Met de XS Europa call levert het Nationaal Groeifonds AiNed programma hier een stevige bijdrage aan. Het bestuur van AiNed feliciteert de gehonoreerde projecten met plezier 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 Technical University Darmstadt, Imperial College London, Aalto University, INESC TEC, of bijvoorbeeld het farmaceutische platform en softwareontwikkelaar Certara. De AiNed XS Europa subsidies zijn bedoeld om veelbelovende ideeën, vernieuwende en risicovolle initiatieven te exploreren op het gebied van artificiële intelligentie. Wat telt is, dat het resultaat de Nederlandse AI-positie versterkt.

De toegewezen projecten richten zich op onderzoek naar schimmels, large-language-models, tot verschillende medische toepassingen. Zoals de medische beeldvorming, antiresistentie onderzoek en borstkankerdiagnose. In al deze gebieden heeft AI een mogelijke positieve bijdrage, die nu gaat worden onderzocht.

Informatie en looptijd call

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 en de Europese samenwerkingspartner is gebaseerd.

Meer informatie

Ook interesse om een aanvraag in te dienen? De AiNed XS Europa call loopt door in 2024. De eerstvolgende deadline is 8 oktober 2024. Lees meer over deze AiNed XS Europa 2024 call op de financieringspagina van NWO.

We geven graag meer informatie over de toegewezen projecten:

Moderating Social XR: AI-based Harassment Detection
Dr. J. Frommel (Universiteit Utrecht)
Social extended reality (XR), waarbij gebruikers met elkaar communiceren in immersieve, virtuele omgevingen, worden steeds populairder. Gebruikers hebben echter ook steeds vaker te maken met intimidatie. In dit project worden AI-modellen gecreëerd, die dergelijke intimidatie kunnen identificeren in non-verbaal gedrag (bijvoorbeeld gebaren of inbreuk op persoonlijke ruimte). Dit geeft inzicht in hoe AI-modellen sociale interacties tussen mensen begrijpen. Verder is dit nuttig voor het modereren van online ruimtes door het automatisch detecteren van mogelijke intimidatie. Menselijke moderatoren beoordelen dit en leggen een straf op, bijvoorbeeld door intimiderende gebruikers van platforms te verwijderen. Dit helpt om online ruimtes veilig te houden.

 LogicLM: Combining Logic Programs with Language Model
Dr. J.L.A. Heyninck (Open Universiteit)
Taalmodellen (LMs) zoals chatGPT zijn revolutionaire technologieën met veel potentieel, maar hun redeneringen zijn vaak niet transparant en betrouwbaar. Het doel van dit project is om LMs te combineren met symbolische AI, om zo de transparantie en verifieerbaarheid van hun output te vergroten. Dit wordt gedaan door LMs te finetunen om natuurlijke taal om te zetten in formele logica, en deze LM te combineren met informatieherwinningsmethoden. Dit resulteert in een architectuur die de voordelen van LMs combineert met de transparantie en betrouwbaarheid van symbolische AI. Het project wordt doorgevoerd in samenwerking met een logistiek bedrijf en universiteiten in Londen.

TeNet: Text-to-Network for Fast and Energy-Efficient Robot Control
Dr. K.S. Luck (Vrije Universiteit Amsterdam)
Grote taalmodellen (LLM's) hebben indrukwekkende resultaten opgeleverd, zoals het mogelijk maken voor mensen om robots te instrueren via geschreven natuurlijke taal. Hun training en berekeningen vereisen echter grote hoeveelheden energie en uitvoeringstijd. Dit beperkt het gebruik van LLM's in de robotica, waar taken zoals mobiele robotica, voortbeweging en manipulatie snelle reactietijden vereisen. In dit project wordt ernaar gestreefd een eerste benadering van LLM's te ontwikkelen die in staat zijn om hoogfrequente besturingsnetwerken te genereren vanuit geschreven instructies voor gebruik in real-world robotica-taken.

Subspace identification and decoding for movement restoration via brain-computer interfaces
Dr. D. Narain (Erasmus MC)
Een hersenbloeding kan tot ingrijpende verlammingen leiden en als dit niet systematisch wordt behandeld, kan dit resulteren in een permanent verlies van motorfunctie. In dit project wordt gebruikgemaakt van nieuw ontwikkelde machine learning technieken om patronen in neurale activiteit, aangetast als gevolg van hersenschade, te identificeren en worden recurrent neuronale netwerken toegepast om de benodigde motorsignalen te ontrafelen welke nodig zijn voor therapeutische en rehabiliterende stimulatie met als doel het herstel van hand-functie bij de getroffen individuen. Inzichten vergaard uit dit project zullen worden toegepast om brain machine interfaces te optimaliseren voor beroerte-modellen, met het streven om dit eventueel te kunnen toepassen in de kliniek.

Unlocking dark matter in genomes of microbial cell factories through machine learning analysis of massive omics
Dr. M. Peng (Westerdijk Fungal Biodiversity Institute)
Vanwege hun unieke vermogen om vele enzymen te produceren voor de industriële omzetting van complexe organische materialen, hebben schimmels een enorm potentieel om de transitie naar een duurzamere biobased economie te versnellen. De experimentele karakterisering van enzymen is echter tijdrovend en kostbaar, waardoor minder dan 5% van de schimmelgenen experimenteel gevalideerd is, wat het gebruik ervan in industriële toepassingen ernstig belemmert. In dit project wordt een machine learning framework ontwikkeld, door het combineren van grote data variërend van genoom, transcriptoom, proteoom, metaboloom, evolutie, en transcriptieregulatie, waardoor efficiënte prioritering van enzymen voor experimentele karakterisering en toepassingstesten mogelijk wordt.

AI-based virtual immuno staining from H&E slides
Dr. S. Pires de Oliveira (Netherlands Cancer Institute)
Dit project onderzoekt het gebruik van deep generative models om immunokleuring in borstweefselbiopten te simuleren. In de pathologie is het beoordelen van specifieke biomarkers, zoals HER2, van groot belang voor gedetailleerde borstkankerdiagnoses, maar dit vergt tijd en veroorzaakt extra kosten. Wat als we de kleuring van deze biomarkers virtueel kunnen doen? Naast efficiënter gebruik van middelen zou dit leiden tot een verbetering in snelheid en nauwkeurigheid van de diagnose, en zo bijdragen aan een verbeterde patiëntzorg, vooral in omgevingen met beperkte middelen. Dit onderzoek heeft als doel de haalbaarheid en effectiviteit van AI voor virtueel kleuren aan te tonen.

Ordinality-informed Federated Learning for Robust and Explainable Radiology AI
Dr. W.J. dos Santos Silva (Universiteit Utrecht)
Radiologie AI verschuift naar federatieve leeromgevingen om te voldoen aan de regelgeving op het gebied van gegevensbescherming. In dit nieuwe paradigma worden AI-modellen van meerdere ziekenhuizen geleerd zonder dat gegevens worden gedeeld. Medische gegevens zijn dan heterogeen tussen ziekenhuizen en niet toegankelijk voor het centrale knooppunt. Dit brengt aanzienlijke uitdagingen met zich mee voor het leren van robuuste AI-modellen. De focus is op medische ordinale problemen en er wordt gestreefd naar het exploiteren van ordinale verliezen om de heterogeniteit van federatieve lokale modellen te verminderen. Deze aanpak leidt tot robuustere AI-modellen. Bovendien verbetert deze methode de interpreteerbaarheid van de modellen.

Physics-informed generative medical imaging: An AI-for-AI solution to fair data
Dr. ir. Q. Tao (TU Delft)
Data is de levensader van AI. Echter, in het domein van medische beeldvorming (MB) zijn grote datasets met deskundige annotaties duur om te verkrijgen en moeilijk te delen. Bovendien is het nog uitdagender om de onderliggende datadistributie te controleren om de opkomende zorg over AI-rechtvaardigheid aan te pakken. In dit project wordt een innovatieve AI-voor-AI-oplossing voorgesteld, door fundamentele beeldvormingsfysica en demografische controle te integreren in geavanceerde generatieve AI. Het zal leiden tot een proof-of-concept methode voor MB-datacuratie die rechtvaardig, privacy conform en kosteneffectief is. Het kan potentieel AI voor medische beeldvorming transformeren, naar aanzienlijk verlaagde financiële en regulerende kosten en verbeterde rechtvaardigheid.

Combatting Resistance: Innovative Search for Infectious-agent Solutions (CRISIS)
Prof. dr. G.J.P. van Westen (Universiteit Leiden)
De scherpe stijging van de antibioticaresistentie vormt een grote mondiale bedreiging voor de volksgezondheid. De afgelopen decennia is de ontdekking van nieuwe antibiotica grotendeels zonder succes geweest. Er bestaat een dringende behoefte aan nieuwe strategieën die de succesvolle ontdekking van nieuwe antibiotica kunnen versnellen tegen de dreiging van antibioticaresistentie. In dit project zal een nieuwe, op kunstmatige intelligentie gebaseerde, aanpak worden ontwikkeld die gebruikmaakt van chemische, biologische, en resistentiedatabases om nieuwe kandidaat-antibiotica voor te stellen die effectief zijn tegen resistente pathogenen. De KI-ontworpen antibiotica zullen experimenteel worden gevalideerd en de workflow en code zullen openbaar toegankelijk worden gemaakt.

Geometric deep learning of shape variation in hemodynamic simulations
Dr. D. Ye (Universiteit Twente)
Dit project streeft naar verbetering van efficiëntie en expressiviteit van hemodynamische simulaties door over te stappen van traditionele natuurkunde-gebaseerde modellen naar datagestuurde benaderingen met geometrisch diep leren. Door gebruik te maken van de uitdrukkingskracht van grafneurale netwerken, ondersteund door fysiek bewustzijn, beoogt het onderzoek voorspellingen van hemodynamische eigenschappen in patiënt specifieke vaatgeometrieën te verbeteren. Projectresultaten zullen de klinische besluitvorming bevorderen en realtime inzichten bieden in vaatziekten op basis van patiënt specifieke gegevens. Onze bevindingen verschaffen eveneens nieuwe basisprincipes voor parameterstudies en statistische analyses van hemodynamische modellen met aanzienlijk verminderde rekenkosten.