Merkittävä projekti yhdistää huippuluokan tekoälyn lähiavaruuden tutkimukseen
Tutkimusprojektissa selvitetään myös revontulia sytyttäviä prosesseja ja simuloidaan tekoälyn avulla plasmapurkauksia Maapallon lähiavaruudessa supertietokoneen laskentateholla. Lopputuloksena voimme saada tietää, missä ja miten syntyy alimyrsky, joka voi aiheuttaa sähköverkkojen häiriöitä.
Kaavakuva Maan magneettikentästä, jossa rekonnektio tapahtuu (Image: Vlasiator)
Hajautettua tekoälyä supertietokoneille ja fysiikkaan -projekti (DAISY) sai rahoitusta vuoden 2021 lopulla Suomen Akatemialta kaikkiaan 700 000 €. Helsingin yliopiston projekti yhdistää uusimmat koneoppimismenetelmät supertietokoneen laskentaan.
– Voi sanoa, että tähdet olivat kohdillaan, kun yhdistimme avaruusdatan käsittelyn koneoppivaan tekoälyyn. Emme tienneet, miten hyvin nämä olivat sovellettavissa keskenään, ennen kuin lähdimme kirjoittamaan tutkimushakemusta, toteaa avaruusfysiikan professori Minna Palmroth Helsingin yliopiston fysiikan laitokselta.
Hän toimii projektin vastuuhenkilönä yhdessä Helsingin yliopiston tietojenkäsittelytieteen professori Teemu Roosin kanssa, joka myös johtaa tekoälyn opetusta Suomen tekoälykeskuksessa FCAIssa.
Supertietokoneiden avulla voidaan simuloida lähiavaruuden ilmiöitä ja tulkita niistä saatua dataa. Helsingin yliopistolla on käytössä Vlasiator, plasmafysiikan malli, joka simuloi Maan lähiavaruuden olosuhteita laskien mukaan ionikineettiset vaikutukset ilman numeerista kohinaa.
Supertietokoneella simuloidaan lähiavaruuden ilmiöitä
– Tekoälysovellukset, joissa tarkkuus, luotettavuus, skaalautuvuus ja selitettävyys saavutetaan samanaikaisesti, ovat tällä hetkellä suuri haaste tekoälytutkimuksessa, sanoo Roos.
– Jotta voisimme olla globaalin tekoälytutkimuksen kilpailun etuaallossa, tarvitsemme riittävän haastavan sovellusalueen, josta saamme käytännössä rajoittamattomat määrät äärimmäisen monimutkaista dataa.
Koska datan määrä itsessään ei tee ongelmasta vaikeaa, tarvittiin myös kylliksi monimutkainen simuloitava ilmiö. Käsiteltävä avaruusfysiikan data ei tule satelliiteista, vaan on simuloitua. Tekoälyn analyysin lopputuotteena on uusia datan representaatioita, kuten graafisia mallistruktuureja.
Vlasiatorin simulaatiot vaativat tietokoneilta valtavaa laskentatehoa. DAISY-projektissa niitä pilotoidaan ja kehitetään viime vuonna käynnistetyllä LUMI-supertietokonella Kajaanissa.
– Tällaista laskentaa ei tehdä missään muualla tässä skaalassa. Haluamme osoittaa, että huipputekoälyinnovaatioita eivät tee vain suuret korporaatiot, jotka keräävät dataa asiakkaistaan, sanoo Roos.
Magneettisen rekonnektion etsintä
DAISY-projektin ensimmäisenä tavoitteena on selvittää, missä tapahtuu magneettinen rekonnektio, tilanne jossa erisuuntaisten magneettikenttien välistä vapautuu maapallon yöpuolelle plasmapurkaus.
– Rekonnektio on fundemantaalinen ilmiö lähiavaruudessa, siitä juontuvat niin revontulet kuin sähköverkkojen häiriöt, kertoo Palmroth.
Magneettinen rekonnektio on vaikea havaita, etenkin kolmiulotteisessa mallinnuksessa. Yleensä se näkyy esimerkiksi piikkinä sähköverkkojen mittareissa. Ilmiöstä saatava data on kompleksista, mutta tekoäly voisi sen paikantaa.
– Rekonnektio on topologinen ilmiö. Kyseessä ei ole vain kasa numeroita, sanoo Palmroth.
Tekoäly voisi osata luokitella, mikä kuuluu magneettikentällä yhteen tai erilleen ja missä kohtaa siirrytään topologiasta toiseen, toisin sanoen, missä tarkalleen rekonnektio tapahtuu.
– Syväoppiva järjestelmä oppii järjestämään tietoa esitysmuotoon, josta on mahdollista havaita, milloin ja missä tällaisia topologian muutoksia tapahtuu, sanoo Roos.
Pelkkä koneiden luokittelukyky ei riitä, vaan on selvitettävä lisäksi, miten ilmiön tapahtumisen voi kuvata ihmisen ymmärtämällä tavalla. Tämä on mahdollista ratkaista uudenlaisten graafisten mallien avulla, joilla voidaan tuottaa topologisia ja symbolisia esityksiä.
– Miten mallinnetaan ilmiöitä, joissa ei ole kyse pelkistä kvantitatiivisista ilmiöistä? Kyseessä on sopivalla tavalla vaikea pulma tekoälylle, mutta meillä on hyvät perusteet uskoa sen olevan ratkaistavissa, pohtii Roos.
Uusia tapoja esittää dataa
Kun menetelmä on saatu kehitettyä, lopputuloksena saatavilla graafisille malleille voi löytyä keinoja hyödyntää myös muilla tieteenaloilla.
– Olisi läpimurto, jos onnistuisimme kehittämään uusia malleja ja pääsemään näin operoimaan ikään kuin numeerisen että symbolisen datan välimaastossa, sanoo Roos.
– Tutkimuksessa on paljon yllättäviäkin hienouksia, ja alussa ei vielä tiedetä mihin kaikkeen menetelmiä voi hyödyntää, sanoo Palmroth.
– Meillä on Amerikassa neurotiedetutkijoita ja myös Lastensairaalassa yhteistyökumppaneita, joiden kanssa katsomme, löytyisikö tuloksista yleisemmin hyödynnettäviä menetelmiä. Neurotieteissä niitä voitaisiin käyttää esimerkiksi kehittyvien aivojen kuvantamiseen, pohtii Roos.
Naapuritaloissa Kumpulan kampuksella työskentelevät tutkijat ovat tyytyväisiä hankkeeseen, josta molemmat saavat uraauurtavaa tutkimusta ja oleellista tietoa.
– Jos ajattelee tieteenalojen välisiä hankkeita, yleensä toinen osapuoli päättää, mitä tutkitaan, kun toinen ”pyörittää ratasta”. Tulokset auttavat lähinnä päättävää osapuolta. Mutta tästä projektista saamme keinoja viedä molempia aloja isoin askelin eteenpäin, sanoo Palmroth.
Teksti on alunperin julkaistu Helsingin yliopiston sivuilla.