2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

Portefølje Naturvitenskap og teknologi ikon

The research system

Portefølje Humaniora og samfunnsvitenskap ikon

Ground-breaking research

Portefølje Samisk ikon

Sámi society and culture

Portefølje Demokrati, styring og fornyelse ikon

Democracy and global development

Portefølje Velferd, kultur og samfunn ikon

Welfare, culture and society

Portefølje Helse ikon

Health

Portefølje Klima- og polarforskning ikon

Climate and environment

Portefølje Landbasert mat, miljø og bioressurser ikon

Land-based food, the environment and bioresources

Portefølje Energi, transport og lavutslipp ikon

Energy and transport

Portefølje Muliggjørende teknologier ikon

Enabling technologies

Portefølje Industri og tjenestenæringer ikon

Innovation

LTP Climate, environment and environmentally friendly energy

Climate and loss of natural diversity

Internationalization

Societal security and civil preparedness

Renewal in the public sector

Velferdstjenester

Frontpage Image

Marine icon

Petroleum og mineraler

LTP Hav ikon

Oceans and coastal areas

LTP2 Muliggjørende og industrielle teknologier ikon

Enabling and industrial technologies

Trust and community

Professional environment

High quality and accessibility

LTP Climate

Strengthened competitiveness and innovation capacity

LPT Health

 An innovative business community

LTP3 Helse

Portefolje Petroleum Ikon

Portefølje Hav ikon

Portefølje Utdanning og kompetanse ikon

Portefølje Global utvikling og internasjonale relasjoner ikon

Portefølje Livsvitenskap ikon

LTP2 Styrket konkurransekraft og innovasjonsevne ikon

LTP2 Utvikle fagmiljøer av fremragende kvalitet

LTP2 Samfunnssikkerhet og samhørighet ikon

LTP2 Fornyelse i offentlig sektor ikon

LTP2 Klima, miljø og miljøvennlig energi ikon

Forsidebilde optimalisert

project-bank-technical

Et innovativt næringsliv ikon

Muliggjørende teknologier bakgrunn

Marin bakgrunnsbilde

Marin ikon

Forsidebilde

Statistics

Prosjektbanken presenterer statistikk og informasjon om prosjekter med finansiering fra Forskningsrådet fra 2004. Statistikken er fordelt på blant annet tema, år, geografi og organisasjon. Prosjektbanken gir også detaljert informasjon om de enkelte prosjektene.

...or see the summary and other information about the projects you have selected

Portfolios

En god beskrivelse av denne siden for søkemotoroptimalisering

Forside

How the grants are distributed between organisations, counties, subject areas etc....

Here are some examples of searches you can perform in the Project Databank

All long term plan objectives

About Text Queries

No thematic area or topic related to the project

has received funding in the programme period

No popular science description is available

have received funding in the programme period

The project with project number {{project number}} was not found

Technical description

Woops, something went wrong. Please refresh the page. If the error persists, please contact us.

We could not find what you were looking for

See statistics related to this LTP objective

See projects related to this LTP objective

related to this LTP objective have received grants

has been granted to projects related to this LTP objective

has been granted to projects related to this portfolio

related to this portfolio have received grants

About Prosjektbanken

2014

Diverse

Kunnskapsdepartement

Ukjent

Matematikk og naturvitenskap

Svalbard

LTP3 Klima, miljø og energi

LTP3 Klima, polar og miljø

UoH-sektor

Portefølje Forskningssystemet

Portefølje Klima og miljø

Nettverkstiltak

Koordinerings- og støtteaktivitet

Nordområdene

Polar

Globale utfordringer

Internasjonalisering

Klima

Naturmangfold og miljø

Klimarelevant forskning

Tørkeperioder kan gjøre bakken hardere og frastøte seg vann, dette fører til økt fare for flom og jorderosjon hvis det skulle komme styrtregn. Sammenfallende hendelser hvor en tørkeperiode ender i styrtregn kan derfor forårsake større skader på infrastruktur og avlinger enn enkelthendelser med kun tørke eller styrtregn. Global oppvarming har forårsaket at både tørkeperioder og styrtregn intensiveres og skjer oftere, som også kan føre til at sammenfallende hendelser med tørke etterfulgt av styrtregn også kan intensiveres og skje oftere. 
Selv om det er funnet en økning i tørkeperioder og ekstremnedbør med global oppvarming også i klimamodellene, er det også en stor spredning mellom modellene på hvor mye og i hvilke områder som opplever mer tørke og nedbør. Prosjektet vil undersøke faktiske historiske hendelser hvor tørkeperioder endte i styrtregn i værobservasjoner og værmodelldata for å finne passende indekser som kan brukes til å analysere hvordan de forekommer i klimamodellene. Modeller på finere skala gjør en bedre jobb med å modellere nedbør, prosjektet vil derfor bruke finskala høytoppløselige klimamodeller og globale klimamodeller for å se hvordan tørkeperioder avsluttet med styrtregn forekommer i disse. De modellene som gjør det godt opp mot observasjoner vil bli identifisert.  Videre vil prosjektet studere endringene i hyppighet og intensitet av sammenfallende hendelser med tørke og styrtregn med global oppvarming.
En av grunnene man vet til hvorfor det er stor usikkerhet knyttet til hvordan klimamodellene gjenskaper nedbørsmønstre er hvordan fordamping varierer over skog- og andre arealer. I prosjektet vil vi se på effekten av avskoging og økt skogbruk i globale modeller, og gjøre egne beregninger over mindre areal på finskala for å for å se hvordan fordamping blir påvirket. Resultatene av prosjektet er viktig får å unngå eller minimere skadene slike sammenfallende med tørke etterfulgt av styrtregn kan forårsake.

Global warming intensifies drought and extreme precipitation. Compound events with droughts ending in intensified precipitation - DRIP can cause large damages but are extremely understudied. This project aims to estimate the change in frequency and intensity of DRIP events with global warming due to changes in the water-cycle. We will identify actual historical compound DRIP events and find indices that are suitable to identify these events in model data. As global climate models show a large spread in precipitation for both historical and the different future climate projections, there is expected to be a spread in model projections of DRIP events as well. We will constrain this spread by identifying global climate models that do a good statistical representation of historical DRIP events and by analyzing large ensembles to evaluate the natural variability. As higher resolution modelling shows a better representation of the water cycle, the project will analyze regional downscaled global models in identified regions of interest.  We will also perform in-house regional simulations of identified global models down to convection permitting scale to study the change in DRIP events with model resolution. The project will also target a highlighted uncertainty connected to the water-cycle by exploring how evapotranspiration and the occurrence of DRIP events found in climate models respond to land use change. For this analysis we will extend the regional downscaling to include sensitivity studies which contain deforestation and forestation. Results gained from DRIP will make a large contribution to the knowledge needed on future mitigation measures due to the increase in compound events.

DRIP - DRought ending in Intensified Precipitation

The high seas are those marine areas under no State's jurisdiction. So far, all marine renewable energy (RE) activity is being conducted under State's jurisdiction. However, recent advances in technology are raising the prospect of carrying out RE activity on the high seas. Currently, only seabed mining activities in the Area have been regulated. The Area is the seabed and ocean floor beyond the limits of State's jurisdiction. From the legal viewpoint, the main gap is a lack of an international regulatory framework, informed by participatory mechanisms and supported by scientific evidence, for RE activities on the high seas, especially regarding their environmental and social impacts. 
The primary project objective (O) is to provide the scientific community and policymakers with science-informed and indigenous knowledge-based recommendations in support of the development of  RE regulation on the high seas. 
Two specific Os are set to complement the primary O, namely:
O1 To advance the use of systematic consultation processes that facilitates research at the crossroads of marine sciences and law. 
O2 To advance critical knowledge and understanding of environmental pressing issues comparable to the regulation of RE on the high seas, such as deep-sea mining in the Area.
A multistep innovative methodology will be adopted, by integrating marine scientific knowledge, consultative processes, and advanced critical research in the subject matter. A case study (interdisciplinary and participatory) involving marine scientists, indigenous and coastal communities and policy makers will be conducted onboard the Research Vessel KronPrins Haakon at the beginning of the project. The case study outcomes will be analysed through critical legal analysis to build a knowledge base for policy recommendations. 
The project will advance the PI’s career in an international research environment, allowing her to generate independent, high-quality, and reproducible results.




Renewable energy on the high seas – science-informed and indigenous knowledge-based recommendations for regulatory and governance challenges

Prosjektet går ut på å invitere forskere fra norske eller utenlandske universiteter til å presentere sin forskning om økonomi og klima ved Handelshøyskolen ved Universitetet i Stavanger (HHUiS).

Dette skjer i form av et seminar som vanligvis finner sted en gang i uken. En kjent forsker fra et annet universitet kommer til Stavanger og holder et 60-minutters seminar og har en rekke møter med forskere i Stavanger. Vi prøver å ha minst 6-8 møter per gjest. I tillegg spiser gjesten lunsj og middag med UiS-ansatte.

Disse seminarene er en del av en eksisterende seminarserie som også tar for seg andre klimaspørsmål. En stor del av seminarene er imidlertid fokusert på klimaendringer og økonomi, og det er kun til disse seminarene vi søker midler.

En aktiv seminarrekke er hjertet i et forskningsuniversitet, og svært viktig for at forskerne ved universitetet skal kunne utvikle seg og være en aktiv del av det globale forskningsmiljøet. Dessverre må vi av budsjettmessige årsaker kutte ned på denne aktiviteten i år og fremover, og derfor sender vi denne søknaden for å be om midler til denne aktiviteten.

UiS har et meget energisk forskerteam innen økonomi og klima. For eksempel ble Dora Simons forskning nylig nevnt i The Economist, Anders Åkermans forskning ble denne uken nevnt av Det hvite hus i den amerikanske presidentens årlige økonomiske rapport, og Torfinn Harding skriver jevnlig artikler i Dagens Næringsliv og opptrer på norsk TV. For at denne gruppen skal overleve, er det svært viktig å kunne arrangere seminarer om klimaendringer på høyeste internasjonale nivå.

Seminarer med internasjonale forskere om økonomi og klima ved Universitetet i Stavanger

Improving tropical forest conservation in Africa

The importance of non-timber forest products (NTFPs) for better balancing tropical forest conservation and poverty alleviation goals is increasingly recognised. Yet, in Africa, poor understanding of the impact of harvesting on species’ populations and forest carbon stocks, together with little information on the traditional institutions which have informally regulated NTFPs extraction in the past -and could continue to do so in the future-, hamper the use of NTFPs in both forest conservation and development initiatives. 
AFRI-FOR will gather the knowledge needed to determine (1) the key enablers of sustainable harvesting for groups of plant or wild meat species, (2) which types of NTFP harvesting can have synergies with carbon storage, and (3) how traditional institutions can be integrated into formal conservation. To achieve these objectives, AFRI-FOR provide new methods, including (i) a new interdisciplinary approach for investigating NTFPs harvesting impacts, combining traditional ecological knowledge (TEK, from local communities), surveys of plants and wildlife, market surveys and modelling techniques; and (ii) a novel standardised protocol for gathering information about traditional institutions and compliance towards them. AFRI-FOR will gather data and knowledge from 20 socio-ecological forest contexts in five countries (Sierra Leone, Cameroon, DR Congo, Uganda and Kenya), which will allow insights to transcend single sites and provide a much-needed general understanding. This high-risk and high-gain project will provide a step-change in our ability to inform forest conservation in Africa, by identifying synergies between biodiversity conservation, carbon storage and poverty alleviation goals.


Currently, 28.2% of the total EU-28 greenhouse gas emissions come from the power sector, a large contributor to greenhouse gas emissions. Consequently, the emphasis of the research in power generation has swung towards assessing highly efficient and greener power cycles. In this reference, the novel supercritical carbon dioxide Brayton cycle (sCO2-BC) is an ideal choice that outstrips other formally well-known power cycles (Brayton & Rankine cycles). In sCO2-BC, the role of the pre-cooler is critical. It serves as a sink to the power cycle and regulates the conditions at the compressor's inlet. The compressor's inlet temperature is intended to be maintained close to the critical temperature of carbon dioxide (CO2) to achieve greater cycle efficiencies. However, exceptionally higher values of the specific heat capacity of CO2 near its critical point (up to 40 times higher than water) require exceedingly high water flow rates on the cold side to achieve the desired exit temperatures of CO2. Consequently, the pre-cooler's pumping power requirements become high enough to deteriorate the cycle's performance. This problem can only be mitigated by exploring new channel geometries with enhanced thermohydraulic characteristics. Therefore, the proposed study plan to characterize the complex thermohydraulic characteristics in the pseudocritical region of CO2 using a multifaceted technique that includes, experimental, numerical, and machine learning techniques. The proposed work will provide a step forward to the success of sCO2-BC technologies that, in turn, will facilitate its integration with the green energy resources (generation-IV nuclear reactors and solar concentrated plants), helping to meet the EU's 2030 climate and energy framework goals of achieving at least 32% share for renewable energy.

Evaluation of thermohydraulic characteristic of printed circuit heat exchangers in pseudocritical region for supercritical CO2 cycle

Potetskrell, et biprodukt fra industriproduksjon av potet (pommes frites, flak, chips mm.) er en råstoff ressurs som kan bli bedre utnyttet til nye formål. Skrellet er nemlig en rik kilde på antioksidanter, stoffer som planter naturlig har i seg for å beskytte mot skadelige UV-stråler og reaktive forbindelser som oksygen radikaler. Antioksidanter behøver vi også å tilsette i matvarer for å beskytte og ta vare på umettet fett så det ikke blir harskt og vondt i kontakt med luft. I dag brukes flere ulike syntetiske stoffer i matvarer for å hindre oksidasjon av fett og oljer. Men det er reist bekymring rundt sikkerheten for bruken av dem. Matvareindustrien, myndigheter og forbruker ønsker derfor å fjerne flere syntetiske antioksidanter og erstatte dem med naturlig alternativer. Det er imidlertid svært få slike produkter som er godkjent og tilgjengelig på markedet. Prosjektet Peel Preserve, som har et klart bærekraft mål, skal vise om et uttrekk av antioksidanter laget på industrielt potetskrell råstoff kan fungere som konserveringsmiddel og erstatte noen av de stoffene som brukes i dag. Tre næringsmiddelbedrifter skal teste potetskrell-ekstraktet i noen av sine produkter og utføre både interne og eksterne analyser på effekten. Men en viktig forutsetning for at potetantioksidant kan tas i bruk som nytt tilsetningsstoff i mat er at det blir godkjent av den Europeiske matsikkerhets myndigheten (EFSA) og gitt et E-nummer. Prosjektet skal igangsette denne lengre flertrinns godkjennings prosessen. Parallelt skal det utvikles en forretningsmodell og nødvendig beskyttelse rundt teknologien. Dersom industrien etter testingen av potetantioksidanten, vurderer denne som er god erstatning til konkurransedyktig pris, og en EFSA-godkjenning kan oppnås på sikt, åpner det for å kommersialisere et naturlig plante-basert produkt til beste for forbruker og for miljøet. Bak prosjektet Peel Preserve står Høgskolen i Innlandet i samarbeid med Nofima og Klosser Innovasjon.

Preserving foods with potato peels: Industry-relevant validation and first regulatory assessment of a new natural antioxidant

RETRACE-prosjektet, som strekker seg over tre år, tar for seg den økende trusselen fra naturkatastrofer, som har rammet over 2,3 milliarder mennesker siden 2000-tallet. RETRACE fokuserer på lokalsamfunn i Arktis og Stillehavsområdet, som marquisene i Fransk Polynesia, samene og kvenene i Norge og ahtnaene i Alaska, og har som mål å styrke motstandskraften mot klimarisiko. Disse lokalsamfunnene, som er dypt sammenvevd med omgivelsene sine, gir uvurderlig innsikt i hvordan man overlever og trives i en krevende miljøsituasjon.

RETRACE tar utgangspunkt i hypotesen om at urfolks- og lokalkunnskapssystemer, særlig fra lokalsamfunn i polar- og stillehavsområdene, er uunnværlige for å utvikle effektive strategier for motstandskraft. Prosjektets metode innebærer å samle inn et rikt datasett som omfatter vitnesbyrd, kulturelle praksiser og levde erfaringer, i tillegg til kvantitative analyser. Målet er å skape et omfattende rammeverk som tar hensyn til lokale kontekster og fremmer tilpasningsdyktige og inkluderende resilienspraksiser.

Et internasjonalt forskerteam fra Frankrike, Norge og USA samler en rekke ulike ferdigheter for å bygge bro mellom vitenskapelig forskning og virkeligheten i lokalsamfunnene. Målet er å utvikle et romlig beslutningsstøttesystem som både bidrar til å visualisere resiliensdata og fungerer som et verktøy for samfunnsbasert beslutningstaking, noe som forbedrer evnen til å håndtere risiko og utnytte tradisjonell kunnskap på en effektiv måte.

Ved å kombinere lokal innsikt med vitenskapelig innovasjon skal RETRACE bane vei for resiliensstrategier som både er bærekraftige og tar hensyn til de unike behovene til sårbare lokalsamfunn. Dette prosjektet setter ikke bare søkelyset på urfolks- og lokalkunnskapens avgjørende rolle når det gjelder å håndtere klimaendringene, men har også som mål å sette lokalsamfunn over hele verden i stand til å håndtere de utfordringene som et klima i endring fører med seg.

The three-year RETRACE project responds to the increasing impact of natural disasters on over 2.3 billion people since the beginning of the millennium. It has a particular focus on Arctic and Pacific communities vulnerable to climate risks, specifically, the Marquesan community in French Polynesia, the Sámi and Kven communities in Norway, and the Ahtna people in Alaska. The project aims to address the resilience(s) of communities, in order to develop more inclusive and equitable approaches to developing and implementing resilience strategies.

Five hypotheses guide the research, based on the assumption that indigenous communities such as the ones living in Polar zones and Pacific islands, developed resilience knowledge and strategies to cope with climate-related events. The project aims to co-develop a spatial decision-support system for producing and visualizing qualitative and quantitative data on the different forms of local, community, intrinsic and traditional resiliences in those communities.

Utilizing a narrative approach, the consortium collects testimonials, cultures, memories, experiences, sensitivities and expertise from both Arctic and Pacific communities on forms of resilience and their visions of climate risks, alongside quantitative open-source data from traditional assessments. This data will be cross-referenced to build an interdisciplinary framework for a nuanced understanding of local needs, suitable to assess resilience in local contexts. 

Comprising researchers from France, Norway and the USA with diverse expertise, the consortium aims to contribute in developing risk management and resilience strategies by integrating local and indigenous knowledge into an adaptable and sustainable spatial decision-making tool. The tool aims to bridge the gap between international scientific research and local community realities, potentially informing strategies in other vulnerable territories in the future.

ResilienceS to climate risks: lessons from Arctic and Pacific communities

Sjøisen i Arktis har minket drastisk de siste tiårene, og Polhavet forventes å være isfritt om sommeren mot slutten av århundret. Denne nedgangen har utsatt store havområder for vind, noe som har resultert i at det oftere dannes store bølger i Polhavet. Disse bølgene kan forplante seg over flere titalls til hundrevis av kilometer i sjøisen, knekke den og akselerere smeltingen. Disse fysiske prosessene – bølger som knekker sjøis og effekten dette har på sjøissmelting og vekst – mangler i modellene vi bruker for å forutsi klimautviklingen. Dette bidrar til store usikkerheter i klimamodeller. Effekten av bølger på sjøisen er heller ikke tatt med i prognoser for havets og sjøisens forhold, som brukes av skip som opererer i islagte farvann. I ForWArd ønsker vi å vurdere bølgenes innvirkning på sjøisens utvikling i det stadig røffere Polhavet. I dette arbeidet brukes en svært avansert modell som inkluderer sjøis, hav, bølger og deres interaksjoner. Vi skal først vurdere hvor godt den representerer forholdene i Polhavet sammenlignet med de få tilgjengelige observasjonene. Vi vil så bruke modellen til å undersøke hvordan bølgehøyden og arealet av ødelagt sjøis har utviklet seg de siste tre tiårene. Deretter vil vi kombinere modellen vår med forholdene i det fremtidige Polhavet gitt av klimafremskrivninger, for å undersøke hvordan betydningen av interaksjoner mellom bølger og is vil utvikle seg ettersom sjøis avtar i det 21. århundre. Vår modells estimering av "bølgepåvirkningen" vil tillate polarvitenskapsmiljøet å vurdere hvor usikre deres klimaspådommer uten bølger er. Til syvende og sist vil våre modellresultater og utviklinger legge grunnlaget for å legge til bølgeeffekter i hav- og sjøisvarsler i Arktis. Dette vil gjøre varslene mer nøyaktige og bidra til sikkerheten for menneskelig aktivitet i denne regionen.

Arctic sea ice decline under climate change has allowed waves to form and grow more easily in the Arctic Ocean. These waves propagate into the sea ice over tens to hundreds of kilometres, fragmenting it into small floes. This area of broken ice, known as the Marginal Ice Zone (MIZ), is a highly complex region where many interactions occur between the ocean, sea ice, and atmosphere. The action of waves strongly affects these interactions, with rapid feedbacks on the sea ice. However, climate models do not account for these wave-ice interaction processes, which likely contributes to the strong biases in their estimation of modelled sea ice extent and volume and their inability to capture short-term sea ice extent variability. Given the lack of observations available, numerical models remain the best way to estimate how wave-ice interaction processes can impact Arctic sea ice, but most wave-ice coupled models are still prototypes. In ForWArd, we will use one of the most advanced of these models to assess this impact in the context of climate change. To this aim, we will use the latest observations to calibrate the modelled wave-affected area and produce a 30-year-long hindcast of the MIZ extent evolution to analyse how it responded to larger wave height, delayed refreezing, and thinner ice. Then, we will assess the relative importance of the wave-ice interactions suspected to affect sea ice in the MIZ using well-documented events. Finally, we will estimate how waves will contribute to sea ice extent and volume variability in the coming decades, as large areas of open water will remain open until late in the autumn. The flexibility of our setup will allow us to test the sensitivity of our results to model resolution and assumptions, giving invaluable insights into the biases induced by misrepresenting wave-ice interactions. ForWArd will also pave the way for the integration of wave effects in sea ice forecasts, a requirement for safer operations in ice-infested waters.

Forecasting Wave impact as Arctic sea ice declines

AGREE tar for seg klimaendringers innvirkning på kulturarv gjennom tverrfaglige metoder og samarbeid mellom ulike samfunnsaktører. Prosjektet tar særlig for seg urbane områder som påvirkes av flom. Målet er å forstå det komplekse forholdet mellom forvaltning av kulturarv, klimatilpasning og samfunnets sårbarhet, og å se på tiltak for å minimere risiko for tap og ødeleggelse som følge av klimaendringer. Sentrale delmål inkluderer integrering av strategier for bevaring av kulturarv med strategier for klimatilpasning, spesielt gjennom konseptet Historisk Urban Landskap (HUL). 

AGREE vil utvikle en beslutningsmodell forankret i HUL-konseptet som sammenligner dagens forvaltningspraksis med historiske data for å belyse sårbarhet og klimatilpasning i en urban kontekst. AGREE vil fremme transformative strategier for klimatilpasning ved å evaluere beslutningstakernes forståelse av disse samspillene. 

Prosjektet ledes av University of Leeds (Storbritannia), og har Norsk institutt for kulturminneforskning (NIKU), Politecnico di Torino (Italia) med som partnere. ICCROM (International Centre for the Study of the Preservation and Restoration of Cultural Property), British Council (Storbritannia), UK’s Department for Culture, Media and Sport (Storbritannia), Hull City Council (Storbritannia) og Innlandet fylke (Norge) deltar som samarbeidspartnere. Gjennom dette samarbeidet skal prosjektet bidra til å forme politikk og klimastrategier, både lokalt og globalt.  AGREE vil også engasjere publikum for å øke bevisstheten om klimatilpasning og mobilisere til felles handling.  Gjennom bred involvering skal AGREE bidra til å sikre at kulturarven forblir beskyttet og motstandsdyktig i møte med klimaendringer.

Alt i alt vil AGREE utforske klimaendringers påvirkning på kulturarv med en praksisorientert tilnærming, og med fokus på samarbeid, databasert beslutningstaking og samfunnsengasjement for å sikre vår felles kulturarv for fremtidige generasjoner.

AGREE champions transformative sustainability in response, emphasizing interdisciplinary methodologies and societal shifts. It explores the intricate link between cultural heritage governance, climate adaptation, and community resilience, rooted in responses to flooding in urban contexts. AGREE promotes the Historic Urban Landscape concept for integrative decision-making in climate adaptation, considering community resilience amidst environmental changes. An interactive Geographic Information System platform will illuminate this interplay over time. An innovative AGREE's contribution is a decision-making model grounded in the HUL paradigm. This model juxtaposes current national and local policies enabling cultural heritage integration in climate adaptation with historical data sources revealing urban resilience lessons and changes in the built environment over time. AGREE employs transformative governance concepts to evaluate decision-makers comprehension of these synergies and their perspectives. It advances transformative climate adaptation by uncovering potentials and barriers within heritage governance in case studies from the UK, Norway, and Italy. Beyond research, AGREE will shape policies with multi-scalar and cross-sectorial governance, interpreting climate intricacies through cultural heritage. It will strengthen global, national, and local heritage-focused climate strategies through partnerships with the British Council, ICCROM, and the UK's Department for Culture, Media, and Sport and local stakeholders, such as Hull City Council (UK) and Innlandet Region (Norway). AGREE also engages the public, raising climate adaptation awareness and mobilizing collective action, benefiting governmental climate efforts.

Advancing Cultural Heritage Governance for Resilient Climate Adaptation

SASCHA har som mål å utvikle praktiske verktøy og metoder for å vurdere og håndtere kulturminner når klimaendringer utgjør en risikofaktor. Prosjektet ledes av University College London (UCL), og har Norsk institutt for kulturminneforskning (NIKU), Arizona State University (USA), NHAZCA (Italia) og North Carolina State University (USA) med som partnere. ICCROM (International Centre for the Study of the Preservation and Restoration of Cultural Property), English Heritage Trust (Storbritannia) og Ventotene kommune (Italia) deltar i prosjektet som samarbeidspartnere. 

 Hovedmål for prosjektet:  
- Utvikling av indikatorer og målemetoder for måling av klimaendringers virkning på kulturarv. 
- Etablere metoder for å involvere relevante aktører i identifiseringen og målingen av disse virkningene. Metodene skal kunne tilpasses lokale forhold og kulturell kontekst. 
- Utvikle verktøy for å hjelpe beslutningstakere til å vurdere og anvende målinger på ulike nivåer. 
- Utforske utfordringer og muligheter knyttet til bruk av nye metoder for vurdering klimarelaterte risikofaktorer for kulturminner. 

Ved å oppnå disse målene skal SASCHA ruste lokalsamfunn og kulturminneforvaltningen til å bedre forstå og håndtere klimarisiko. I tillegg, gjennom samarbeid med organisasjoner som UNESCO og ICCROM, skal SASCHA bidra til globale diskusjoner om hvordan klimaproblematikken kan integreres i kulturminneforvaltningens praksis. Alt i alt vil SASCHA legge til rette for politikkutvikling og styrke kulturminneforvaltningen ved å tilby verktøy og metoder for å effektivt vurdere, tolke og formidle klimarisiko for kulturarvsteder over hele verden.

SASCHA proposes operationalisation for transferable risk assessment and a value-based decision support tool. Supported by this approach, the overarching aim of SASCHA is therefore to develop innovative methods for understanding risks of climate change for heritage that allow for multiscale analysis and scalable approaches, bridging the gaps between local knowledge and global data, and from local vulnerability to global risks. To this end, SASCHA will: a) develop a set of operationalised indicators/metrics for relevant determinants of climate change; b) develop a locally adaptable protocol for stakeholders' engagement in the identification of relevant determinants of climate impacts that acknowledge and celebrate diversity in cultural contexts; c) develop a climate adaptation decision support tool to evaluate relevance of assessment approaches for different spatial scales; d) explore the challenges and opportunities of an operationalisation approach to climate change--heritage risk. Addressing a complex, wide and research-intensive subject, SASCHA unfolds several organisational, scientific, technical, technological and cultural heritage-oriented elements. SASCHA includes four research partners, together bringing significant experience in climate change and heritage and requisite expertise in physical sciences (UCL), social sciences and humanities (NIKU, NCSU/ASU) and technology (NHAZCA). The consortium can significantly contribute to safeguarding and protecting their region's coastal heritage but also to the global discussion of the integration of climate impacts assessment on cultural heritage through the close collaboration with UNESCO's Advisory body, ICCROM and case study stakeholders. SASCHA will develop methods for assessing, interpreting, and communicating climate change risks for heritage, while also supporting effective policy development and heritage management.

Multiscale approaches and scalability within climate change-heritage risk assessments

Midlene fra IS-BILAT-Mobilitet Norge-USA /Canada fordelt på år

Midlene fra IS-BILAT-Mobilitet Norge-USA /Canada fordelt på fylker

Midlene fra IS-BILAT-Mobilitet Norge-USA /Canada fordelt på fagområde

Professor

Development of endocrine and digestive systems in marine fish larvae

Konferansen arrangeres i regi av BigMed-prosjektet, som ligger under IKT PLUSS-programmet, og tar for seg veien til gode IKT-løsninger for presisjonsmedisin. Seminaret bruker erfaringer fra BigMed som et startpunkt for å peke ut nye temaer og veien videre. 

Arrangementet etterfølger seminaret i Bodø 2019 av Helse Nord og Nasjonalt senter for e-helse om "Kunstig Intelligens i helsesektoren", og videre vil vi gi «stafettpinnen» videre til fagmiljøet i Bergen for neste år. Slik anses konferansen som et ledd i prosessen å etablere en nasjonal “ seminarstafett” om kunstig intelligens mellom de ulike fagmiljøene i landet, for å dele kompetanse og erfaringer på tvers.

Temaer som adresseres i faglig program:
Presisjonsmedisin: Pasientens helsetjeneste i en digital fremtid
Benytte og beskytte persondata i helsetjenesten
Løsninger for fremtidens sekundærbruk av data
Trygg og sikker innføring av ny teknologi
Kortere vei fra innovasjon til implementering

Veien til presisjonsmedisin i Norge - BigMedseminar 2020

I dag brukes det store ressurser, både i form av menneskelige og økonomiske ressurser på å produsere dokumenter tilknyttet anbudsprosesser. Dokumentproduksjons prosessen knyttet til anbud krever omfattende koordinering og samarbeid på tvers av ulike avdelinger i en organisasjon. Prosessen omhandler alt fra å skrive forslag, kontrakter og gjennomføre kontrakten. Salgsorganisasjon bruker betydelige ressurser på å analysere og svare på RFP-er, og utarbeide kontrakter hvis anbudet blir akseptert. Den delen av organisasjonen som så skal stå for selve leveransen bruker deretter ytterligere  ressurser på å forstå den skriftlige kontrakten og følge opp hva som skal leveres.

Vi i Xait ønsker å effektivisere denne prosessen betydelig ved å utnytte maskinlæringsteknologi i dokumentutviklingsprosessen.  

Xait har som mål gjennom dette prosjektet å redefinere dokumentprosessindustrien gjennom å utvikle en intelligent integrert løsning for behandling og respons på anbuds-utlysninger  fra det tidspunkt en utlysning fanges opp av organisasjonens systemer til en eventuell ferdig produksjon av kontrakten. Dette ønsker vi å gjøre ved å transformere vårt allerede markedsledende dokumentbehandlingssystem,  XaitPorter,  fra en automatiseringsprogramvare til intelligent assistent.

Så langt har prosjektet jobbet med implementeringen av språkmodeller og metoden for dekonstruering av innkommende dokumenter, samt implementeringen i en egen «motor». Motoren og dekonstrueringen - kalt "shredding" - er produktifisert i XaitAnalyzer, et separat produkt for å vise resultatet av denne prosessen. Q2/Q3 har innebåret testing/verifisering av XaitAnalyzer hos kunde og i løpet av Q4 har vi beveget oss inn i å koble sammen den dekonstruerte teksten med forslag fra et standardbibliotek for å automatisk kunne finne innhold forfatteren kan gjenbruke. Dette vil ta ned tiden en forfatter bruker på utarbeidelsen av et dokument.

Today millions of hours, human resources, and euro, are used to manually produce documents of different forms. The process lifecycle demands collaborative efforts in deciding to answer an RFP, writing the Proposal, writing the Contract and executing the Contract. Sales organizations spend considerable human resources and expend many man hours in analyzing and answering RFPs, and writing the Contract if it is accepted. The delivery organization subsequently exhausts further significant amounts of time understanding the written Contract and following up what should be delivered.

Xait aims to dramatically reduce both the calendar time, and resource time and manpower, consumed by this process lifecycle to efficiently analyze, write, understand and follow up the documents. Xait will utilize AI, Machine Learning (ML), Natural Language Processing (NLP) and Natural Language Understanding (NLU) techniques to analyze, categorize, trace appropriate content between requirements and delivery obligations, and suggest additional or replacement content for the identified necessary human participants. In addition, these techniques will be employed to improve the quality and completeness of documents to assist the decision making of human actors for ultimately better Proposals and Contracts.

However, neither Xait, nor any of its competitors, have yet developed AI-based NLP/NLU solutions within document processing software for professional users. Existing solutions on the market help partially automate the process and take the contributors through a set of stages, but these software do not yet realize the value of intelligent automation by either leveraging the users' own text at a granular level, or taking the contributor's competency and role into account, for analyzing or classifying the incoming RFP or consequently producing suggestions for the outgoing Proposal.

Enhancing quality and efficiency in the RFP to Production Lifecycle.

Klesindustrien er en klimaversting med høye karbonutslipp samt stort forbruk av vann og kjemikalier. Prosjektets mål er å endre hvordan man konsumerer klær, fra å kjøpe og eie enkeltplagg til å få tilgang til en nærmest uendelig delegarderobe gjennom leie. De store volumene, og også den store miljøgevinsten ligger i klærne vi bruker hver dag. Dette forskningsprosjektet analyserer hva som kreves av teknologi, logistikk og tilrettelegging for å lykkes med klesutleie i stor skala. 

Det unike med FJONGs modell, er at selskapet leier ut klær fra overskuddslagre. Dette er klær som i utgangspunktet aldri ville nådd en sluttkunde, og det gjelder så mye som 30 % av alle plagg som blir produsert. En slik modell som utnytter allerede produserte klær, er mer kompleks, men åpner for store muligheter og miljøbesparelser. 
Resultatene fra prosjektets forskning vil FJONG bruke til å utvikle teknologi som muliggjør bærekraftig klesleie i flere markeder, i en skala som ikke tidligere har vært mulig. 

Prosjektet har som mål å løse tre hovedutfordringer. For å få til dette har vi med tre forskjellige samarbeidspartnere, med spisskompetansen som trengs for å løse hver av disse utfordringene. 

1. Adferdspsykologi: I samarbeid BI og Senter for grønn vekst med Per Espen Stoknes ser vi på hvorfor vi konsumerer klær som vi gjør i dag, og hva som skal til for at forbrukere skal endre vaner fra å kjøpe nytt, til å leie eller "streame" klær. Her undersøker vi holdninger til leie av klær i både Norge og Tyskland. I tillegg undersøker vi hvordan butikker, merker og agenturer stiller seg til å leie ut overskuddslagrene sine.

2. Bærekraft: I samarbeid med NMBU skal vi utarbeide mer presise beregninger for klima- og miljøeffekter gjennom hele vår verdikjede. Da kan vi redusere vårt eget avtrykk ytterligere, og vise både kundene og utleiepartnerne våre klimaeffekten av å leie fremfor å eie. 

3. Teknologi: I samarbeid med Universitetet i Agder skal vi ved hjelp av blant annet maskinlæring utvikle brukervennligheten og tjenestetilbudet. Vi skal utforske og utvikle en plattform som er designet spesielt for bruker-til-bruker-leie. Målet er å gi kundene så gode anbefalinger som mulig, og gjøre klesleie til et enkelt valg. 
Vi er sikre på at flere vil kunne bruke kunnskapen som kommer ut av de ulike prosjektene. Det er akutt behov for å endre dagens forbruk. Vi må finne solide, lønnsomme forretningsmodeller innen sirkulærøkonomien. Resultatene fra dette forskningsprosjektet vil kunne bidra til det grønne skiftet.

Sitater fra våre forskningspartnere: 
«Vi er utrolig fornøyde med å kunne samarbeide med FJONG. Sirkulærøkonomi er et relativt nytt anvendelsesområde for kunstig intelligens, og vi ser umåtelig frem til å sette i gang og få til et konstruktivt samarbeidet.» Morten Goodwin, Førsteamanuensis ved Universitetet i Agder og nestleder ved CAIR.

Imagine having access to a never-ending shared wardrobe. And also making money off the clothes you own but only seldom wear.

The textile industry is among the most polluting and resource demanding industries in the world, emitting more greenhouse gases than shipping and air traffic combined. Since the year 2000, global clothing production has doubled, but utilization has dropped. Every third garment is never used. 

FJONG aims to revolutionize the way we consume clothes, by making rental more attractive than buying new. We develop a unique rental platform, a convenient and environmentally friendly AirBnB for clothes. Our customers are able to both rent outfits and lend out their own, for a cut of the rental price. 60.000 people have already shown interest in our service and a large share of our inventory is sourced through private lenders. 

We are now ready to expand, both in Norway and internationally. However, further research is required to overcome some key challenges: 
- Behavioral change challenge: How do we change consumer habits? Which factors make people shift from buying to renting, or from throwing away to lending out? What is important for retailers to lend out? 
- Sustainability challenge: How can we optimize our business model from an environmental point of view, while still being scalable and financially viable? How can we minimize footprints from our own value chain, while at the same maximize our impact for sustainable clothing consumption? 
- Technical challenge: Can artificial intelligence and machine learning help create a superior user experience that makes renting more attractive than buying? How can we build a sharing platform that meets the requirements of the value propositions designed and the complex logistics of a peer-to-peer sharing platform?

We are proud to partner with three leading universities, BI, NMBU and UIA to solve these challenges.

Your green, smart and endless wardrobe

Under aktive seismiske målinger blir reflekterte bølger fra undergrunnen registrert av sensorer på ulike avstander (offset) fra kilden. Etter omfattende bearbeiding og bildebehandling kan måledataene på disse ulike offsetene brukes til å finne reservoaregenskaper ved hjelp av en metode som kalles AVO (Amplitude Variation with Offset) inversjon. Denne metoden brukes for å skille mellom væskeinnhold i porøse sandsteiner, dvs. å skille mellom vann, olje eller gass. Imidlertid er det mange fallgruver i denne AVO-analysen, som er delvis knyttet til en altfor forenklet modell for bølgeutbredelse i jorden. Saskia Tschache har i dette industrielle doktorgradsprosjektet fokusert på to hovedområder: (i) undersøke og implementere et mer egnet modelleringsverktøy og (ii) bruke dette verktøyet i en bayesiansk klassifiserings- og inversjonsmetode for å kvantifisere usikkerheten i estimeringen av reservoaregenskaper.

Saskias første artikkel i doktorgraden ble publisert i Journal of Applied Geophysics i november 2022 og heter "On the accuracy and spatial sampling of finite difference modelling in discontinuous models" (Saskia Tschache, Vetle Vinje, Einar Iversen). I denne artikkelen sammenligner hun to populære metoder for å simulere propagasjonen av lydbølger i undergrunnen: Refleksjonsmetoden (RT) og Finite Difference-metoden (FD). Hun viser at RT-metoden er ekstremt nøyaktig ved å sammenligne den med kjente analytiske løsninger. I artikkelen utleder hun også kravene til prøvetaking og optimal modellparametrisering som funksjon av signalfrekvens som er nødvendige for FD-metoden, ved hjelp av RT-metoden som referanse.

Saskias andre og tredje artikkel bruker RT-metoden som en modelleringsmotor og kombinerer den med bayesianske metoder, der mange mulige realiseringer av reservoarmodeller blir vurdert. De elastiske egenskapene til disse modellene er skapt ved en kombinasjon av brønnloggmålinger og etablert bergartsfysikk.

Artikkel 2, med tittelen "Quantifying amplitude-variation-with-offset uncertainties related to calcite-cemented beds using a Monte Carlo simulation", ble publisert i Interpretation i april 2023 og kvantifiserer usikkerheten når kalkstein-sementerte lag er til stede i en sandsteinsreservoar. Disse harde, tynne lagene skaper en påvisbar effekt på målte AVO-data og AVO-basert porefluid-klassifisering. Saskia viser i en test fra Nordsjøen at sannsynligheten for en falsk-positiv indikasjon av hydrokarboner øker fra 3-5% til 18-21% når kalkstein-cementerte lag er inkludert. Resultatene bekrefter at kalkstein-sementerte lag er en potensiell fallgruve i AVO-analysen. 

Artikkel 3 ble sendt inn til den internasjonale journalen Interpretation i april 2023 og heter "Estimation of net-to-gross ratio and net pay from seismic amplitude variation with offset using Bayesian inversion". Ved å bruke en lignende metodologi som i artikkel 2, utviklet Saskia en inversjon som kan brukes på AVO-kart for å produsere kart over de mest sannsynlige estimatene av viktige reservoaregenskaper, som andelen porøse sandlag og hydrokarboninnholdet i et reservoar i tillegg til usikkerhetene i estimatene.

I dette arbeidet har Saskia samarbeidet tett med sine CGG- og UiB-veiledere, med medstudenter i CGG i Oslo, studenter og medveileder Jan Erik Lie fra Lundin/AkerBP, verdenskjent ekspert på kvantitativ seismisk tolkning Dr. Per Avseth, og AVO-eksperter og geologer både ved CGG i Norge og internasjonalt.

The recent availability of powerful GPUs and open source software have enabled artificial neural networks (ANNs) to be applied to several practical and industrial scale problems. In seismic data processing, ANNs have the potential to be applied to many of the key processing steps (swell noise attenuation, seismic interference attenuation, deblending, deghosting, etc.) which today involve significant testing time and computational power. Once trained, ANNs are computationally very light and potentially adaptable to different datasets. Their use could, therefore, save processing times and, in the long term, impact the whole business sector.
The proposed doctoral work is about the usage of ANNs for processing of marine seismic data, esp. denosing and deblending. The goal is to achieve similar or better quality results compared to conventional processing methods.

AVO og inversjon ved modellering av det komplette elastiske bølgefetltet

Prosjektet arbeider med å utvikle et system for å styre en fiskebåt på en tryggere og mer energivennlig måte enn det blir gjort i dag. Systemet skal være energisparende ved å tilpasse seg varierende vær, sjøtilstander og driftskondisjoner, samt styre skipet mer stabilt i sjøen for å øke fangst av fisk. For å klargjøre ideen, så kan man sammenligne dette med en bil med cruise-kontroll og automatisk girkasse. Når bilen kommer til en motbakke vil den tilpasse seg ved å sørge for å endre både turtall og moment slik at motoren ikke kveles. På samme måte bør styring av motor og propell på skip baseres på ytre påvirkninger. Ved å benytte seg av informasjon tilgjengelig på skipet, kan et datasystem selv ta en ekspertvurdering på hvordan motor og propell bør styres. I utviklingen benyttes det kunnskap om hydrodynamikk og kraftsystem for å få på plass systemet som holder både propell og motor på optimale driftspunkt. Systemet beskrives på en systematisk måte som gjør det mulig å analysere deler av systemet ved bruk av matematiske verktøy.
I tillegg skal systemet styre skipet i en ønsket bane, samt å holde konstant hastighet gjennom bølger for å skape gode forhold for linefiske. I dagens linefiske følger operatøren med på bølgene som kommer, og justerer pådraget tilsvarende for å klare å holde skipet i stabil hastighet. Et styresystem som forutser skipets bevegelse i bølger, skal kunne ta over denne oppgaven til operatøren. I skipet som brukes til prototypen i prosjektet er det installert et måleinstrument som registrerer skipets bevegelse. Analyser av historisk data fra dette instrumentet blir essensiell i utviklingen av systemet som kompenserer for innkommende bølger.
For å oppnå tilstrekkelig tillit til et slikt system som i større og større grad tar over oppgavene til operatøren, vil det kreves mye testing, og testing der faktisk fartøy brukes for å gjennomføre testene vil mest sannsynlig ikke være gjennomførbart da systemet bør utsettes for mange ulike scenarier som potensielt kan medføre fare for å ødelegge utstyr eller fartøy. For å sikre at kontrollsystemet reagerer på en trygg og sikker måte vil det i dette prosjektet utvikles en metodikk for automatisk, simulatorbasert testing. Tanken er å kjøre ett sett av initielle tester, der resultatene fra disse initelle testene brukes for å automatisk generere nye tester der usikkerhet rundt resultat er størst eller resulatet tilsier at kontrollsystem snart kan feile. Det vil i tillegg utvikles en metodikk for å sikre at simulator tilfredsstiller krav satt for å gjennomføre testene og for å sikre at simulator gjengir virkeligheten med nødvendig nøyaktighet. Det vil bli utviklet en Recommended Practice som deretter skal brukes for å verifisere og validere simumator og dens komponenter. Dette vil skape en større sikkerhet om at systemet håndterer reelle operasjoner på en god måte. Testsystemet skal kunne benyttes både under utvikling av nye styresystem, og i driftsfasen, da endringer og oppdateringer av programvare normalt skjer gjennom hele livssyklusen.

Innovasjonsprosjektet skal utvikle en generisk løsning for trygg og energioptimal autonom seilas for skip i sjøgang ved ulike driftsmoder. Prototypen skal testes på linefartøyet MS Geir for å effektivisere operasjonen og minske skade og tap av fangst. 

Prosjektet skal se på løsninger for å automatisk optimalisere lastfordeling, rorbruk og propellstigning/rpm under ulike driftskondisjoner slik at motor og propell opererer på optimalt driftspunkt. Settpunkt blir i dagens system i dag satt ut ifra forhåndsdefinerte kombinatorkurver for spesifikke kondisjon(er). Typisk er noen få kurver implementert, og operatøren må selv bestemme når det skal byttes mellom kurvene. 

Innovasjonsprosjektet skal utvikle ny metodikk for etablering av optimal lastfordeling mellom propellere, optimal rorbruk og optimale kombinatorkurver som inkluderer hybride fremdriftssystem, miljøkrefter, dragkrefter fra fiskeredskap og batterienes ladestatus. Løsningen skal gi automatisk regulering av lastfordeling, kombinatorkurver og kraftkilder basert på utviklet metodikk, algoritmer og løpende målinger. Løsningen skal inkludere kobling mot navigasjonssystem herunder automatisk kurskontroll.

Løsningene skal implementeres i et styringssystem for autonom seilas. Løsninger for å forbedre hastighet og kurskontroll inkluderer bruk av måledata fra thrust, dreiemoment på aksel og krefter fra vinsjer. For linefartøy vil små forbedringer i hastighetsstyringen kunne gi store utslag under setting av line, der man med jevnere hastighet reduserer tap av agn og dermed øker fangst per kWh. 

For å oppnå tilstrekkelig tillit til komplekse programvarebaserte styrefunksjoner som støtter eller tar over oppgaver til kompetente operatører, kreves det testing der styresystemet utsettes for ulike scenarioer. I innovasjonsprosjektet skal det utvikles konsepter og løsninger for simulatorbasert testing, inkludert generering av scenarier og evaluering av resultater.

Trygg og energioptimal autonom seilas

Warring with Machines skal bidra til å utarbeide et etisk rammeverk for utvikling og implementering av kunstig intelligensteknologi i militære settinger.
Prosjektets primære fokus er menneskene – militært personell gjennom hele kommandostrukturen – som i kampsituasjoner interagerer med militærteknologi der kunstig intelligens er en sentral komponent. I stridsteatre der autonome maskiner tar på seg funksjoner som inntil nylig var forbeholdt mennesker, er det maktpåliggende at man er i stand til å opprettholde klare ansvarslinjer med tydelig involvering av menneskelige beslutningstagere. Ved å få et bedre grep om disse problemstillingene vil prosjektet bidra til å bedre etikkopplæringen ved militære utdanningsinstitusjoner så vel som endre hvordan KI-teknologi til militær bruk utvikles. Det vil også kunne legge til rette for etiske retningslinjer som er mer i samsvar med de stridsscenariene som militært personell vil møte i fremtiden. Prosjektet vil utvikle slike retningslinjer for tre forskjellige settinger: kinetiske stridsoperasjoner, cyberoperasjoner og strategisk planlegging. Vårt teoretiske rammeverk er fundert i dydsetikken og dens fokus på de moralske karaktertrekkene – dydene – som tillater oss å handle besluttsomt og ansvarsfullt i de konkrete situasjonene og utfordringene som møter oss i vårt personlige og profesjonelle liv. Warring with Machines vil undersøke hvordan kunstig intelligens kan både undergrave og understøtte denne formen for moralsk aktørskap, etter hvert som denne teknologien spiller en stadig mer fremtredende rolle i moderne krigføring.

I løpet av prosjektperioden har prosjektet arrangert fire konferanser:
1. “AI and the Transformation of Warfare: Perspectives from South Asia and Beyond”, 3.-4. mars i Kolkata, India,
Diskusjoner rundt utviklingen av AI domineres ofte av hva som pågår i USA, Europa og Kina, og målet med denne konferansen var derfor å diskutere andre regionale perspektiver på militære AI-applikasjoner, inkludert India, Russland og Nigeria. 
2. “The Ethics of Military AI”, McCain-konferansen 2022, organisert i samarbeid med Stockdale Center for Ethical Leadership 21.-22. april ved US Naval Academy, Annapolis, Maryland. Blant foredragsholderne var generalløytnant Michael S. Groen, direktør for Joint Artificial Intelligence Center; Dr. Paul Scharre, forfatter av Army of None: Autonomous Weapons and the Future of War; og Brett Vaughan, sjef for kunstig intelligens i den amerikanske marinen.
3. Europeisk og nordamerikansk workshop om etikk og kunstig intelligens, organisert i samarbeid med Technology Ethics Center ved Universitet i Notre Dame (Indiana, USA), 20.-21. oktober 2022 i Roma, Italia. Arrangementet samlet filosofer og andre eksperter som jobber med problemstillinger knyttet til AI-etikk. Diskusjoner utforsket det konseptuelle og etiske grunnlaget, samt applikasjoner relatert til kunstig intelligens og relaterte teknologier, inkludert autonome våpensystemer.
4. "Pacem in Terris: War and Other Obstacles to Peace" (Vatican City, 18.-19. September 2023). Konferansen ble organisert I samarbeid med Det pavelige akademi for samfunnsvitenskap. Den samlet tretti eksperter fra jus, filosofi, statsvitenskap, økonomi, ingeniørfag og fysikk, herunder bade akademikere, praktikere fra KI-industrien og diplomater.  Arrangementet ble organisert som del av 60-års-markeringen av Pave Johannes 23.s viktige encyklika ‘Pacem in Terris’. Konferansens hovedfokus var etiske problemstillinger rundt bruk av AI-teknologi krigføring. Pave Frans sendte konferansen en hilsen ((https://press.vatican.va/content/salastampa/en/bollettino/pubblico/2023/09/19/230919e.html) der han innstendig oppfordret deltakerne til å ta på alvor våre dagers militære og teknologi-baserte trusler mot fred, til å reflektere etisk rundt de truslene som følger av atomvåpnenes fortsatte eksisens, og å analysere behovet for en ny giv innenfor nedrustning og utviklingen av fredsinitiativer. Konferansedeltakerne publiserte et sluttkommuniké (https://www.pass.va/en/events/2023/pacem_in_terris/final_statement.html) som vektla hvordan AI-baserte våpensystemer som tar beslutninger rundt og bruker våpenmakt uten meningsfylt menneskelig deltakelse, innebærer dyptgripende juridiske og etiske utfordringer. Omfattende regulering av disse systemene er påkrevd. Noen bruksområder og teknologiske løsninger må forbys, mens andre må reguleres. Kommunikeet understreket at AI-baserte våpensystemer representerer helt spesielle risikoer som må tas på alvor av ethvert militært system som har slike våpen som del av sitt arsenal. 
Videre har prosjektgruppen interagert med et bredt spektrum av aktører, på både bruks- og utviklingssiden, både i Norge og internasjonalt, med det mål å beskrive hva slags risikoer AI-baserte våpensystemer representerer – uansett om systemene brukes til beslutningsstøtte eller til autonome beslutninger om f.eks. legitime mål – og det ansvaret aktører som innehar eller bruker slike systemer må ta.

Artificial intelligence plays an ever-expanding role in the context of war. The project Warring with Machines: Military applications of AI and the relevance of Virtue Ethics constitutes an inquiry into the conditions of human morality in AI-human interaction. It aims to determine how the moral integrity and agency of military personnel may be preserved and enhanced when artificial intelligence is implemented in practices of war. The project will pursue this goal from the perspectives of virtue ethics, philosophy of action and mind, and applied military ethics in close dialogue with institutional stakeholders as well as technologists and representatives from cognitive neuroscience. Its three research questions are as follows: 

(1) How does AI technology change the way we think about the moral character of military personnel? (2) How can we understand the nature of AI technology/tools, and how do these tools change the moral and psychological conditions for virtuous behavior? (3) What does "virtuous human-AI interaction" mean in different parts of the military?

The project is built up around a unique institutional collaboration between leading national and international research institutions within the fields of military ethics, the philosophy of mind, and artificial intelligence research, as well as key military training institutions and technology manufacturers.

Warring with Machines:  Military applications of AI and the relevance of Virtue Ethics

For å øke genetisk framgang i storfeproduksjonen, ønsker Geno SA og TYR å forbedre datainnsamlingen. Mye manuelt arbeid kreves for øyeblikket for å registrere en del egenskaper, og vi ønsker å automatisere denne datainnsamlingen ved å utnytte 3D-bildeteknologi. For å hente ut egenskaper for avl fra 3D-bilder, må vi utvikle algoritmer som kan forutsi meningsfulle kvantitative mål om dyrets størrelse, form eller kvalitet, basert på 3D-bilder.
I dette prosjektet ønsker vi å benytte maskinlæringsmetoder for å predikere tradisjonelle egenskaper, som for eksempel vekten til oksen eller plasseringen av spenene til en ku. Vi har satt sammen datasett som består av både 3D-bilder og de tradisjonelle målene vi ønsker å forbedre (fenotypene). På disse datasettene bruker vi veiledet læring for å trene dype nevrale nettverk til å forutsi de tradisjonelle egenskapene basert på 3D-bildene. Med relevante 3D-bilder skal den trente modellen kunne forutsi den tradisjonelle egenskapen, og den tradisjonelle registreringen kan deretter utelates, noe som både kan forbedre og effektivisere datainnsamlingen på disse egenskapene.
Hittil har vi utviklet klassifiseringsmodeller basert på dyp læring, for å skille mellom nyttige og unyttige bilder. Siden noen uskarpe eller irrelevante bilder blir tatt i innsamlingsfasen, må slike bilder automatisk filtreres bort før videre etterbehandling. Videre har vi jobbet med å identifisere overflødige spener (ekstraspener) basert på bildene.
Vi har også brukt tilnærminger for dataaugmentering for å øke antall bilder som bidrar til å forbedre ytelsen til dypelæringsmodellene. Vi har også brukt RGB-bilder, dybdebilder og fusjonerte RGB- og dybdebilder for å forbedre ytelsen til dyplæringsmodellen for analyse av spenelengde hos melkeku. Med tanke på egenskapen speneplassering foran, utforsket vi ulike dybdelæringsmodeller, med spesiell fokus på overføringslæring. Ved å benytte denne metodikken kunne vi dra nytte av den eksisterende kunnskapen som lå i forhåndstrente modeller.
For estimert vekt hos storfe, utviklet vi og analyserte en rekke data modaliteter, som for eksempel RGB-bilder, dybdebilder, sammenslåtte RGB- og dybdebilder, segmenteringsbilder og fusjonerte segmenteringer med dybdebilder. Arbeidet vårt viste viktigheten av fargeinformasjonen for å produsere presise resultater, som viser effektiviteten til RGB, RGB og dybde, segmentering og fusjonerte segmenteringsmodaliteter med dybde. Imidlertid ble det funnet at å stole utelukkende på dybdeinformasjon var utilstrekkelig, da det ikke kunne fange de komplekse mønstrene som kreves for nøyaktige vektestimater.

To improve genetic gain within cattle breeding, relevant data need to be collected on a large number of animals. However, for some traits, data collection requires a lot of manual work, and automation of these processes has the potential to both save costs and improve the genetic gain. Examples of such traits are weight measurements on beef cattle (where the cattle needs to be located on the weight) and udder conformation on dairy cows, which is currently scored by visual inspection by technicians. Geno, TYR and other collaborators are now in another project testing out whether use of 3D cameras in combination with computer vision could replace traditional recording systems.
Main objective: In this project, we want to develop automatic computer vision algorithms that utilize the surfaces to predict geometric properties relevant for the cattle breeding. Reference data sets are under constrcion, where both 3D images and traditional recordings are taken from the same animals. Based on computer vision and machine learning techniques (like e.g. supervised deep learning), we aim to train regression models that could be used to predict relevant phenotypes, based on 3D images. 
•	Secondary objective1: Develop models to predict traditional udder conformation traits, based on 3D images. Traditional conformation score data and predicted traits from 3D images should be used into genetic analyses for comparison and estimation of e.g. heritability.
•	Secondary objective 2: Develop regression models that are able to predict weight, carcass-quality and body condition score from 3D images of cattle, taken from above.
•	Secondary objective 3: Develop new relevant traits for breeding. To do this, we aim to build a reference atlas of the udder surface to achieve point correspondence between individuals. Further, by using dimension techniques (like Partial least squares regression), we want to combine the 3D surfaces with health data, to find health risk indicators in complex 3D data.

3D shape analysis of cattle to improve data collection

Siden 1954 har European Organization for Nuclear Research (CERN) vært det ledende forskningssenteret i Europa. I tillegg til å huse noen av de aller største laboratoriene i verden innen partikkelfysikk, utfører CERN noe av den mest avanserte og interessante forskningen som eksisterer til dags dato. Forskningen er svært allsidig og består av internasjonale samarbeid mellom over 20 medlemsland. Norges rolle i forskningen på CERN har stått sterkt fra starten og nordmenn bidrar aktivt til flere av eksperimentene ved Large Hadron Collider (LHC). Forskningen det norske CERN-miljøet deltar i kan deles inn i to hovedområder; høyenergi og lavenergi. Høyenergiområdet består av flere eksperimenter. ATLAS har hovedfokus på Higgsbosonet, samt å utforske ny fysikk som kan forklare fenomener som ikke er beskrevet av standardmodellen, eksempelvis supersymmetri, mørk materie og andre eksotiske partikler. ALICE forsker på tunge ioner og sterkt vekselvirkende materie ved ekstreme energitettheter. Ved siden av eksperimentene utføres det forskning og utvikling av detektorer og akseleratorer for både LHC og oppgraderingen High-Luminosity LHC. Etter perioden med LHC vil denne forskningen videreutvikles med andre fremtidige prosjekter som Compact Linear Collider (CLIC) og AWAKE. I tillegg til forskning i høyenergiområdet, arbeider norske forskere også i lavenergiområdet på CERN. Dette særlig innenfor ISOLDE-eksperimentet, en unik kilde av lavenergi stråling med radioaktive kjerner, som muliggjør studier av atomkjerner inkludert de mest eksotiske artene. Sist, men ikke minst, vokser forskningsmiljøet innen teori i Norge raskt, og arbeider tett med CERN for å utforske fundamentale fysikkspørsmål. Fysikkspørsmålene dekker alt fra universet utvikling til opprinnelsen av mørk materie. Denne støtten fra Forskningsrådet gjør dermed at norske forskere kan fortsette bidraget med å flytte forskningsfronten og være med på viktige oppdagelser innen fysikk, eksempelvis slik som Higgsbosonet. 

2023 var et viktig år for NorCC, da LHC og dets eksperimenter fortsatte innsamlingen av Run 3-data, tilsvarende en integrert luminositet som oversteg 60 inverse femtobarn for proton-proton-kollisjoner ved en verdensrekord-energi på 13,6 TeV. Kollisjonene ble registrert og målt av den fullstendig ombygde ALICE-detektoren samt ATLAS-detektoren, og gir dermed nye uunnværlige data for fysikkforskere. Disse nye dataene vil være avgjørende i søket etter enda sjeldnere prosesser og enda tyngre ukjente partikler. På grunn av flere tekniske problemer med akseleratoren, hvorav heliumlekkasje var en av dem, måtte proton-proton-kjøringen ved 13,6 TeV avbrytes. Noe kompensasjon for dette vil bli gjort i 2024. Vi ser også viktige utviklinger for akseleratorforskning og ISOLDE- og AEGIS-eksperimentene, samt viktige fremskritt innen teknologi og andre områder. Sist, men ikke minst, er forskningsinfrastrukturprosjektet NorLHC videreført og finansiert for en ny femårsperiode (NorLHC-II, 2023-2027), som vil være avgjørende for å fullføre fremtidige computing- og detektoroppgraderinger for ATLAS og ALICE.

The European Organization for Nuclear Research (CERN) has been the leading research centre in Europe since its start in 1954. Now one of the largest particle physics laboratories in the world it is at the centre of some of the most advanced and interesting research in particle and nuclear physics performed today. Norwegian scientists have contributed to research at CERN from the start and are today participating actively in the ATLAS and ALICE experiments at the Large Hadron Collider (LHC) as well researching and developing novel detectors for the LHC and the High-Luminosity LHC (HL-LHC). Whereas the research at ATLAS is focused on studying the Higgs Boson and finding new physics beyond the Standard Model, such as supersymmetry, dark matter or other exotic particles, ALICE is a heavy-ion experiment studying the physics of strongly interacting matter at extreme energy densities. Norwegian scientists are also working at the forefront of accelerator research in particular for the Compact Linear Collider (CLIC), which will be essential to design novel accelerators for the future after the HL-LHC, and AWAKE, investigating the use of plasma wakefields driven by a proton bunch to accelerate charged particles. In addition to the high energy program, Norwegian scientists are participating in low energy research at CERN. In particular at the ISOLDE experiment, which is a unique source of low-energy beams of radioactive nuclides, permitting the study the vast area of atomic nuclei including the most exotic species.  Last but not least, the theory community in Norway is fast growing and is working closely with CERN to explore open fundamental physics questions such as the origin of Dark Matter or the life of the Universe. The future of CERN related research in Norway is very much dependent on a stable funding situation and this grant enables Norwegian scientists to work at the frontiers of physics and be at the mids of physics discoveries such as the Higgs Boson.

Norwegian Centre for CERN research

Bærekraftig utforskning og utnyttelse av havene krever undervannsroboter: Havene spiller en nøkkelrolle når det gjelder å adressere de globale utfordringene knyttet til global oppvarming, en økende befolkning og tilhørende behov for energi, mat og mineraler. For å kunne høste de marine ressursene på en bærekraftig måte og beskytte det biologiske mangfoldet i havene, kreves effektive, allsidige og autonome undervannsroboter.

Eksisterende marin robotteknologi gir bare begrenset tilgang til verdenshavene: I dag utføres undervannsoperasjoner ved bruk av fjernstyrte (ROV) og autonome (AUV) undervannsfarkoster, og vi må velge mellom en robot med manipulatorarmer som kan gjøre intervensjonsoperasjoner (arbeidsklasse ROV), roboter som kan bevege seg over lange distanser (survey AUV), eller som kan gi tilgang til trange områder (observasjons-ROVer). Artikulerte intervensjons-AUVer (AIAUV) er en ny type, bio-inspirerte, marine roboter med en slanglignende, leddet kropp. Disse robotene har gode hydrodynamiske egenskaper slik at de kan bevege seg over lange distanser, samtidig som de kan stå stille i vannet og utføre intervensjonsoppgaver. Dessuten gir den slanke og fleksible kroppen svært god tilgang til trange områder. Vi anser AIAUV-konseptet som den beste plattformen for utviklingen av en virkelig autonom og allsidig undervannsrobot som kan utføre både observasjons- og intervensjonsoperasjoner i samme oppdrag; for eksempel kartlegge havbunnen og samle inn prøver, inspisere og reparere havmerder, eller finne og samle plast og annen forurensning av havene. Videre har de leddede robotene fordeler knyttet til datasyn og autonom situasjonsforståelse. AROS-prosjektet vil utvikle metoder for å oppnå høyere nivåer av autonomi for å kunne realisere potensialet til AIAUV-er til å oppnå kontinuerlig tilstedeværelse i havene for utforskning og bærekraft.

Visuell persepsjon under vann krever at man kan håndtere både dårlig og raskt  varierende belysning, samt redusert sikt på grunn av turbiditet i  vannet. Verifisering av slike algoritmer er avgjørende for å kunne utføre sikre og effektive utforsknings- og intervensjonsoperasjoner  under vann. Sannhetsdata spiller en viktig rolle i evalueringen av visuelle persepsjonsalgoritmer. Imidlertid  er det veldig vanskelig, om i det hele tatt mulig, å skaffe sann data  fra virkelige undervannsomgivelser. 

Ved bruk av et syntetisk 3D undervannsmiljø er imidlertid (nesten) alle parametere kjente og kontrollerbare, og geometriske sannhetsdata kan genereres nøyaktig. I AROS presenterer vi et undervannsmiljø - VAROS - som utgjør vår metode for å produsere svært realistiske undervannsvideoer og tilhørende sensordata med presise verdier, bygget på Blender-modellering og simuleringsprogramvare.  VAROS muliggjør fysisk realistisk bevegelse av simulerte  undervannsfarkoster, inkludert dynamisk bevegelig belysning.  Posisjons- og orienteringssekvenser opprettes ved først å definere veipunkter for den simulerte undervannsfarkosten.  Deretter brukes en dynamisk fartøysmodell og en diskret-tid  styringsalgoritme til å generere en jevn fartøy-kurs som følger  veipunktene. Denne kursen blir så samplet med en presis syntetisk IMU-samplingsrate på 200Hz.

Undervannsomgivelsene gjengis visuelt ved hjelp av raytracing-metoden, som genererer fysiske  realistiske bilder, inkludert direkte lys og indirekte volumetrisk  spredning. VAROS-datasettet versjon 1 genererer bilder og data fra treghetsmåler (IMU) og dybdemåler, samt tilhørende sannhetsdata,  dybdebilder og overflatenormal-bilder.

Energi-autonomitet er fortsatt en utfordring for AUV-er. Batterikapasiteten begrenser driftstiden deres, mens en kablet energitilførsel ville begrense AUV-ens operasjonsområde og autonomi. Å forbedre energieffektiviteten til disse robotene vil være et betydelig skritt fremover mot målet om å designe energieffektive og -autonome AUV-er. Vi ønsker derfor å utforske ideen om å oppnå energiautonomi ved å utnytte energien som fins i bølger og havstrøm og andre hydrodynamiske effekter. For å oppnå dette, ønsker vi å utvikle et styringssystem som lar AIAUV-en holde en konstant, ønsket posisjon samtidig som den utfører en undulasjonsbevegelse nedstrøms. Som et første skritt utviklet vi et styringssystem som stabiliserer posisjonen til en AIAUV som beveger seg med en undulasjonsbevegelse i planet mot en tidsvarierende strøm. Eksisterende metoder for stabilitetsanalyse var ikke tilstrekkelig for å kunne analysere dette styringssystemet. Vi utviklet derfor ny Lyapunov-teori for uniform praktisk asymptotisk stabilitet (UPAS) og brukte dette for å løse problemet. Videre har vi utviklet algoritmer som lar roboten autonomt finne optimal posisjon for å maksimere energien som høstes, og for å stabilisere roboten i denne posisjonen.

The AROS researchers have previously developed the bioinspired marine robot AIAUV (Articulated Intervention-AUV) by combining the slender, multi-articulated body of snakes with propulsion provided by thrusters. This new marine robot is already well on its way towards disrupting subsea operations in the oil and gas industry. However, higher levels of autonomy and endurance are needed to fully realize the potential of AIAUVs for providing greener, safer and more cost-efficient operations and obtaining persistent presence in the oceans for ocean exploration and sustainability. AROS will close this knowledge gap. Specifically, we will combine the disciplines of engineering cybernetics, computer science and hydrodynamics, to achieve significant advances in the current state of the art of marine robotics and autonomy, with the goal of realizing true autonomy in underwater sensing, situational awareness, and motion planning, and to achieve unprecedented energy autonomy. The methods for underwater situational awareness will enable the AIAUV to understand, interpret and predict its surroundings. The energy efficient motion planning and the energy harvesting methods will enable extreme endurance and enlarge the areas covered beyond the capabilities of current marine robots.
The project will educate five PhD candidates and more than 10 MSc students through six work packages addressing:

WP1: Egomotion estimation and situational awareness for AIAUVs
WP2: Next-best-view and 3D reconstruction for AIAUVs
WP3: Flow sensing: Bio-inspired solutions for AIAUVs
WP4: Motion planning: Redundancy resolution methods for AIAUVs
WP5: Energy harvesting by AIAUVs.
WP6: Simulation studies and experiments

The results will be published in peer-reviewed papers at major international conferences and in top-ranked international journals.

Autonomous Robots for Ocean Sustainability

Et hovedmål i prosjektet er å videreutvikle datamaskiners evne til å lytte til og forstå musikk. Vi utvikler banebrytende teknologi som også vil kunne hjelpe menneskelige lyttere til å bedre forstå og verdsette musikk. En viktig anvendelse av denne teknologien vil være å gjøre musikk mer tilgjengelig og engasjerende.

Vi utvikler designet på computerstøttede analytiske verktøy, verktøy som henter ut store mengder informasjon om musikalske elementer som klang, tonehøyder, rytme, tonalitet og form.  For tiden tar vi for oss hardingfelemusikk, og utvikler verktøy for å kunne gjøre automatiske transkripsjoner fra lydopptak til noteskrift, identifisere taktslagene, og gjengi mer subtile aspekter ved den musikalske strukturen.

Avansert musikkanalyse basert på kunstig intelligens kombinert med innsikter fra musikkvitenskap, kan bringe musikkforskere nærmere svarene de leter etter. Nå er vi snart kommet så langt at vi kan lage verktøy som forstår logikken i musikk.

Vi trener maskinen til å identifisere toner automatisk. Musikken maskinen skal kunne klare å transkribere, er Nasjonalbibliotekets katalog med folkemusikk. Norsk folkemusikk, og særlig hardingfelemusikk, er vanskelig materie for maskinen. Den store mengden eksempler som trengs, var i utgangspunktet ikke tilgjengelig. Derfor har vi bedt musikere, den profesjonelle felespilleren Olav Luksengård Mjelva og noen studenter fra Norges musikkhøgskole, om å spille for oss, og designet en programvare hvor de kunne se lydene visuelt og plassere notene for oss. Vi bruker nå dette materialet til å lære maskinen hvordan den automatisk kan oppdage tonene hardingfela spiller.  Neste trinn, der vi er nå, handler om å oppdage takt. Den er kompleks i felemusikk.

Prosjektet tar også for seg et stort utvalg musikalske stilarter fra tradisjonsmusikk, klassisk musikk og populærmusikk, akustisk så vel som elektronisk, og fra ulike kulturer. Denne omfattende kartleggingen av musikkelementer ved hjelp av våre dataredskaper, blir også brukt til å utforske lytteres affektive og kroppslige musikk-relaterte opplevelser.

Foruten forskningsfeltene musikkvitenskap, musikkteknologi og musikkognisjon, tar vårt prosjekt også sikte på å utvikle nye teknologier til bruk for allmennheten - som det å kunne generere videofiler fra en hvilken som helst type musikk. En utfordring ved musikklytting, er at den alltid avhenger av lytterens tidligere erfaring. Vi tror at automatisert, maskingenerert, interaktiv visualisering av lyd-data kan hjelpe lytteren til bedre å forstå og nyte den musikken vedkommende liker (eller ennå ikke liker). Dette vil kunne berike musikkopplevelsen og gjøre musikken mer tilgjengelig. Hvis vi kan gi folk verktøy for å forstå musikken bedre, gir vi dem samtidig tilgang til mye ny musikk. Det vil være bra for den enkelte, men også for musikken i seg selv, for mangfoldet i hele det musikalske økosystemet. 

Med appen som vi tar sikte på å utvikle, vil du kunne bla i katalogen av folkemusikk og dra på oppdagelsesreise i musikken. Når du finner en slått eller et stev du liker, kan appen peke deg i retning av noe i samme landskap. En av måtene du kan samhandle med musikken er ved å se den. Ser du et videoklipp, som spiller på flere sanser og setter i sving flere følelser, vil det hjelpe mange å forstå folkemusikken bedre.  Vi jobber med å finne en god balanse mellom det å få nok detaljer til å forstå mer enn ved å kun lytte, og det å få for mange detaljer: noe vi tror vil ta konsentrasjonen bort fra musikken. Det kan til og med være en slags 'gamifisering': en interaktiv app hvor du starter med enkel visualisering, og når du mestrer og forstår hva som skjer, får du etter hvert en mer kompleks versjon.
 
Den samme teknologien som vil bli til en app på smarttelefonen din, kan også brukes på scenen. Da Den danske strykekvartett fremførte Bachs "Die Kunst der Fuge" ved MusicLab-konserten i København i Oktober 2021, ble en video projisert på bakscenen som visualiserte musikken grafisk i sanntid mens den utspilte seg. Da de fire musikerne spilte gjennom temaene, kunne publikum se hvordan de forskjellige stemmene gjentok hvert tema. Hypotesen vår er at særlig utrente lyttere vil forstå mer om de også kan se hva som skjer. Temaene vises etter hverandre på skjermen, så når musikerne begynner en ny gjentakelse, så ser du sammenhengene. Ved en MusicLab-konsert I Oslo i November 2021, ble det vist en video i sanntid  som gjenga den synestetiske opplevelsen til en gitarist som improviserte.

Vi vurderer også å utvikle applikasjoner til bruk innen musikkterapi.

Som en del av prosjektet ble det avholdt et to-dagers nett-basert symposium i Juni 2021 der det ble presentert pågående arbeider og der et større panel av inviterte Europeiske forskere innen komputasjonell musikkanalyse presenterte sine perspektiver.

Videointervju: https://www.youtube.com/watch?v=B4LFjIBLFEI

MIRAGE aims at conceiving a ground-breaking AI system for music analysis that will generate a rich and detailed description of music along a large range of parametric and structural dimensions. 
This will enable musicologists to acquire a systematic and explicit understanding of music in a much deeper level than using traditional methods or previous state of the art in computational musicology. 
The scientific ambitions of MIRAGE is not solely related to the conception of AI and signal processing algorithms able to perform advanced operations of interest for musicology. It is also to establish a detailed and explicit answer to theoretical musicological problems, related to the formalization of music analysis.
The rich description of music will also foster the enrichment of cognitive models predicting listeners’ percepts and reactions to music, for instance for the study of emotion in music.
Moreover, music cognition needs to be understood as a complex system composed of highly interdependent modules. A computational system built on a set of general heuristics that is able to mimic music cognition on a large range of music would offer a valuable blueprint for the establishment of cognitive models.
The software technologies developed in the project will also have a wider transformational impact on how tomorrow’s technologies will be used to understand and appreciate music. We will also apply these technologies for music therapy.
The approach follows a transdisciplinary perspective, articulating traditional musicology, cognitive science, signal processing and artificial intelligence.
This project in collaboration with the National Library of Norway, world leading in digitizing cultural heritage, will help developing further the field of Digital Humanities, which is under-developed in Norway.

MIRAGE: A Comprehensive AI-Based System for Advanced Music Analysis

AI- og (selvlærende) algoritmer blir i økende grad brukt til å støtte, påskynde og til og med erstatte beslutninger tatt av mennesker på ulike offentlige og private arenaer. Algoritmer tar i økende grad avgjørelser innen aksjehandel og finans, svindeloppdagelse, vitenskapelig oppdagelse, medisinsk diagnostikk og online match-making. Beslutninger tatt av systemer for kunstig intelligens er ofte implisitte og usynlige, og de kan føre til både tilsiktede og utilsiktede konsekvenser. Dette har ført til at systemer for kunstig intelligens i økende grad har blitt utsatt for offentlig granskning og bekymring. Med dette som bakgrunn, er hovedmålet med prosjektet å se fra et forretningsetisk perspektiv hvordan sosiale, kommersielle og politiske aktører på lokal og global skala kan sikre ansvarlighet i algoritmiske beslutningsprosesser. Prosjektet består av en gruppe internasjonale forskere med ekspertise innen jus, internettstudier, informasjonssystemer og ledelsesforskning. 

I løpet av prosjektet skal det gjennomføres en flermetodisk undersøkelse blant flere interessenter for å utvikle et omfattende rammeverk for å kartlegge bekostninger, ansvar og utfall av algoritmisk handlekraft. For å få til dette skal vi først utvikle et rammeverk for ansvarlig algoritmisk beslutningstaking forankret i litteraturen om legitimitet, deltakelse og inkludering. Videre skal vi systematisk samle inn, kartlegge og sammenligne ulike foretillinger av algoritmisk handlingskraft. Her vektlegges viktigheten av en samstiftelse av algoritmisk handlekraft mellom organisasjoner og deres interessenter. Vi vil også utvikle retningslinjer som skal bistå i å lage ansvarlige algoritmiske beslutningsprosesser, basert på både lett forståelig programmering og forståelig kommunikasjon av beslutningsgrunnlag og datakilder. Til slutt, som en praktisk leveranse, vi vil lage en normativ modell for å evaluere ansvarlighet i algoritmiske beslutningsprosesser ved å undersøke i hvilken grad algoritmene er gjenomsiktige, tilbyr ordentlige kanaler for konflikthåndtering og muliggjør offentlig tilsyn.

Building on ongoing international discussions, and in continuation of the team’s previous work within the SAMANSVAR framework on fair labor on platforms and the gig economy, we want to address the socioeconomic effects of increasing adoption of artificial intelligence, algorithmic management, and smart automated systems, whereby increasing productivity gains for organisations are met with concerns about whether the speed of implementation can be matched with necessary levels of accountability and oversight. 

Our research shall result in an unifying framework for algorithmic accountability for algorithmic management which shall serve as a basis for organizations, regulators, and social communities to take actionable steps towards ensuring accountable algorithmic decision-making processes. 

To this end, we will first draw a framework for accountable algorithmic decision-making grounded in the literature on legitimacy, participation, and inclusion. Second, we will systematically collect, map, and compare varying notions of algorithmic agency. Here, we will set a particular emphasis on the importance of a ‘co-constitution’ of algorithmic agency between organizations and stakeholders. Third, we will develop actionable guidance towards creating accountable algorithmic decision-making, based on both explainable programming and comprehensible communication of decision-making rationales and data sources. 

As a practical deliverable, we shall create a normative model for evaluating accountability in algorithmic decision-making processes, examining to what extent the algorithms are transparent, provide proper dispute channels, and enable public oversight. Finally, we will develop a user-friendly accountability enhancing tool, the ‘Framework for Algorithmic Accountability’. The framework will be tested on real-world settings of algorithmic decision-making processes and can be utilised by researchers, activists or lay Internet users to challenge algorithmic systems.

Algorithmic Accountability: Designing Governance for Responsible Digital Transformations

Maskinsyn: Utstilling og laivrollespill for utforskning av etikk og ny teknologi var et formidlingsprosjekt som søkte å skape arenaer hvor et allment publikum kunne øve på å ta etiske avgjørelser i møter med ny teknologi. Prosjektet har laget en utstilling på Universitetsmuséet i Bergen som var åpen for publikum fra 18.03.2021-12.09.2021, og utviklet også en serie med levende rollespill ("laiv"). 

Utstillingen formidlet kunnskap om hvordan nye visuelle teknologier som ansiktsgjenkjenning, deepfakes og VR fungerer, og brukte bl.a. kunst for å utforske muligheter. Det var vekt på etiske konsekvenser av forskjellige mulige teknologier, og vi tok i bruk grep fra spekulativ design og science fiction for å iscenesette mulige scenarioer hvor besøkende må tenke gjennom hvordan de ønsker at teknologier skal tas i bruk. 

Vi utviklet også laiv-rollespill. Laiv er en fornorsking av det engelske ordet live, fra live action roleplaying, og er en veletablert metode som bruker dramapedagogikk og simulasjon for å la deltagere spille ut situasjoner. Vi utviklet en kort laiv som ble satt opp ved Norwegian AI Research Consortiums årskonferanse. Tidsreiser laget en barnelaiv, og en større laiv, «Sivilisasjonens venterom» ble gjennomført 21-23.11.2021. Forskere deltok og analyserte prosessen i fellesskap, og en forskningsartikkel om dette er antatt for publikasjon i en antologi om overvåkning i Norden som publiseres av Nordicom høsten 2022.

Formålet er å bidra til et skifte fra ureflektert og automatisert bruk av teknologi på mediets premisser til etisk bevissthet knyttet til daglig praksis rundt bruk av nye visuelle teknologier.

Nye teknologier utvikler seg så raskt at samfunnet ikke er i stand til å utvikle etiske retningslinjer eller regulering fort nok. Derfor trenger vi individer som har trening i å gjøre etiske vurderinger om bruk av ny teknologi. 
Gjennom laivrollespill vil vi la deltagere erfare etiske dilemmaer hvor de må foreta valg og forhandle med andre om hva som er gode måter å bruke teknologi på.

Dette formidlingsprosjektet utvider det vitenskapelige arbeidet i ERC-prosjektet Machine Vision in Everyday Life: Playful Interactions with Visual Technologies in Digital Art, Games, Narratives and Social Media (2018-2023) ved å utvikle en utstilling og et opplegg for laivrollespill som lar besøkende/deltagere spille ut situasjoner hvor de må ta etiske valg om nye visuelle teknologier, i tillegg til at de vil lære mer om hvordan teknologiene fungerer og positive og negative muligheter ved å ta dem i bruk.

Vi planlegger å sette opp en utstilling om maskinsyn ved Universitetsmuséet i Bergen høsten 2020. Utstillingen vil stå i tre måneder. Utstillingen skal være erfaringsbasert og legges opp som en labyrinth eller sti besøkende beveger seg gjennom. Vi  vil kombinere kunstneriske elementer, etiske dilemmaer omkring god bruk av teknologi og kunnskapsformidling for å forklare hvordan maskinsyn som f.eks. ansiktsgjenkjenning, følselsesgjenkjenning eller deepfakes fungerer. F.eks. kan det være en interaktiv utstilling som lar besøkende undersøke hvordan et nevralt nettverk "ser" bilder. Kombinasjonen av det estetiske, det etiske og det teknologiske gir dermed et innblikk i humanistisk forståelse og analyse av teknologi.

Laivrollespillet vil gi deltagerne trening i å tenke kritisk og etisk omkring bruk av nye teknologier, og spesifikt maskinsyn. Vi  tester ut en rekke mindre scenarioer for å sette sammen et tre-dagers arrangement høsten 2021, samt lage opplegg for og gjennomføre tre-timers laiver til konferanser o.l. Opplegget deles så andre kan videreutvikle eller etterligne det.

Maskinsyn: Utstilling og laivrollespill for utforskning av etikk og ny teknologi

Forskningsprosjektet HONOR omfatter utvikling av en helhetlig markedsarkitektur for fleksibilitet for den tverrsektorielle energiutvekslingen. Prosjektet og dets resultater er delt inn i ulike tekniske undermoduler med fokus på systemarkitektur, markedsmodellering, kontrollsystemer, cyberfysisk systemovervåking, cybersikkerhetsmodellering og systemintegrasjon. Hver undermodul genererte verdifulle forsknings- og innovasjonsresultater med tanke på den praktiske gjennomføringen av et lokalt fleksibilitetsmarked.
For systemarkitekturen ble det utviklet brukstilfeller for lokal og regional fleksibilitetsutveksling før arkitekturen ble konseptualisert gjennom de relevante SGAM-lagene og informasjonsutvekslingene. Kompleksiteten og mangelen på regulatoriske definisjoner av detaljerte designkomponenter for fleksibilitetsmarkedet, kombinert med varierende nasjonale reguleringer, førte til begrensninger i utviklingen av arkitekturen. Den foreslåtte arkitekturen var derfor rettet mot en teknisk gjennomførbar og regulatorisk rimelig konstruksjon, som tar hensyn til dens posisjonering i det større energisystemet. Dette omfatter eksisterende energimarkeder, flaskehalshåndtering, balanseringsansvar, verifisering av fleksibilitet og omfattende begrensninger for konseptet, for eksempel spill og tidsmessige krav.
Den påfølgende markedsmodelleringen spesifiserte fleksibilitetsetterspørselen og potensielle markedsalternativer ytterligere. Basert på dette ble det utviklet en hybrid AC/DC-markedsmodell for optimal kraftflytfleksibilitet. Tilnærmingen inkorporerer scenariobasert og flerperiodisk modellering, og optimaliserer fleksibilitetsbruken for en forhåndsdefinert periode. Optimaliseringen er basert på kraftetterspørsel, nettbegrensninger, kostnadsminimering og driftskriterier for distribuerte energiressurser. Videre ble modellen utvidet til koordinering mellom en TSO og flere DSOer gjennom Alternating Direction Method of Multipliers. Markedsmodellen realiserte levering av fleksibilitetstjenester og bærekraftig utveksling i en koordinert TSO-DSO-mekanisme.
En del av det helhetlige systemet i HONOR rettet mot koordinert utnyttelse av fleksibilitet fra distribusjonssystemer var videre den kontinuerlige utviklingen av kontrollsystemer for systemoperatører. På grunn av den økende systemutnyttelsen og trusselen om brudd på nettrestriksjoner ble det utviklet en mekanisme for fleksibilitetstjenester som i tilfelle uforutsette hendelser kan redusere overbelastning under drift. Algoritmen bruker optimale kraftstrømmer for å generere et mulig driftsområde ved et nettilknytningspunkt, som en systemoperatør kan bruke til å overvåke fleksibilitetsleveringsalternativene og aktivere forespurte kraftstrømmer ved nettilknytningspunktet. 
For å oppdage og verifisere fleksibilitetsaktiveringer ble det utviklet datadrevne modeller for overvåking, verifisering og validering av cyberfysiske systemer. Det ble først utarbeidet en spesifikasjon av trusselscenarier og overvåkingskrav for cyberfysiske systemer i energifleksibilitetsmarkeder. Dette ble brukt til å utvikle en uovervåket deteksjon og åpen klassifisering av hendelser med rask aktivering av fleksibilitet. Arbeidet ble utvidet gjennom kvantifisering av usikkerhet i estimering av lavspenningstilstand under høye andeler av fleksible ressurser og vurdering av deteksjon og klassifisering av cyberfysisk inntrenging for industrielle kontrollsystemer.
Cybersikkerhetsvurderingen i prosjektets omfang er basert på en trusselmodelleringstilnærming ved hjelp av angrepssimuleringer på en systemmodell i securiCAD. Modellen kan oppdage og avsløre hvordan angripere kan angripe ulike deler av markedet, hvor lang tid det vil ta å nå målene sine, og hvilke svakheter de kan utnytte. Resultatene ble brukt til å konfigurere beskyttelsesstrategier og forslag til en sikker utforming av fleksibilitetsmarkedet.
Til slutt ble det generert en geografisk distribuert ekstern maskinvare i sløyfeoppsettet for systemintegrasjon. Oppsettet består av tre eksterne instanser som er koblet sammen gjennom åpen kildekode-gatewayen VILLASnode, med et fysisk lavspenningsnett med fleksible ressurser ved PowerLabDK Syslab-anlegget ved DTU, et simulert mellomspenningsnett på en sanntidssimulator ved Smart Grid Technology Lab ved TUD og et virtuelt kontrollsenter ved PSI. Begge nett ble koblet sammen gjennom en grensesnittalgoritme for å overvåke systemet og anvende den utviklede fleksibilitetsmekanismen på et fysisk kraftsystem. Videre ble feltinfrastrukturen ved SWW brukt til å bestemme potensialet for utveksling av fleksibilitet under drift og potensialet for å vurdere dette i en fullstendig tilpasning av fleksibilitetsmarkedet.

The project aims at development and evaluation of a trans-regional flexibility market mechanism, integrating cross-sectoral energy flexibility at a community-wide level. The specific developments include a market mechanism for grid flexibility, industrial-grade supervision solutions, data-driven state monitoring applications and cyber-security assessments. In order to develop a tailor-made as well as the replicable solution, community stakeholders will be involved through co-creation activities as well as stakeholder networks from Norway, Germany and Denmark. Complementing the economic and risk evaluation, simulation studies of flexibility operations and cyber-security assessments, the operation of control systems algorithms and the online monitoring and detection solutions will be implemented as a demonstration in a relevant environment (TRL 6). The sector-coupling market mechanism will be implemented and demonstrated in an operational environment in Wunsiedel (Germany) (TRL 7).

ERA-NET: Holistic flexibility market integration of cross-sectoral energy sources

Det nordiske høyspentnettet er svært pålitelig. Likevel skjer det av og til uønskede hendelser. Når det først skjer feil i kraftsystemet, er det viktig å handle raskt. Dette prosjektet skal forsøke å utvikle metoder som bruker kunstig intelligens til å finne raske og smarte måter å håndtere forstyrrelser i strømnettet på. 

I et fremtidig kraftsystem med mer strøm fra vind og sol, større mengde informasjon og høyere krav til effektiv forvaltning av samfunnets ressurser vil det være behov for å drifte strømnettet med større innslag av automatiske beslutninger. Siden kraftsystemet er et svært komplisert og sammensatt system, er det sannsynligvis en fordel at mange av disse beslutningene er basert på kunstig intelligens. 

Forsterkende læring er en type kunstig intelligens som lærer ved å prøve og feile, og hvor smart atferd belønnes. En slik kunstig intelligens, eller agent, vil i vårt tilfelle prøve å etterlikne og forbedre operatøren av kraftsystemet. Agenten vil kunne lære seg den beste måten å drifte kraftsystemet på ved å utforske mulige handlinger i en datamodell av kraftsystemet. Agenten vil få tilbakemelding fra modellen på hvor smart atferden er. Typisk vil agenten belønnes når ingen mister strømmen og straffes i tilfeller der strømmen går eller utstyr ødelegges. Erfaringene som agenten gjør seg, vil kunne benyttes i driften av det virkelige kraftsystemet. 

Når Statnett skal planlegge fremtidige ledninger og anlegg, er det viktig å kunne gjøre beregninger på mange ulike situasjoner som kan oppstå. Beregninger basert på kunstig intelligens vil kunne gi raskere svar på hva som må gjøres i utfordrende driftstilstander. Med økt regnekapasitet kan man også undersøke flere ulike feilscenarier innenfor samme tidsrom. Til sammen vil dette gi et bedre beslutningsunderlag for langsiktige investeringer.

For å kunne gjøre seg opp en mening om hva som er riktig nivå på forsyningssikkerhet og for å drifte nettet på en effektiv måte er det viktig å forstå hvordan feilhendelser i nettet oppstår og blir håndtert. Hva som er den mest hensiktsmessige håndtering av feil blir en vurdering av ulike tiltak sett i lys av sannsynligheten for feil og hvilke virkemidler man har tilgjengelig. Gitt kompleksiteten av moderne kraftsystemer er dette et svært omfattende optimeringsproblem. Tradisjonelle optimeringsmetoder vil generelt være tidkrevende. Hovedidéen i dette prosjektet er å benytte maskinlæring generelt og såkalt forsterkende læring (engelsk: reinforcement learning) spesielt for å raskt å finne best mulig håndtering av feilhendelser som oppstår i kraftsystemet.

Forsterkende læring er en agent-basert tilnærming til maskinlæring. I en slik tilnærming kan man tenke seg en agent som modellerer systemoperatøren, og som iterativt lærer og forbedrer driften av nettet i ulike tilstander. Dette synes å være en lovende tilnærming til hvordan man kan drifte et stadig mer komplekst system, samtidig som beregningsomfanget holdes på et håndterbart nivå.

Anvendelsen av dyp, forsterkende læring innenfor kraftsystem er i startfasen og det blir derfor essensielt å utforske og kartlegge hvilke typer algoritmer som er skalerbare til hele eller deler av det norske kraftsystemet. På grunn av lange regnetider for å trene disse modellene er såkalte GPU-er (graphics processing unit) blitt en helt nødvendig del av maskinvaren. I lys av dette vil et viktig forskningsspørsmål være å utforske GPU-akselerasjon. Og det må samtidig gjøres en vurdering av fordeler og ulemper med oppnådde treningstider mot rask utførelse når modellene er ferdig trent. Prosjektet er fundert i en probabilistisk tilnærming til forsyningssikkerhet. Verktøyene som utvikles må også kunne integreres med eksisterende drifts- og planleggingsverktøy i Statnett.

Bruk av forsterkende læring i håndtering av feilhendelser i kraftsystemet.

Medsensio er et selskap som bringer AI inn i den praktiske delen av helsetjenesten. Selskapet ble stiftet i 2017 og fokuserte tidlig på hvordan kunstig intelligens kan være et supplement til subjektive vurderinger, som ved tolkning av lungelyder. Etter å ha bygget en algoritme for klassifisering av lungelyder ble det åpenbart at dagens plattformer ikke støtter applikasjon av denne type AI. Dermed lagde vi i Medsensio vår egen løsning for pasientoppfølging, en som er tilrettelagt for nyere standarder innen data-deling og kunstig intelligens. Målet for denne løsningen er å redusere kostnader og ressursbruk for helsepersonell, samtidig som pasientene opplever tryggere oppfølging og forbedret helse. 
Sertifisering av produktet i henhold til regulatoriske krav rundt medisinsk utstyr og informasjonssikkerhet ble en viktig neste milæpel for go-to-markedet. Dette prosjektet hadde som mål å minimere markeds-, produkt- og regulatoriske risikoer i en så kostbar og tidskrevende fase, støtte etablering av viktige partnerskap samt styrke selskapets posisjon for å skaffe ytterligere midler for å fullføre produktsertifiseringen. 
Prosjektets hovedmål og delmål er nådd som planlagt.

Medsensio - platform for automatic analysis of lung sounds, using deep learning

Ikke-smittsomme sykdommer (NCD) står for en stor del av sykdomsbyrden i Norge og lignende land. Sykdommene varierer mellom sosiale grupper og er i stor grad bestemt av røyking, blodtrykk, usunt kosthold, inaktivitet, overvekt og alkohol. Prosjektet vil undersøke hvilken rolle individuelle trekk har for sosioøkonomiske ulikheter i NCD-risiko. Individuelle trekk er mer eller mindre stabile og kan påvirke både sosioøkonomisk posisjon (SEP) og sykdomsrisiko og slik lage en sammenheng mellom SEP og NCD gjennom indirekte seleksjon. Sosial ulikheter i helse kan generelt forklares av to alternative mekanismer: sosial årsak eller seleksjon. Seleksjonen er indirekte når det skyldes underliggende individuelle trekk, for eksempel høy kognitiv evne. Direkte seleksjon er når kliniske sykdommer påvirker SEP, såkalt revers kausalitet. Disse egenskapene kan ofte være vanskelig å måle. Avanserte velferdsstater har ikke klart å utrydde ulikheter i helse. Indirekte utvalg kan være en grunn til dette fordi enkeltpersoner nå forventes å regulere sin helseatferd hele tiden gjennom et livsløp. Hjerte- og karsykdommer vil bli brukt som modell fordi risikofaktorene er vel etablert som årsaker. Generelt er genetiske faktorer viktige for forskjeller i helse mellom enkeltpersoner, men ikke for forskjeller på befolkningsnivå. Indirekte utvalg kan være en livslang prosess som forsterker seg og som bare delvis innebærer genetiske faktorer. Prosjektet vil dra nytte av populasjonsbasert genotypedata fra Helseundersøkelsen i Nord-Trøndelag (HUNT) og norsk storskala registerkobling av familiedata og en sammenheng mellom de to. Vi vil undersøke om det er en genetisk sammenheng mellom SEP og hjerte- og karsykdommer, studere om den individuell variasjonen henger sammen med utdanning, og undersøke betydningen av den utvidede familien.

The project will investigate the impact underlying individual traits have for socioeconomic inequalities in non-communicable disease (NCD) risk. Individual traits are more or less stable and may influence both socioeconomic position (SEP) and disease risk and give rise to associations between SEP and NCD through indirect selection over the life course. Social inequalities in health can in general be explained by two alternative mechanisms: social causation or selection. Selection is indirect when these associations comes about through individual traits with a distribution in the population, such as high cognitive ability, and not direct through clinical conditions (reverse causality). These traits can often be difficult to measure (unobserved heterogeneity). Indirect selection has consequently been difficult to study, yet the influence may be profound. Advanced welfare states have failed to eradicate inequalities in health. Indirect selection could be a reason because individuals are now expected to fine regulate their health behaviour constantly over a life time. Cardiovascular risk factors account for a major share of the NCD burden. Cardiovascular diseases (CVD) will serve here as a model for other NCDs, because the causal role of risk factors in CVD is well established. They are mediated through individual behavior and socially patterned through the life course. In general, genetic factors are important for differences in health between individuals but not for differences at population level. Indirect selection may be a life-long process of amplification that only partially involves genetic factors. The project will take advantage of population based genotyped data from The North Trøndelag Health Survey (n=70,000) and Norwegian large-scale register linkage of family data (n=7,4 mill), and a linkage between the two. We will investigate if SEP and CVD is genetically linked, study the impact of individual heterogeneity and investigate the of the extended family.

Inequalities in non-communicable diseases: 
Indirect selection or social causation? (The Indi-Ineq study)

Solar PV is already the cheapest form of electricity generation in many countries and markets. Even so, PV systems must become ever cheaper, until finally new PV + energy storage undercuts existing fossil fuel operating costs. Hence, there is still a strong drive for solar PV cost reductions, as the time for reaching the Paris Agreement is running out.
Implementing Variable Renewable Energy (VRE) in large scale impacts the integrity, reliability, security and stability of the power grid, and measures must be taken to ensure grid stability and utility-friendly integration of PV generation at high penetration levels.
A third crucial factor must also be accounted for; a better understanding of the specific socio-economic contexts in which the energy transition towards higher penetration of VRE takes place. A narrow focus on LCOE and reduced CO2 emissions will not suffice - currently exemplified by the sudden and huge resistance in the public to land-based wind power in pristine mountain areas in Norway.
This project aims to deliver forcefully on all three challenges identified above, with a consortium consisting of key European actors both from the demand side - such as E.ON, Germany’s largest grid operator - and the supply side - such as Statkraft, Europe’s largest producer of renewable electric power - and a strong suite of companies completing the supply chain from solar module manufacturing - SoliTek, one of Europe’s few remaining solar module manufacturers - to developers and operators of solar PV plants; Ayesa, Masen, Mascir and Ocean Sun, assisted by specialist SME’s Protech & BNW Energy, and supported by leading European research organisations SINTEF, IREC, RWTH Aachen and ISC Konstanz.
The project consists of 9 industry-driven work packages:
1 Coordination
2 Specifications
3 Components
4 PV plant operation - monitoring and integrated data analytics
5 Utility-friendly PV integration
6 Business models
7 Demonstration
8 Socio-economic evaluation
9 Dissemination.

GRID PV - utility-friendly integration of Solar PV at high penetration levels

Kvalitet i omsorg og pasientsikkerhet er av avgjørende betydning for klinisk personell og sykehusledelse. Prosjektet tar sikte på å designe, utvikle, teste og evaluere ytelsen til maskinlæringsbaserte overvåkings- og beslutningsstøtte-systemer med fysiologiske og atferdsdata. Forskningen deler seg i to studier.

I den første studien gjør vi nattovervåking basert på et polysomnografisk datasett. I den andre studien vil vi overvåke på dagtid basert på data samlet inn fra videoovervåking og fysiologiske signaler samlet inn fra berøringsfrie sensorer. Resultatene vi har oppnådd så langt i nattovervåking ser lovende ut ettersom vi oppnådde høyere nøyaktighet sammenlignet med toppmoderne algoritmer, spesielt når vi klassifiserte søvnstadium N1.

Den andre studien vil fokusere på overvåking på dagtid basert på videoovervåking og innspill fra leger. Vi vil gjøre objektdeteksjonen og kommentere handlingen ved hjelp av maskinlæringsalgoritmer basert på handlinger klippet fra video. Først vil vi samle informasjonen fra legene og sykepleierne for den handlingen de ser etter når de overvåker en pasient som har en tendens til å skade seg selv og trenger intervensjon. Deretter vil vi prøve å etterligne handlingene fra dramastudenter og trene maskinlæringsmodellene, som automatisk vil merke disse handlingene.

R1: Predicting sleep stages 
Human activity monitoring is a well-established field but is mostly based on approaches which are inconvenient and intrusive. Sleep stage monitoring also relies on Polysomnography, which is conducted in hospitals or sleep labs, and the patient is required to wear several sensors. It is not yet known if the same level of results and accuracy can be achieved using machine learning algorithms with data collected from non- intrusive sensor. This thesis will, therefore, explore the potential of (R1) predicting the sleep stages using single non- intrusive sensors with deep learning. More specifically:   
•    Relate sleep stages from EEG data to the sensors implemented during the research.   
•    Model the dynamics of the sensor readings to sleep stages and stage transitions.     
R2: Detecting mental and emotional stages 
Emotion recognition from biometrics is relevant in a wide range of application domains including healthcare. Monitoring the emotional stages could be useful in identifying concerned behavior before they become serious. In this thesis, we will (R2) detect mental/emotional stages (using deep learning algorithms), which are precursors to suicide attempts from the patient behavior and vital signs by using non-intrusive sensors. More specifically:  
•    We need to collect data by interviewing the psychiatric nurses/doctors to find out what tell-tale signs they are looking for while observing the patients on the suicide watch.   
•    We need to model the behavior of the patients in conjunction with vital sign monitoring to detect the critical stage which requires intervention.   
R3: Improve the prediction using multiple sensors 
It is an open question of whether we can improve the prediction of sleep stages and emotional states using multiple non-intrusive sensors (R3).

Deep learning for sleep, mental, and emotional stage recognition from non-contact sensors of mental health patients.

Fruktbarheten har gått ned i mange industrialiserte land de siste tiårene. Dette kan delvis skyldes sosiale og økonomiske forhold, men også en mulig økning i problemer med å få barn. Mellom 10 og 15% av par er ufrivillig barnløse. Metoder for assistert befruktning, det vil si befruktning utenfor livmoren, er utviklet de siste 40 år. Det er økende bruk av intracytoplasmatisk spermieinjeksjon (ICSI), som er et behandlingstilbud når mannen har dårlig sædkvalitet, men som av og til også brukes når sædkvaliteten er normal. Ved denne behandlingen føres sædcellen direkte inn i eggcellen, mens ved tradisjonell in vitro-fertilisering (IVF), blandes sædceller og egg i en skål, og en av sædcellene befrukter egget.

Avgjørelsen om hvilket fertilisert egg, kalt embryo, som skal settes inn i kvinnens livmor, tar utgangspunkt i embryoets utseende og utvikling de første dagene etter befruktning. Utvelgelsen av sædcellen som skal brukes til ICSI, er også basert på ytre kjennetegn, og cellens bevegelighet og utseende anses som viktige. Bedømmingen av embryo og sædcelle gjøres av en embryolog, men det finnes ingen klare kriterier for å forutsi sjansen for graviditet. Det kan derfor være informasjon viktig for behandlingsresultater som ikke oppdages ved denne subjektive bedømmingen alene.

Kunstig intelligens (KI) er mer og mer akseptert som et verktøy innen medisin og er spesielt egnet til å innhente informasjon fra bilder. I dette prosjektet utvikler vi KI-metoder til analyse av videoer av embryoutviklingen. Vi har vist at dyplæringsmodeller er i stand til å karakterisere celledeling og ulike stadier i embryo-utviklingen. Data fra disse bildeanalysene vil kobles til reproduksjonsutfall, som graviditet og levendefødte barn, for å finne ut om spesielle trekk ved embryoutviklingen øker sjansen for behandlingssuksess. Vi har også utviklet nevrale nettverk som ved analyse av videoer kan gruppere spermiene ut fra deres bevegelighet. Slike modeller kan bidra til å gjøre forbedre sædanalysen, som er sentral i infertilitetsutredningen.

Videoer av spermier før utvelgelse til å injiseres inn i eggcellen ved ICSI-metoden er i ferd med å analyseres for deretter å kobles til reproduksjonsutfall. Vuderingen gjøres både av spermiene og av utførelsen av metoden. Resultatene fra analysene skal utvikles til et verktøy for fertilitetsklinikker som hjelp til å fatte kliniske beslutninger. Formålet er å forbedre metodene for å velge ut embryo og sædceller og dermed øke sjansen for graviditet og for det endelige resultatet - et levendefødt barn. I tillegg kan en nytteverdi av prosjektet være å redusere antall behandlingsforsøk og dermed oppnå en lavere kostnad totalt sett.

The fertility rates have declined in many industrialized countries during the last decades. This can partly be explained by socioeconomical factors, but may also be due to biologically related matters. Around 15% of couples will encounter fertility problems. Over the last decades, there has been a development of assisted reproduction technology (ART), and the use of ART treatment is increasing. The method of intracytoplasmic sperm injection (ICSI) was originally a treatment for couples where the male has reduced semen quality, but is often used also when the semen characteristics are normal. 

ART is to a high degree based on subjective assessments of spermatozoa and embryos, utilizing only a limited set of information. This project aims to develop strategies for making the selection of embryo and spermatozoa based on more objective criteria. AI methods make it possible to analyse large amounts of data from imaging and cell biological examinations to uncover patterns applicable in developing new methods for assessments of spermatozoa and embryos. By relating these patterns to ART outcome, the assessments will be optimized to improve the treatment results. This project also aims to develop tools for clinicians and embryologist to make more evidence-based decisions and thereby improving the ART outcome.

AI methods constitute a new approach compared with traditional statistical methods, which are not equipped to reveal nonlinearities and complex relations between factors. A challenge using AI models is that they are more complex to interpret than traditional statistical models. Although the models may fit better to the data, it may be challenging to make them generalizable. Furthermore, the analysis may be difficult to understand by the users, but we will comply with this through a unique support system.

Potential impact of the project findings is to reduce the number of treatment cycles and to lower cost per treatment.

Artificial intelligence - a novel tool in assisted reproduction technology

Det foregår for tiden en svært hurtig utvikling innen kunstig intelligens (KI). Selv om KI overgår menneskelige ferdigheter på noen områder, er fremdeles den menneskelige hjerne overlegen på de fleste områder ? hjernen er mer robust, den er mer energieffektiv, den trenger færre eksempler for å lære, den lærer lettere komplekse oppgaver, og den kan overføre kunnskap fra et område til et annet. Nylig har det vært stor fremgang innen dype nettverk, som i prinsippet er basert på nevrofysiologiske prosesser, men i praksis er det store forskjeller på hvordan kunstige og biologiske nevrale nettverk virker. Vår hypotese er at kunstige nevrale nettverk som er basert på strukturen, dynamikken og læringsreglene i hjernen vil være vesentlig mer effektive og robuste enn modellene for kunstige nevrale nettverk som er dominerende i dag. Vi vil overføre ny kunnskap fra nevrovitenskap og bruke denne til å utvikle nye maskinlæringsmetoder som kan åpne for nye vitenskapelige og tekniske innovasjoner. Vi vil ta utgangspunkt i (i) hvordan representasjoner som grid-celler fra biologiske nevrale nettverk kan forbedre modeller for nevrale nettverk, (ii) hvordan vi kan utvikle og anvende effektive læringsregler i biologisk inspirerte nevrale nettverk og (iii) hvordan modeller for nevrale nettverk basert på «spikes» kan danne en ny modell for kunstige nevrale nettverk. Vi har satt sammen et tverrfaglig team for å løse disse utfordringene, med ledende eksperter innen nevrofysiologi, maskinlæring, statistisk fysikk, og beregningsvitenskap. Vårt mål er å bygge en tverrfaglig gruppe som kan påvirke KI forskning over lang tid med hurtige kanaler for overføring av kunnskap fra nevrovitenskap til KI med full integrasjon av eksperimenter, databeregninger og KI. Dette vil gi oss muligheten til å utvikle biologisk inspirerte maskinlæringsmetoder for fremtiden, og å utdanne en ny generasjon av tverrfaglige forskere og teknologer som kan utvikle neste generasjon KI vitenskap og anvendelser.

Vi har i 2023 tre PhD-studenter og en førsteamanuensis II ansatt på prosjektet. Prosjektet er utviklet langs tre akser: (1) Vi har utviklet mer robuste kunstige nevrale nettverks-modeller inspirert av biologiske læringsregler. (2) Vi har utviklet og studert modeller for navigasjon basert på nevrale nettverk med tilbakekoblinger. I disse nettverken viser vi at grid-celler oppstår spontant og vi demonstrerer at de cellene som bidrar til navigasjon er cellene som befinner seg på en torus når dimensjonaliteten til systemet reduseres til tre dimensjoner. Dette kan vi bruke til å lage mer robuste modeller for overføringslæring. De første resultatene fra arbeidet ble publisert i 2023.

There has been an enormous development in artificial intelligence (AI) recently. However, while AI supersedes human skills in some fields, the brain is still far superior in many areas - it is more energy efficient, it needs fewer examples to learn, it can learn complex tasks easier, and it can transfer knowledge from one task to another. Recent progress has come in reinforcement learning and deep learning, which in principle are inspired by neurological processes, but in practice there are large differences between the way artificial and biological neural networks work. Our hypothesis is that artificial neural networks based on the structure, dynamics and learning rules in the brain will be significantly more effective than current models. We will transfer recent knowledge from neuroscience to develop new machine learning methods that open for new scientific and technological developments. We will address (i) how representations in biological networks can improve artificial network models, transfer and unsupervised learning models, (ii) how to develop and apply effective learning rules in biologically inspired neural networks, (iii) and how spiking neural networks can define a new model for artificial networks and processing, (iv) and develop a synergetic model that incorporates these features. To address these challenges, we have organized a cross-disciplinary team of leading experts in neurophysiology, machine learning, statistical physics, and computational science. We have experience in building and supervising cross-disciplinary breakthrough research, and have a broad international network of collaborators spanning neurophysiology, psychology, computational neuroscience and AI. This puts us in an excellent position to develop biologically inspired machine learning methods for the future, and to educate the next generation of interdisciplinary researchers and technologists that will develop the next generation of AI science and applications.

IS-BILAT-Mobilitet Norge-USA /Canada

Development of endocrine and digestive systems in marine fish larvae

Awarded: NOK 40,000

Summary

Funding scheme:

IS-BILAT-Mobilitet Norge-USA /Canada

Funding Sources

Thematic Areas and Topics