Forskning inom maskininlärning
Vi bedriver forskning inom olika områden av maskininlärning och artificiell intelligens, inklusive djupinlärning, mönstergenkänning och interaktion mellan människa och dator; med tillämpningar inom digital humaniora, utbildning, dokumentanalys och Industri 4.0.
Resurseffektiv maskininlärning
Vi strävar efter att balansera potentialen hos maskininlärning med hållbarhetsutmaningar i utvecklingen av artificiell intelligens genom resurseffektiva lösningar.
Maskininlärning (ML) är en kritisk komponent i utvecklingen av artificiell intelligens (AI), vilket möjliggör komplexa uppgifter genom inlärning från data. Dock kan energi- och resursförbrukningen av digital infrastruktur, som datacenter och nätverk, leda till ogynnsamma miljöeffekter. Det har uppskattats att 5-9% av världens totala elförbrukning används av information och kommunikationsteknik, vilket kan öka till 20% år 2030. Till exempel har utvecklingen av stora språkmodeller kopplats till en fördubbling Länk till annan webbplats, öppnas i nytt fönster. av beräkningskraven varannan månad. Det är viktigt att balansera ML:s fördelar med dess hållbarhetsutmaningar och prioritera miljö- och samhällsansvarig utveckling av AI. Mer resurseffektiv maskininlärningshårdvara, algoritmer och mjukvarukoncept krävs för att göra utvecklingen av AI hållbar och tillgänglig för samhällets välfärd.
Projekt
Avhandlingar
- Andreas Ternstedt (2017), Mönsterigenkänning med pulserande neurala nätverk och ROLLS lågeffektivt online-lärande neuromorfisk processor, länk till avhandling, nyhetsartikel
- Mattias Nilsson (2018), Monte Carlo-optimering av neuromorfiska Cricket Auditiv Detekteringskretsar i Dynap-SE-processorn, länk till avhandling
- Oskar Öberg (2019), Kritisk grenreglering av E-I Net Spiking Neural Network Model, länk till avhandling, samarbete
- Olof Johansson (2021), Träning av objektdetekterande pulserande neurala nätverk för händelsebaserad syn, länk till avhandling
- Kim Petersson Steenari (2022), Ett neuromorfiskt tillvägagångssätt för kantresursallokering, länk till avhandling, samarbete
PhD-avhandling
- Mattias Nilsson (2023), Händelsestyrda arkitekturer för heterogena neuromorfiska datorsystem, länk till avhandling
Utbildning
- Neuronnät och lärande maskiner (D7046E)
- Neuromorf informationsbehandling (D7064E)
Brain Analysis
Hjärnanalys är ett aktivt forskningsområde inom medicinska och neurovetenskapliga samfundet. Att analysera hjärndata kan assistera personer i medicinskt behov. Till exempel kan det med detektering av inre tal hjälpa personer med Locked-In-syndrom (LIS) som inte kan tala att kommunicera med sin omgivning genom sitt inre tal. Patienter som lider av neurologiska störningar och har begränsad kommunikation med den verkliga världen - om vi kan hjälpa dem att kommunicera med den verkliga världen skulle det vara ett värdefullt bidrag.
(AI) Innovation in (AI) Education
Undervisningsfilosofi
Vår grupp har omfamnat problemorienterat och aktivt lärande som grundläggande principer i utbildningsprocessen. För att genomföra dessa principer har vi antagit ett omvänt klassrumskoncept, där live-sessioner genomförs med aktiv deltagande och omfattande gruppdiskussioner och plenumsamtal. Dessutom tilldelar vi projekt och utmaningar i deras laboratorier och kursarbete. Undervisningsprocessen inom ML-gruppen inkluderar många pedagogiska principer för att uppnå målet om effektiv utbildning.
Pedagogiska principer
Bank av mikromoduler: Konceptet "bank av mikromoduler" innebär att kursen kan anpassas för olika studentgrupper genom att välja specifika mikromoduler från en förberedd samling. Denna metod minskar belastningen som läraren behöver lägga på att förbereda individuella moduler eller utforma flera kurser för olika nivåer. Varje mikromodul består av en kort inspelad video eller föreläsning (varar mellan 5 och 10 minuter), en quiz med omedelbar feedback, en peer-granskad uppgift och en reflektionsfråga för att bedöma kunskapen.
Teach-back-metoden: Vi har skapat en inledande implementering av teach-back-metoden, i kombination med användningen av studiegrupper. Kärnan i denna implementering är en uppsättning nyckelbegrepp och relaterade frågor som studenterna fördelar bland sig själva veckovis i sina respektive grupper. Varje student går sedan vidare för att läsa mer om sitt begrepp och förklara det för andra medlemmar i sin grupp under ett möte. Vi strävar efter att uppnå följande mål med denna övning: i) öka studentengagemang och motivation, ii) förbättra studenters förståelse och minnesförmåga av nyckelbegrepp, samtidigt som iii) lärarinsatsen hålls på en rimlig nivå. Denna metod antogs delvis som svar på bevis som visar begränsningarna i instruktörsledda förklaringar för att främja konceptuell förståelse, samt för att följa universitetets riktlinjer. Vi arbetar för närvarande med att förbättra genomförandet.
Inkludering som avsikt och praktik tillsammans: Inkluderande utbildning är ansträngningen att säkerställa att alla har lika tillgång till utbildning. LTU:s tillvägagångssätt erkänner att det kan uppstå konflikter när inkluderande utbildningsprinciper kolliderar med utbildningssystemets värden och traditioner. Det innebär att de har gjort betydande ansträngningar för att adressera akademiska strukturer, traditioner och metoder som bidrar till marginalisering och uteslutning av studenter. Inkluderande utbildning fokuserar inte bara på studenter med särskilda behov utan syftar till att gynna alla studenter som riskerar att bli marginaliserade.
Större bidrag
Masterprogram i Applied AI (länk)
Masterprogram i teknisk fysik och elektroteknik (länk)
MOOCs: Produktion av 2 MOOC-kurser
- Introduktion till artificiell intelligens inom turism (länk)
- Datorseende, Bildförståelse för effektivt företag och industri (länk)
Universeh (EU-finansiering - European Space University for Earth and Humanity)
- Gemensam kurs med AGH (Maskininlärning inom robotik och kantenheter för rymden) (länk)
Modulering - Livslångt lärande
- Livslångt lärande, Praktisk introduktion till datavetenskap
EU-projekt - AI4EDU (AI-samtalsassistent för studenter) (länk)
Gemensam kurs med Örebro universitet: Bearbetning av naturligt språk
Publikationer
Pedagogiska principer i online-undervisning i textbrytning: En retrospektiv
HUR UNIVERSITETSKURSEN BLIR SJÄLVSTYRD: MOOC SOM ETT EXEMPEL
Innovativt utbildningsapproach mot aktiv distansutbildning: en fallstudie i kursen Introduktion till AI
2D-matrisdesign för bättre branschskräddarsydda kurser
Erfarenheter från implementering av teach-back i undervisningen om artificiell intelligens
Uppdaterad:
Sidansvarig: Personal