormgegeven in samenwerking met ten minste één buitenlandse Europese samenwerkingspartnerorganisatie. Het voorgestelde onderzoek is grensverleggend en op voorhand staat niet vast of de beoogde doelstelling wordt gehaald. Wat telt is dat elk resultaat, zowel positief als negatief, de wetenschap vooruit helpt. De aanvragen worden anoniem opgesteld, waardoor de beoordeling puur op het onderzoeksvoorstel is gebaseerd.
Ook interesse om een aanvraag in te dienen? De AiNed XS Europa call loopt door in 2024. De eerstvolgende deadline is 18 april 2024. Lees meer over deze AiNed XS Europa 2024 call op de financieringspagina van NWO.
Artificial Intelligence for the Dynamics of 2D Materials (AID2MATE)
Dr. A. M. (Alejandro) Aragón, TU Delft
Eenlaagse (2D) materialen staan aan de voorhoede van onze technologische ontwikkeling door de buitengewone eigenschappen. Grafeen bijvoorbeeld, geldt als het sterkste, meest ondoordringbare en meest geleidende materiaal dat tot op heden bekend is. Echter, de extreme gevoeligheid van deze materialen leidt tot slecht begrepen niet-lineaire verschijnselen en daarmee tot variabiliteit in de apparaten. Door het toepassen van geavanceerde machine learning zullen er nauwkeurige wiskundige uitdrukkingen worden afgeleid die het gedrag van deze materialen beschrijven. Daarmee wordt de weg vrijgemaakt om hun volledige potentieel te benutten voor uiterst gevoelige sensoriek in high-tech industrieën.
IntelliGeo: Laying the Groundwork for Integrating Large Language Models into GIS
Dr. M. (Mahdi) Farnaghi, Universiteit Twente
Dit project streeft naar de modernisering van geografische modellen. Door geavanceerde AI-taalmodellen te integreren met open source geografische platforms, zal er een oplossing worden gecreëerd waarbij AI en menselijke experts samen complexe modellen ontwerpen. Stel je een tool voor die helpt bij het ontwikkelen van modellen die overstromingsgevoelige gebieden detecteren, gewasopbrengsten schatten of milieuveranderingen voorspellen. Dit onderzoek gaat over het realiseren van dergelijke intelligente modellering. Hiermee wordt er geografische modellering bevorderd, die bijdragen aan de verbetering van AI-taalmodellen, en wordt er tegelijkertijd gepleit voor een Europese visie op mensgerichte AI. Dit is de toekomst van geografische modellering, waar mensen en AI samen creëren.
Multimodal context in multilingual referential communication: Integrating deep learning and human perception
Prof. Dr. A. (Albert) Gatt, Universiteit Utrecht
Wanneer we taal gebruiken om naar objecten in onze omgeving te verwijzen, komt onze keuze van wat we erover zeggen voort uit een nauwe wisselwerking tussen taalkundige condities en perceptuele processen. De interactie tussen taalproductie en visuele aandacht wordt gemodelleerd. De visuele aandacht hangt af van opvallende kenmerken, maar ook van onze kennis van alledaagse scènes. Hoe beïnvloedt de uitkomst van dit samenspel tussen opvallende kenmerken en scènekennis de formulering van een taalkundige boodschap? Het doel van dit project is om de interactie tussen perceptie en taal vast te leggen om mensgerichte, cognitief plausibele AI-modellen voor referentiële communicatie te ontwikkelen.
Exploiting Covariance for MCMC Computation
Dr. Ir. J.H.P. (Johan) Kwisthout, Radboud Universiteit
Natuurkundigen hebben nieuwe manieren ontdekt om informatie op te slaan in magnetische velden, waarmee ultrasnel en ultra-efficiënt bits (0/1) kunnen worden opgeslagen en veranderd. Op dit extreem kleine niveau heb je echter te maken met kwantum-effecten die het moeilijk maken om alleen deze ene bit te veranderen. In dit project wil men juist gebruikmaken van deze zogeheten covariantie om algoritmen te ontwikkelen die zuiniger met energie om kunnen springen. De focus is op Markov chain Monte Carlo algoritmen die heel snel een zoekruimte kunnen verkennen. Deze techniek wordt onder andere gebruikt in intensieve computersimulaties, zoals bij het modelleren van klimaatverandering.
Intensity: the “Forgotten” Variable in LiDAR-based Perception
Dr. Y. (Yancong) Lin, TU Delft
LiDAR (laser scanner) blinkt uit in het detecteren van objecten op grote afstand. Bestaande AI-modellen hebben veelbelovende resultaten laten zien door direct te leren van LiDAR puntenwolken - een verzameling 3D-punten. Een LiDAR genereert echter niet alleen 3D-punten, maar registreert ook de gereflecteerde intensiteit, een variabele die de interactie tussen een laserpuls en de waargenomen objecten karakteriseert. Deze cruciale variabele is lange tijd genegeerd. Dit voorstel vult deze onderzoekskloof door een natuurkundig reflectiemodel te ontwikkelen die de LiDAR sensor imiteert waardoor AI-modellen efficiënt, interpreteerbaar en te generaliseren zijn naar nieuwe scenario's.
Augmenting Datasets using Diffusion Models: Leveraging Machine Learning for Liquid Biopsy and cfDNA Analysis
Dr. N. (Norbert) Moldovan, Amsterdam UMC
Kanker is wereldwijd een belangrijke doodsoorzaak. Vroegtijdige detectie is essentieel voor een betere levenskwaliteit en overlevingskansen. Huidige kankerscreeningsmethoden zijn echter vaak invasief en kostbaar, wat hoogrisico-personen ontmoedigt. Dit project tracht dit probleem aan te pakken door gebruik te maken van machine learning en niet-invasieve vloeibare biopsietechnieken. Door tumor-afgeleide moleculen in bloedmonsters te analyseren en een instrument te ontwikkelen met behulp van geavanceerde generatieve modellen om bestaande datasets uit te breiden. Deze innovatieve benadering zal de detectieprecisie verbeteren met de beperkte beschikbare gegevens.
Robust Chemical Reaction Prediction Enabled by Sim-to-Real Transfer and Self-Supervised Learning
Dr. R. (Robert) Pollice, Rijksuniversiteit Groningen
Een van de belangrijkste onderwerpen van scheikunde is het studeren van chemische reacties, de transformaties van materie, met als fundamenteel doel de uitkomst van een reactie te voorspellen. Vanwege het onvoorstelbaar grote aantal van potentiële reacties is het onmogelijk voor deskundigen om dit betrouwbaar te voorspellen. Kunstmatige intelligentie belooft dit complexe probleem op te lossen, maar de beschikbare data is onvoldoende om betrouwbare algoritmen te ontwikkelen. In dit onderzoek willen wetenschappers een nieuwe taal voor chemische reacties ontwikkelen en geavanceerde moleculaire simulatiemethoden gebruiken om kunstmatige intelligentie beter chemische reacties te laten voorspellen.
Machine-learning guided selection of fungal strains for the biobased economy (ML-FUNG)
Prof. Dr. Ir. R.P. (Ronald) de Vries, Westerdijk Fungal Biodiversity Institute, KNAW
Schimmels hebben een enorme potentie om een belangrijke bijdrage te leveren aan het ontwikkelen van de biobased economie, maar het selecteren van de juiste schimmel voor een applicatie is vaak moeilijk en tijdrovend. Dit komt mede doordat alle beschikbare data over verschillende schimmels zelden gecombineerd wordt om het potentieel van individuele schimmels te voorspellen. In dit project wil men een machine learning pipeline ontwikkelen, die door het combineren van omics, taxonomie, biotoop en literatuur data, snel een pre-selectie kan maken van geschikte schimmels voor een toepassing, zodat de experimentele testen meer gefocust kunnen worden en minder arbeidsintensief zullen zijn.
Estimating literacy levels by recognizing stress using machine learning
Dr. M.P. (Marijn) Schraagen, Universiteit Utrecht
Laaggeletterdheid is een groeiend probleem in Nederland. Laaggeletterdheid kan het stressniveau van de lezer vergroten. Het meten van stress kan daarom een indicatie geven van laaggeletterdheid. Het gebruik van spraaktechnologie voor deze analyse is eenvoudiger, objectiever en gedetailleerder dan conventionele tests. Door de combinatie van machine learning en kwalitatieve analyse van individuele prestaties wordt de nieuwe dimensies van de relatie tussen stress en lezen onderzocht, met mogelijke toepassingen op het gebied van de aanpak van laaggeletterdheid in Nederland.
Foundation Model Development for Advanced Full Blood Count Analysis with Tabular Data and Transfer Learning (EXCELERATE)
Prof. Dr. M.C. Schut, Amsterdam UMC
Er is de afgelopen jaren een nieuw en disruptief paradigma voor het bouwen van AI-systemen ontstaan: train één enkel basismodel op een enorme hoeveelheid data en pas het aan voor vele toepassingen. De uitzonderlijk snelle adoptie van ChatGPT en DALL-E laat zien dat dit paradigma zeer succesvol is. In de geneeskunde zal dit paradigma de manier waarop risicomodellen worden ontwikkeld, geïmplementeerd en geïnterpreteerd drastisch veranderen. In deze proof-of-concept-studie wordt één enkel basismodel op basis van klinische laboratoriumgegevens gebouwd, te weten, compleet bloedbeeld testen, en met transfer leren wordt dit aangepast voor verschillende risicomodellen voor infectieziekten en hartziekten.