Maskinlæring kan forbedre de vigtige digitale værktøjer, som man bruger til virtuel analyse af alt fra trafikstyring og opsendelse af nanosatellitter til funktionen af pacemakere og udvikling af tsunaminødberedskab. Med de forbedrede værktøjer er det nemlig muligt at lave mere nøjagtige analyser af fejl i computermodeller og finde muligheder for at optimere computersystemerne.
Værktøjerne er en vigtig del af computermodellering og kan i yderste konsekvens benyttes til at redde liv, hvis de fanger fejl fx i udviklingen af et tsunaminødberedskab. De kan også hjælpe med at reducere CO2-udledning, hvis de bruges til at forbedre udviklingen af trafiksystemer.
I sin forskning har Peter Gjøl Jensen optimeret på to værktøjer (Uppaal og Tapaal), så de i dag er hurtigere og mere præcise end nogensinde før. Specifikt har han forbedret maskinlæringsdelen, en slags kunstig intelligens, i værktøjet Uppaal. Her har han udviklet alternativer til neurale netværk i maskinlæringsdelen og udnyttet klassiske statistiske og spilteoretiske teknikker til at give computeren en bedre forståelse for den verden, som den befinder sig i.
− Inden for mit forskningsområde arbejder vi med problemstillinger fra den virkelige verden, og vi laver så præcise computermodeller af de problemstillinger. Efterfølgende skal vi have nogle værktøjer, der ved hjælp af komplekse beregninger kan optimere eller stressteste computermodellerne, og det er de programmer, jeg har forbedret ved hjælp af maskinlæring, forklarer postdoc Peter Gjøl Jensen fra Institut for Datalogi på Aalborg Universitet. Peter Gjøl Jensen har forbedret de analytiske værktøjer i forbindelse med sin for nylig afsluttede ph.d.-afhandling.
Det er standard at lave computermodeller af forskellige ting eller situationer for at kunne teste dem til bunds i en virtuel verden. Det kan fx dreje sig om at optimere de computersystemer, der regulerer gulvvarme i et hus, eller stressteste computeren i en pacemaker under forskellige scenarier uden at skulle udsætte hjertepatienters liv for fare. Nogle gange vil man gerne have at vide, hvordan man kan forbedre på den digitale del af et design, mens man andre gange blot vil finde ud af, hvor potentielle fejl ligger, hvis systemet bliver presset.
Når det drejer sig om de virtuelle versioner af den virkelige verden, bliver det ofte til nogle komplekse matematiske størrelser, som derfor også skal bearbejdes af komplekse matematiske værktøjer. Disse værktøjer skal helst være både meget præcise og hurtige.
− Når computerne skal regne på problemstillingerne, skal de gerne kunne finde frem til et resultat både hurtigt og nøjagtigt. Gælder det optimering af det system, som kontrollerer gulvvarmen i et hus, er der måske plads til fejl i computerprogrammet, men gælder det en stresstest af computeren i en pacemaker eller opsendelsen af en satellit, er der ikke plads til fejl, forklarer Peter Gjøl Jensen.
Arbejdet med nye algoritmer og datastrukturer i Tapaal resulterede i fire guldmedaljer til den årlige, internationale modeltjekningskonkurrence, der blev afholdt i Prag i april.
Allerede nu er de forbedringer, som Peter Gjøl Jensen har lavet, inkorporeret i værktøjerne og bruges blandt andet til at hjælpe ATS − en virksomhed, der optimerer trafikregulering − med at lave bedre software til deres systemer. B&O har ligeledes brugt værktøjet Uppaal til at finde fejl i deres BeoLink, som forbinder B&O’s produkter i et netværk.
− I øjeblikket arbejder et helt tredje firma med at lave et nødberedskab ved tsunamier, hvor simple telefoner skal hjælpe i det efterfølgende nødarbejde, selvom telefonnettet er nede. Systemet virker fint med et par telefoner, men virksomheden vil gerne teste det i stor skala i en simulering med titusinder af telefoner. Det kan vi lave en model af og bagefter stressteste og optimere med de værktøjer, som jeg har været med til at forbedre, forklarer Peter Gjøl Jensen.
Peter Gjøl Jensen, postdoc Institut for Elektroniske Systemer, AAU, mail: pgj@cs.aau.dk
