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 University of Edinburgh, University of Ghent,  Google Research Zurich of bijvoorbeeld het onderzoeksinstituut Mario Negri IRCCS. 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 onder meer op kankeronderzoek, het lokaliseren van aardbevingen, AI-toepassingen in glasvezelkabels, beroerteherkenning, de zoektocht naar betere enzymen, de werking van algoritmes, AI-modellen, datasets en of AI ons wel kan vertrouwen. 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:

 FOMO-Shift: self-supervised distribution matching for safe deployment of AI foundation models
Dr. J.W. Brunekreef (Nederlands Kanker Instituut)
De betrouwbaarheid en nauwkeurigheid van artificiële intelligentie-modellen kunnen afnemen wanneer dergelijke modellen worden toegepast op nieuwe, gevarieerde datasets — een veelvoorkomende uitdaging die bekend staat als ´distributieverschuiving´. Een AI-model dat is getraind om tumoren te detecteren in MRI-scans van één ziekenhuis kan bijvoorbeeld niet goed presteren op scans van een ander ziekenhuis. Om dit probleem aan te pakken, worden transformaties uitgevoerd op de interne representaties van "foundationmodellen”, die vooraf zijn getraind op diverse data zonder specifieke labels. Door deze transformaties kan mogelijk de verschuiving in distributie gedeeltelijk tegen worden gegaan en de prestaties van het model in een bredere omgeving verbeterd.

Towards expressive and reliable deep generative models for science
Prof. Dr. C.P. de Campos (Technische Universiteit Eindhoven)
Diepe generatieve modellen (DGM's) brengen een revolutie teweeg in veel toepassingsgebieden. Ze hebben echter tekortkomingen als het gaat om toepassingen in computationele – en levenswetenschappen: interpreteerbaardheid, modelleren van gemengde domeinen en omgang met logische/fysische randvoorwaarden. Bovendien ontbreekt de garantie dat de monsters die ze genereren voldoen aan gewenste eigenschappen. Klassieke probabilistische grafische modellen (PGM's) daarentegen kunnen geen complexe verdelingen modelleren en schalen moeilijk op. Dit project overbrugt de kloof tussen beide modelklassen met efficiënte generatieve modellen gebaseerd op circuitrepresentaties met continue latente veranderlijken. Deze zijn interpreteerbaar en kunnen omgaan met expertrandvoorwaarden, vermijden ze de beperkingen van zowel PGM's als DGM's.

TRansnational validation of predictive and causal AI modeLs for the Intensive Care Unit (TRAIL-ICU)
Dr. G. Cinà (Amsterdam UMC)
Vanwege het grote volume aan patiëntgegevens en de complexe en snelle besluitvorming zouden artsen op de Intensive Care (IC) enorm kunnen profiteren van AI-gestuurde beslissingsondersteuning. Toch wordt de validatie van AI-modellen belemmerd door het gebrek aan toegang tot heterogene en internationale datasets. Dit project zal de validatie van AI-modellen voor de IC opschalen van nationaal naar internationaal niveau. Dit consortium van Nederlandse, Zweedse en Italiaanse instellingen zal een netwerk op gang brengen om het testen van voorspellings- en causale modellen over de nationale grenzen heen mogelijk te maken, waardoor de kwaliteit en robuustheid van lokaal ontwikkelde modellen wordt verhoogd.

Transforming the adaptability of decentralized AI
Dr. Ir. C. Frenkel (Technische Universiteit Delft)
Als werkpaard van moderne AI, hebben modellen op basis van attentie ongekende prestaties, veelzijdigheid en schaalbaarheid ontgrendeld. Hun snelgroeiende modelgrootte vereist echter een onhoudbare schaalvergroting van reken- en geheugenvereisten, in schril contrast met de toenemende vraag naar gedecentraliseerde, adaptieve en kleinschalige AI. Dit project zal deze open uitdaging aangaan door een belangrijke eigenschap van transformers te gebruiken: in-context leren, dat aanpassingen aan nieuwe taken met beperkte data mogelijk maakt, zonder hertraining. Dit project, dat innoveert op de intersectie van algoritmes en hardware, zal moderne AI naar persoonlijke apparaten brengen zonder gegevens naar de cloud te lekken, waardoor privacy wordt gewaarborgd.

Dishonesty towards artificial intelligence across generations
Dr. R. Hortsensius (Universiteit Utrecht)
Kan AI ons vertrouwen? Onderzoek kijkt vaak of wij AI vertrouwen en zelden of wij oneerlijk zijn naar AI. Dit beperkt de mens–AI samenwerking en de volledige realisatie van mensgerichte AI. In dit project combineert zelfrapportage, gedrags-, fysiologische en neurale reacties om de bio-gedragsmatige signalen van eerlijkheid te meten die de gebruiker naar een AI-systeem communiceert. Omdat zowel de interactie met AI als eerlijkheid in het algemeen leeftijdsafhankelijk zijn, testen we drie generaties. Zo kunnen bio-gedragsmatige signalen van oneerlijkheid jegens AI op een ongeëvenaard leeftijdsgenuanceerd niveau in kaart worden gebracht met directe input voor ontwikkelingen in mensgerichte AI.

Physics-Informed Neural networks for earThquake lOcalization (PINTO)
Dr. H. Joudeh (Technische Universiteit Eindhoven)
Het wordt geschat dat er wereldwijd ongeveer 500.000 aardbevingen per jaar plaatsvinden. In Nederland heeft gaswinning in de regio Groningen de afgelopen 40 jaar meer dan 1.000 aardbevingen veroorzaakt. Het voorspellen van de locatie en kracht van deze aardbevingen vereist momenteel het installeren van dure toegewijde sensornetwerken. Dit project stelt voor om bestaande glasvezelnetwerken, die momenteel alleen worden gebruikt voor het leveren van internet, om te vormen tot krachtige gedistribueerde sensornetwerken die aardbevingen met meterprecisie kunnen lokaliseren. Dit realiseren zonder internetconnectiviteit in gevaar te brengen vereist ontwikkeling van nieuwe datagedreven, op fysica gebaseerde intelligente algoritmen.

Discovery of novel biomass degrading enzymes based on PROtein structure SIGNatures through a Deep Learning Method (PROSIGN)
Dr. J. Li (Westerdijk Instituut)
De omzetting van plantenbiomassa als duurzaam alternatief voor fossiele grondstoffen is sterk afhankelijk van efficiënte enzymen. Identificatie van nieuwe betere enzymen gebeurt meestal op basis van sequentie-overeenkomst van de enzymen. Er zijn echter enkele voorbeelden van enzymen met een lage sequentie-overeenkomst, maar met een vergelijkbare structuur en functie, wat suggereert dat op sequentie-overeenkomst gebaseerde methoden potentieel waardevolle kandidaten negeren. Dit project zal een Deep Learning model ontwikkelen dat de identificatie van nieuwe kandidaat-enzymen mogelijk maakt op basis van vergelijkbare eiwitstructuur in plaats van sequentie-overeenkomst, en dit gebruiken om het niet-gekarakteriseerde deel van microbiële genomen te ontginnen voor nieuwe plantenbiomassa afbrekende enzymen.

Entropy-consistent learning: harnessing the power of generative AI for realistic physics simulations
Dr. Ir. B. Sanderse (Centrum Wiskunde & Informatica)
Dit project ontwikkelt een natuurkunde-bewust generatief AI model dat natuurkundige simulatie resultaten kan genereren. Hoewel doorbraken zoals ChatGPT en DALL-E generatieve modellering hebben gerevolutioneerd, blijft het genereren van correcte resultaten voor natuurkundige problemen zoals weersvoorspelling een grote uitdaging: in tegenstelling tot tekst en foto’s, bevatten toepassingen in de natuurkunde vaak geen "big data", bovendien moeten gegenereerde simulaties voldoen aan bestaande natuurwetten. Ons voorstel is "entropie-consistent leren". Dit dwingt fysische consistentie af. Het generatieve model, getraind op simulatiedata, wordt vervolgens verfijnd met observatiedata, in dezelfde entropie-consistente leeromgeving. Het resulterende AI-model integreert naadloos datagedreven technieken met op natuurkunde gebaseerde modellen.

MIMIC: AI-based Identification of Stroke Mimics by Advanced Neuroimaging
Dr. R. Su (Technische Universiteit Eindhoven
Ongeveer één op de vier personen wordt getroffen door een beroerte, een belangrijke oorzaak van overlijden en invaliditeit. Een tijdige en nauwkeurige behandeling is cruciaal. Dit vereist het correct onderscheiden van een beroerte van andere aandoeningen met vergelijkbare symptomen, bekend als beroerte-mimics. Verkeerde diagnoses kunnen leiden tot vertraagde of onjuiste behandelingen. Beroerte-mimics vormen tot 40% van alle vermoede beroerteopnames in ziekenhuizen. Dit project gebruikt AI-gebaseerde innovaties om deze klinische uitdaging aan te pakken, dat belooft de diagnose te verfijnen, gezondheidszorgkosten te verlagen en resultaten voor patiënten in de beroertezorg te verbeteren.

Neural Network-Based Sequence FOlding for Breaking Optical Fiber CApacity Limit (FOCAL)
Dr. K. Wu (Technische Universiteit Eindhoven)
Optische vezelnetwerken vormen de ruggengraat van het internet en zijn de sleutelenablers voor AI-gedreven diensten. De transmissiecapaciteiten van deze vezelkabels worden beperkt door niet-lineaire verstoringen (NLI). Deze beperking bestaat al decennia en blokkeert momenteel verdere toename van de datasnelheid en de ontwikkeling van AI. Dit project pakt deze beperking aan door voor het eerst AI-technieken te gebruiken die met succes het langdurige probleem van eiwitvouwing in de biologie hebben opgelost. Net als het voorspellen van eiwitstructuren, streeft dit project ernaar om (1) de meest NLI-tolerante "gouden" gegevenssequentiestructuren te identificeren, en (2) NLI-mitigatie te maximaliseren door deze vouwstructuren te implementeren.