2009

2008

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

Ukjent

Diverse

Landbruks- og fiskerifag

Innlandet

LTP3 Høy kvalitet og tilgjengelighet

LTP3 Rettede internasjonaliseringstiltak

Næringsliv

Portefølje Forskningssystemet

Frittstående prosjekter

Forprosjekt (t.o.m. 2019)

Internasjonalisering

Anvendt forskning

Hovedmålet med kreftbehandling er å eliminere kreftceller og dette er tradisjonelt oppnådd ved kirurgi, bruk av giftige medikamenter (cellegift) og stråling. En ny og betydningsfull tilnærming til kreftbehandling kalt immunterapi, har derimot fått mye oppmerksomhet det siste tiåret; Her forsøker leger og forskere å utnytte immunsystemet vårt for å målrettet  ødelegge kreftceller. En nøkkelaktør i denne banebrytende tilnærmingen er en gruppe «drapsmenn» i immunsystemet kjent som cytotoxiske T-lymfocytter (CTL-er). Disse cellene har en bemerkelsesverdig evne til å oppdage kreftceller ved å gjenkjenne unormale molekyler på overflaten av kreftcellene - molekyler som friske celler ikke har. Når CTL-er gjenkjenner kreftcellene ødelegger de dem ved å frigjøre giftige molekyler som initierer kreftcellenes selvdestruksjon. 
 
Selv om betydelige innsats har blitt dedikert til å forstå hvordan CTL-er aktiveres og hvordan de gjenkjenner kreftceller, vet vi mindre om de påfølgende hendelsene inne i kreftcellene som fører til deres død. Fra før vet vi at CTL-er kan initiere to forskjellige typer celledød i kreft: den første, kalt apoptose, er en stille og ordnet prosess der kreftcellene krymper og brytes opp uten å varsle immunsystemet; den andre, kalt pyroptose, er en mer dramatisk prosess som involverer dannelse av åpninger i cellemembranen, noe som fører til at cellene svulmer opp og sprekker. Under denne cellebristen blir innholdet inne i cellene frigitt i omgivelsene, og dette kan fungere som 'faretegn' som kan stimulere en sterkere immunrespons mot kreftcellene. Betydningen av denne cellebristen for å forsterke anti-tumorresponsene vil bli undersøkt i dette prosjektet. 
 
Videre er vi fascinert av muligheten for å avdekke ytterligere, ennå ukjente, former for celledød indusert av CTL-er. Utforsking av disse dødsrelaterte prosessene i kreftcellene kan potensielt øke effektiviteten av immunterapi og bidra betydelig i den pågående kampen mot kreft.

The primary goal of most cancer therapies is to induce cancer cell death. Immunotherapy relies on the cytotoxic activity of lymphocytes such as natural killer cells (NKs) and cytotoxic T lymphocytes (CTLs) to achieve this. While a significant amount of research in immunotherapy focuses on the events within cytotoxic lymphocytes or at the interface between cytotoxic lymphocytes and cancer cells, less is known about the molecular mechanisms that orchestrate cancer cell death, particularly in the case of CTL-mediated death.
CTLs are known to induce two types of cell death in cancer: non-inflammatory apoptosis and proinflammatory pyroptosis. Pyroptotic cancer cells release proinflammatory signals that attract immune cells to the tumor site, thereby enhancing the anti-tumor response. Cell lysis is a common outcome of pyroptotic cell death. It is unclear whether lysis can be decoupled from pyroptosis in cancer cells and whether the proinflammatory properties of pyroptotic cancer cell death depend on lysis. Moreover, it remains unknown whether CTLs can induce other forms of cell death in cancer, apart from apoptosis and pyroptosis.
Studying the mechanisms of CTL-mediated cancer cell death is challenging because CTLs selectively target cells expressing specific antigens. However, given the critical role of CTLs in immunotherapy, it is essential to deepen our understanding of CTL-induced cancer cell death.
This project aims to develop novel methodologies to investigate the death mechanisms that are initiated by CTLs. In addition, we will identify new pathways and mediators involved in CTL-induced cancer cell death. Furthermore, we will assess the contribution of proinflammatory cell death and lysis in promoting anti-tumor responses in vivo. Overall, this research will improve our knowledge of the molecular mechanisms of CTL-mediated cancer cell death and potentially reveal novel targets to enhance the efficacy of cancer immunotherapy.

T-cell-mediated proinflammatory cell death and lysis in cancer

Prosjektet «Wheelchair Activity Monitoring» (WHAM) sikter både på å øke fysisk aktivitet blant rullestolbrukere, og på å bidra til bredere mål om mangfold og inkludering av personer med nedsatt mobilitet, ved å fremme større tilgjengelighet og deltakelse gjennom innovativ teknologi og forskning.

Rullestolbrukere er tre til fem ganger mindre aktive enn den generelle befolkningen, noe som øker risikoen for å utvikle forebyggbare sykdommer. Selv om det finnes retningslinjer for fysisk aktivitet som er tilpasset rullestolbrukere, trenger vi fortsatt effektive måter å implementere disse på samt nøyaktig teknologi for å spore mulige endringer i fysisk aktivitet. WHAM har som mål å bidra til økt fysisk aktivitet blant rullestolbrukere ved å lage digitale verktøy for å monitorere og gi tilbakemelding på rullestolbrukerens aktivitet. WHAM består av tre faser: to år ved University of British Columbia (UBC), som inkluderer et samarbeid med eksperter innen atferdsendrings-intervensjoner for rullestolbrukere; ett år ved Norges teknisk-naturvitenskapelige universitet (NTNU) og et halvt år ved Maastricht Instruments - de to siste fasene er viet til å utvikle de digitale teknologiene. 

WHAMs mål er:
1)	Å teste effekten av et treningsprogram på fysisk aktivitetsnivå og fitness blant rullestolbrukere,
2)	Å utvikle nøyaktige algoritmer for monitorering av fysisk aktivitet blant rullestolbrukere,
3)	Å lage et system som både monitorerer og gir tilbakemelding på fysisk aktivitet blant rullestolbrukere.

Wheelchair users (WCU) are three to five times more inactive than the general population, leading to a high risk of developing preventable secondary conditions. Although physical activity (PA) guidelines have been specifically developed for WCU, we lack systematic approaches to implement them in practice, as well as valid algorithms to monitor PA change in WCU through sensor-based solutions. Accordingly, the overall scientific aim of the WHeelchair Activity Monitoring project (WHAM) is to advance PA research and practice in WCU by developing valid digital markers for monitoring of and providing feedback on PA, paving the way for implementation and intervention. I will accomplish this through combining the complementary research fields of 1) behavioral intervention studies focusing on increasing PA in WCU (core competence University of British Columbia, UBC; outgoing phase) and 2) sensor-based PA monitoring (core competence Norwegian University of Science and Technology, NTNU; returning phase – consolidated by non-academic placement at Maastricht Instruments, which develop research prototypes including PA monitors). WHAM’s scientific aim is achieved through three objectives: 1) Measure the effect of a pragmatic exercise intervention trial on self-reported physical activity levels and cardio-respiratory fitness, 2) Develop valid algorithms for tracking PA markers in WCU, and 3) Co-create
a framework that outlines how PA can be conjointly monitored and provided feedback on in WCU. This fellowship will enable me to become established as an internationally recognized researcher in the field of “physical activity and disability”, while bringing together ongoing national disjointed research activities in this field. Altogether, my overall ambition is to contribute to reducing inequalities in daily-life participation among WCU compared to the rest of the population.

Topfinancing - WHeelchair Activity Monitoring project (WHAM)

Sink er et essensielt mikronæringsstoff som kreves for funksjonen til hundrevis av proteiner involvert i et bredt spekter av biologiske prosesser. Etter inntak av sink fra kosten reguleres nivåene i kroppen nøye gjennom absorpsjon, sekresjon og ekskresjon via spesialiserte proteiner, såkalte sinktransportører, i tarmen. Enhver ubalanse er skadelig for menneskers helse, spesielt er tarmen følsom for sinkfluktuasjoner, hvilket påvirker tarmbarrieren og kan føre til inflammatoriske sykdommer og kreft i tarmen. 
På molekylært nivå er de presise mekanismene som styrer funksjonen til de ulike sinktransportørene fortsatt uklare. Hos mennesker finnes det over tjue slike proteiner, og de fleste inneholder områder rike på aminosyren histidin. Disse histidinene mistenkes å spille en avgjørende rolle i å binde sink. Nylig oppdaget vi et enzym som modifiserer disse områdene ved å sette metylgrupper på histidin, og viste at metylerte histidiner har en lavere affinitet for sink. Dette prosjektet har som mål å identifisere nye mekanismer som regulerer sinknivåer gjennom histidinmetylering av sinktransportører, å utvikle forskningsverktøy for effektiv studie av histidinmetylering, og å legge grunnlaget for nye behandlinger av tarmsykdommer.

The delicate balance of zinc levels in the body is essential for human health. Zinc is absorbed and excreted via intestinal zinc transporter proteins, and perturbations of this process are associated with pathologies, including inflammatory diseases and cancers of the bowel. The precise molecular mechanisms regulating zinc transport, however, remain a major knowledge gap. Based on the recent discovery of an enzyme methylating histidine residues in zinc transporters, and drawing on preliminary findings which demonstrate reduced affinity of methylated histidines to zinc, this project aims to identify novel mechanisms regulating zinc homeostasis through histidine methylation. We will examine the regulation and effect of histidine methylation on zinc transport in intestinal cell culture and organoids, and examine how knockout of the methylhistidine-generating enzyme affects the integrity and pathology of the intestinal tract in mouse models. In addition, we will identify reader proteins specifically recognizing methylhistidines and develop anti-methylhistidine antibodies and inhibitors to use as tools for detection, enrichment, and inhibition of histidine methylation. Such tools are urgently needed by the international research community, as none are currently available commercially. Overall, this project will lead to great advances in the field of protein regulation, and may uncover novel mechanisms in intestinal zinc transport and pathology.

Zinc transport regulation through histidine methylation

Reality-Connected Machine Simulation of Heavy Machinery

The RealSim project proposal aims to connect machine simulation to reality in the framework of heavy machinery, which is an interdisciplinary application. The results of this project are expected to optimize machine performance, accurately and reliably predict machine failure, and reduce overall development and operation costs, thus, serving the Europe’s priority of green transformation and the United Nation’s sustainable development goal 9. The RealSim project will close the gaps of: (1) Onboard estimations of force and pressure components of heavy machinery; (2) Estimating deformability, cylinder friction, leakage, and valve dynamics of heavy machinery using independent nonlinear Kalman filters; (3) Employing dependent nonlinear Kalman filters in state estimators of heavy machinery; (4) Tuning algorithms for the covariance matrix of plant noise in the state estimation of heavy machinery. 

I will consolidate and leverage my research career and position as a leading researcher in the field through integration in Assoc. Prof. Mohammad Poursina’s group at the Department of Engineering Sciences of the University of Agder (UiA), Norway. Here, I will acquire hands-on experience of working with actual mechatronic systems and develop efficient control algorithms. I will improve my knowledge of fluid power designing, control theory, instrumentation, and develop efficient coding skills. I will also develop entrepreneurial skills. The skills, knowledge, and international network that I will develop during this fellowship will put me in an excellent position to achieve my long-term goal of becoming a professor with my own independent research group at an esteemed university in EU. This fellowship will help me to prepare a strong ERC Starting Grant application in the future. It will also cater my additional goal of setting-up a research-related start-up in the future.

Information theory is a discipline at the intersection of statistics, engineering and computer science. As the study of information quantities, such as compression or communication capacities, information content or measures of statistical dependency, it is one of the theoretical underpinnings of data science.

Computational problems in information theory are highly non-linear. The goal of this project is to transfer state-of-the-art methods of computational non-linear algebra to information theory, to study the inherent algebraic complexity of information-theoretical problems and to provide tools for solving them in practice. The algebraic point of view has proven to be fruitful in seemingly unrelated areas, as witnessed by a surge of recent work in algebraic statistics, in particular on likelihood geometry. However, maximizing the likelihood function is the same as minimizing relative entropy — a specific information quantity. Hence, this project also aims at generalizing the techniques developed in likelihood geometry.

One focus is on the practical computation of information quantities using numerical and differential algebraic geometry. Such quantities are defined via non-linear optimization problems and we aim to pinpoint the algebraic complexity of these problems in instances of general interest, such as common information measures. The final objective is finding fundamental laws and limits of data science imposed by non-linear inequalities constraining the entropic region. These inequalities provide, by duality, universal bounds for many of the optimization problems studied in information theory.

Algebraic Theory of Information Quantities

WHeelchair Activity Monitoring project (WHAM)

Wheelchair users (WCU) are three to five times more inactive than the general population, leading to a high risk of developing preventable secondary conditions. Although physical activity (PA) guidelines have been specifically developed for WCU, we lack systematic approaches to implement them in practice, as well as valid algorithms to monitor PA change in WCU through sensor-based solutions. Accordingly, the overall scientific aim of the WHeelchair Activity Monitoring project (WHAM) is to advance PA research and practice in WCU by developing valid digital markers for monitoring of and providing feedback on PA, paving the way for implementation and intervention. I will accomplish this through combining the complementary research fields of 1) behavioural intervention studies focusing on increasing PA in WCU (core competence University of British Columbia, UBC; outgoing phase) and 2) sensor-based PA monitoring (core competence Norwegian University of Science and Technology, NTNU; returning phase – consolidated by non-academic placement at Maastricht Instruments, which develop research prototypes including PA monitors). WHAM’s scientific aim is achieved through three objectives: 1) Measure the effect of a pragmatic exercise intervention trial on self-reported physical activity levels and cardio-respiratory fitness, 2) Develop valid algorithms for tracking PA markers in WCU, and 3) Co-create a framework that outlines how PA can be conjointly monitored and provided feedback on in WCU. This fellowship will enable me to become established as an internationally recognized researcher in the field of “physical activity and disability”, while bringing together ongoing national disjointed research activities in this field. Altogether, my overall ambition is to contribute to reducing inequalities in daily-life participation among WCU compared to the rest of the population.

Per- og polyfluorerte stoffer (PFAS) er en stor gruppe menneskeskapte kjemikalier med høyt fluorinnhold som antas å ha negative helseeffekter. Kilder til PFAS kan være produksjon av vann-, varme- og flekkbestandige produkter og disse kjemikaliene er en del av hverdagen vår. PFAS påvirkning av biologiske systemer er ikke fullstendig forstått. Noen PFAS er antatt å øke risikoen for å utvikling av ikke-alkoholisk fettleversykdom (NAFLD) og øke risikoen for diabetes. 

For å forstå hvordan PFAS påvirker organene våre ønsker vi å bruke små laboratoriedyrkede organmodeller, kalt organoider. Disse miniatyrorganene kan dyrkes fra menneskelige stamceller og tilbyr et kontrollert miljø for å studere hvordan PFAS påvirker f.eks lever og bukspyttkjertelen vår, uten bruk av dyreforsøk.

For å studere helseeffekter må vi kunne måle nivået av biomolekyler som fettstoffer i leveren og hormoner i bukspyttkjertelen. Til dette trenger vi å utvikle analytiske verktøy for å måle effektene. Først vil vi bekrefte at når leverorganoidene eksponeres for enkelte PFAS-forbindelser utvikles det NAFLD-lignende sykdom ved å sammenligne den biokjemiske profilen (proteiner og metabolitter) til organoider av lever med PFAS-eksponerte organoider. Deretter vil vi utvide den analytiske verktøykassen for å undersøke hvilke metabolske veier som påvirkes, og om effekten er den samme i NAFLD-induserte og PFAS-eksponerte organoider. Vi vil også eksponere insulinproduserende bukspyttkjertelorganoider for PFAS for å undersøke effekten av PFAS på hormonproduksjon. Når effektene av PFAS-eksponering på lever- og bukspyttkjertel-organoider er etablert, vil organoidene bli samkultivert i en chip, og effektene av PFAS-eksponering vil bli undersøkt og sammenlignet med individuelle organoider.

Persistent organic pollutants (POPs) are believed to contribute to metabolic diseases, such as non-alcoholic fatty liver disease (NAFLD) and type 1 diabetes. HE-POP aims to investigate the effects of per- and polyfluoroalkyl compounds (PFAS), a type of POPs), on organ function in a controlled environment.

Organoids are multicellular laboratory-grown miniature organs, that are grown from stem cells. HE-POP will use organoids to examine how PFAS affects our organs and develop cutting-edge bioanalytical tools and methodology to measure these effects using liquid chromatography-mass spectrometry. HE-POP hypothesizes that PFAS negatively affects organ function, as evidenced by changes in hormone and lipid levels characteristic of NAFLD and type 1 diabetes. 

Organoids offer a controlled environment to study the effects of PFAS on the liver and pancreas, without the use of animal models. HE-POP aims to gain evidence of the negative effects of PFAS on organ function through controlled experiments on organoids and aid in understanding the biological mechanisms underlying NAFLD and type 1 diabetes.

HE-POP has fundaments in UN sustainable development goals, specifically #3, #12, and #14/15, seeking an understanding of diseases with worldwide prevalence, and understanding how POPs affect our life and surroundings and help enable the right regulatory actions and replacement chemicals.

HE-POP: Studying the Health Effects of Persistent Organic Pollutants, Using Mass Spectrometry, Organoids, and Organ-On-A-Chip

Norge har under Parisavtalen påtatt seg en forpliktelse til å redusere klimautslippene sine med minst 55 prosent innen 2030 sammenlignet med nivået i 1990. Hittil har vi kun oppnådd 5 prosent av dette målet; vi har følgelig kun syv år på å redusere de resterende 50 prosent for å imøtekomme målene. For 2050 har vi satt oss enda større mål: å redusere klimautslippene med hele 90 prosent. Bakgrunnen for målene er at vi prøver å unngå de verste scenarioene FNs klimautvalg skisserer opp i sine rapporter. I tillegg har energiforbruket økt, og prognosene fra Statnett for ulike scenarier viser at energiforbruket skal fortsette å øke. Vi trenger følgelig mer energi. Dette har bidrat til at diskusjoner rundt kjernekraft i Norge er høyaktuelle og pågående. Norsk Kjernekraft AS har blitt opprettet med formål om å bygge Norges første kjernekraftverk. I tillegg ble det i fjor også bevilget 200 millioner kroner fra Regjeringen til et nytt senter som skal drive med nukleær forskning. Målet er å styrke den norske kunnskapsberedskapen på det nukleære området. Dette betyr at vi beveger oss i en retning hvor kjernekraft en dag kan bli aktuelt i Norge, og noen mener at dette er den eneste veien å gå hvis vi skal nå målene våre for 2050. Men i dag sitter vi med flere spørsmål enn svar, blant annet: Hvilken teknologi og leverandør burde vi velge? Er regelverket for snevert og strengt? Hvordan kan dette gjøres og samtidig ivareta sikkerhet? Hvordan tjener et kjernekraftverk penger?

Dette prosjektet skal svare på samtlige av disse spørsmålene i en detaljert og omfattende analyse. Her bruker vi grunnlagsdata til å vurdere dagens forskning opp mot hvordan industrien i andre land opererer, og ut ifra dette forsøke estimere hva risikoen knyttet til å bygge kjernekraft som industri i Norge er. Prosjektet sikter på å gi et så helhetlig bilde som mulig slik at vi kan gjøre oss opp en mening basert på fakta; om kjernekraft passer inn i miksen av det som utgjør norsk energi.

Denne prosjektbeskrivelsen skisserer forskningen Vala Maria Valsdottir (omtales herunder som stipendiaten) skal utføre innenfor sin doktorgradsavhandling. Prosjektet skal være en del av Senter for nukleær forskning (SNF) som fikk midler vinteren 2023.
Ph.d.-prosjektet er initiert av Inmeta Consulting AS, som igjennom denne ph.d.-stillingen vil bli en del av SNF. Inmeta planlegger en prosjektperiode på fire år, hvor stipendiaten arbeider 75 % med ph.d.-prosjektet og 25 % med vanlig virksomhet hos Inmeta. 
Prosjektet skal undersøke muligheten for kjernekraft som industri i Norge. Dette er både en samfunnsaktuell problemstilling samt en som medlemmene i SNF er interessert i å utforske. Stipendiaten kommer derfor til å samarbeide med alle aktørene som er involvert i senteret og benytte forskningsdata fra dem. Dette gjelder da spesielt Institutt for energiteknikk (IFE) som har mest grunnlagsdata som er relevant for dette prosjektet.
Kandidaten ferdigstilte en masteroppgave høsten 2020 i kjernefysikk på Universitetet i Oslo (UiO) og har derfor gode og relevante grunnkunnskaper for å ta på seg et slikt prosjekt. I tillegg har kandidaten tre års erfaring innenfor energibransjen, og er derfor oppdatert på industrien og forstår deres problemstillinger godt.

Er kjernekraft aktuelt for Norge?

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

InART is recognized as one of the main conference series in the field of Heritage Science and since its first edition in 2013 (Evora, Portugal) it mainly focused on the contribution of natural sciences to the field. A major change occurred after the COVID-19 pandemic, when a greater number of researchers from different branches of heritage science participated in InART 2022 (Paris, France). 
InART is an open platform for knowledge-sharing among professionals in the field of Heritage Science, including conservation.
These aspects are covered by the main conference topics:
•	Development of new tools (devices, technology, software, etc.), advanced data analysis and FAIR data management
•	Development and/or implementation of new methods and routines (diagnostic and conservation) for the understanding of heritage materials, techniques, and degradation processes (chemical, physical and biological)
•	Development, testing (includes mechanical testing), and characterization of new materials for conservation (special attention to green conservation treatments)
•	Application of non-invasive/non-destructive techniques
•	Preventive conservation: environmental monitoring techniques and climate/microclimate effects on the conservation of heritage sites and exposed objects.

Heritage science is a highly multidisciplinary research field. Consequently, topics covered during the InArt2024 conference can be approached from different points of view and the conference aims to merge natural sciences and conservation, providing a dynamic space for active interaction, scientific exchange, and debates on the central issues of heritage science research. InART2024 welcomes contributors from diverse fields to join and create an interdisciplinary discussion about cultural heritage conservation within the fields of archaeological objects, artworks, built heritage, etc.

6th International Conference on Innovation in Art Research and Technology

null

Midlene fra VERDIKT-Kjernekomp.og verdiskaping IKT fordelt på år

Midlene fra VERDIKT-Kjernekomp.og verdiskaping IKT fordelt på fylker

Midlene fra VERDIKT-Kjernekomp.og verdiskaping IKT fordelt på fagområde

Professor

The main idea of MAPPA is to take an existing research prototype, developed for collective cultural mapping of urban spaces, into a fully fledged tool and to investigate its wider application for locative and participatory media. This involves exploration  of potential values for organisations, communities, and groups to expose their own views, mappings and formulations in further work in their special and strategic areas of interests. It also involves a global distribution of an innovative mobile applicat ion that are unique in its concept, communication design, and material-digital city representations.The tool has considerable potential and value to support social media uses in education, business, research and societal outreach. MAPPA build on a strong  existing relationship in a funded VERDIKT project called YOUrban and take this onwards also into international collaboration while supporting local enterprises and research collaborations.

MAPPA. Mapping through participation

Anvendelsen av kunstig intelligens (AI) "at the edge" gir et vell av nye av muligheter, inkludert høyere prosesseringshastigheter for å tillate sanntidsanalyse, større skalerbarhet for å jobbe med store datamengder og forbedret cybersikkerhet ettersom mindre data behandles eksternt eller utenfor "on-premises" datamaskiner.
EdgeAI-prosjektet er et sentralt initiativ for den europeiske digitale overgangen mot intelligente prosesseringsløsninger "at the edge".
EdgeAI utvikler nye elektroniske komponenter og systemer, prosesseringsarkitekturer, grensnitt og tilkoblingsmuligheter, samt programvare, algoritmer og mellomvare ved å kombinere mikroelektronikk, AI, innebygde systemer og "edge computing". Prosjektet skal demonstrere anvendeligheten til den utviklede avanserte AI-maskinvare-/programvare-/algoritme-tilnærmingene på tvers av ulike vertikale industrier, med tanke på kravene til sikkerhet, tillit og energieffektivitet i flere og utvidede bruksområder.
EdgeAI-prosjektet har som mål å påvirke EUs klimanøytrale ambisjoner positivt ved å ha en betydelig innvirkning på Green Deal i to retninger: Den ene er ved å øke energieffektiviteten og senke strømforbruket til de elektroniske komponentene, algoritmene og AI-metodene "at the edge", og den andre er ved å øke prosesseringsevnen og redusere det totale energiforbruket og CO2-fotavtrykket til applikasjonene som bruker avanserte AI-komponenter.
Prosjektet tar sikte på å få en betydelig innvirkning på European Chips Act, da teknologiutviklingen vil identifisere flere utfordringer som kan fremmes som nye temaer for vekst i fremtidige utlysninger innen europeisk Chips JU partnerskap.
Med 49 partnere fra 11 europeiske land og et totalbudsjett på €35,4 millioner, adresserer EdgeAI fem industrielle verdikjeder med 20 demonstratorer: Digital industri, energi sektoren, landbruk, mat og bryggeri industri, mobilitet og digitalt samfunn.

EdgeAI advances the edge AI technology development according to the AI technology stack by addressing the research and innovation across the stack layers from AI hardware, interfaces, frameworks, software, algorithms, architectures and methods and data types to applications in five industrial sectors: Digital Industry, Energy, Agri-food and Beverage, Mobility, and Digital Society.
EdgeAI develops new electronic components and systems, processing architectures, connectivity, software, algorithms, and middleware by combining microelectronics, AI, embedded systems, and edge computing. It aims to demonstrate the applicability of the developed edge AI hardware/software/algorithms approaches across various vertical solutions, considering the inherent security, trust, and energy efficiency demands in several use cases. 
The project accelerates edge AI processing adoption in different application domains through twenty reference demonstrators in the five industrial sectors.
The demonstrators validate the benefits and advances of edge AI technologies developed in the EdgeAI project.

Edge AI Technologies for Optimised Performance Embedded Processing

Forskningsprosjektet vil resultere i datadrevet innsikt for å utvikle optimale nabolag fylt med liv og økonomisk aktivitet.

Gjennom bruk av maskinlæring og optimering, kombinert med data om bevegelse, korthandel, demografi og selskapsdata har prosjektet som mål å forstå hva som utgjør et optimalt bygulv. Dette vil muliggjøre faktabaserte beslutninger og samarbeid mellom butikker, restauranter og eiendomsselskaper som utgjør byens første etasje. 

Forskningen vil resultere i innsikt hvor butikker, restauranter og servicebedrifter forstår hvor deres bedrift er best egnet for å lykkes, og i effekt, maksimere deres inntjening. Dette vil trekke mennesker og aktivitet til området, og gjennom optimalisering av bygulvet vil bedriftene gagne på synergier med nærliggende butikker. Innbyggerne og de besøkende vil få et bedre og mer hensiktsmessig tjenestetilbud i sitt nabolag.

Eiendomsselskap vil på sin side forstå hvilken leietaker som passer best for sin eiendom, og ved at eiendomsselskaper i samme område får en felles forståelse vil de kunne samarbeide for å skape bedre og mer økonomisk bærekraftige nabolag, med en mer hensiktsmessig mix av butikker.

Forskningen vil øke inntektene og lønnsomheten for en stor andel av norsk økonomi, og vil påvirke menneskene som bor og bruker byen positivt gjennom økt økonomisk aktivitet, bedre tjenestetilbud og derav livskvalitet.

The DREAM project will establish an entirely new way of operating the retail commercial real estate market. The Plaace platform lets retail, hospitality and service businesses match their needs with available retail space. Supported by new tools enabled by the DREAM project, these businesses will be able to make smarter location decisions, generate more revenue and attract more customers. This benefits property companies owning retail space directly by increasing rent and property value.

Using AI and optimization techniques, the project will build algorithms for (i) evaluating the location-based performance of a business, (ii) finding good business mixes for a group of available locations and (iii) helping commercial real estate companies collaborate to build better commercial areas. These approaches will significantly improve the current market, reducing the risk of wrong.

The results will be prototyped and piloted in the Plaace platform, and tested and evaluated by participating partners, ensuring their real-life applicability and preparing for their availability to the sector at large.

Data-driven Real Estate Analysis and Matching

Probe ultralydsonikatorer er mye brukt til homogenisering eller desintegrasjon av alle typer biomasseprøve i næringsmiddelindustrien, kjemisk industri og forskningslaboratorier. De fleste av sonikatorene håndteres fortsatt manuelt av høyt kvalifiserte teknikere per i dag. Nåværende robotløsninger er lite attraktive for kundene på grunn av høye priser og lav automatiseringsgrad, og et mye større marked kan nås med en lavere kostnad og mer automatisert løsning. Prosjektteamet har utviklet en lavkost og helautomatisk ultralydbehandling (FABS) robot for prøvehomogenisering. FABS-roboten er i stand til å utføre mer nøyaktig, presis og raskere sonikeringsprosedyre enn konkurrerende systemer. Dette skyldes at den er helautomatisert og unik i måten den bruker maskinsyn for prøvetakning, kvantifisering og kvalitetskontroll av homogeniseringen. Videre er FABS mye billigere enn konkurrerende systemer. Prosjektet vil definere hvilket markedssegmentet som vil være målet og den tilsvarende målproduktprofilen (TPP) for å styre utviklingen av FABS-roboten. 

Hovedutfordringen som må løses er robusthet, pålitelighet og allsidighet til FABS-roboten. Denne søknaden tar sikte på å bringe FABS-systemet til et kommersielt nivå. Dette inkluderer forbedringer i mekatronikk og programvare basert på TPP for det mest lovende markedet. Vi vil redimensjonere maskindelene og elektronikken, med tanke på allsidighet, sikkerhet, kompakthet og brukervennlighet. Systemet vil bli designet og testet med tanke på det spesielle miljøet og sikkerhetskravene i laboratoriene. Våre to industripartnere, Neste Corporation og SINTEF Industri, vil sammen med andre potensielle kunder fungere som sluttbrukere for å validere systemet og for å evaluere utvidelsen av FABS-systemet til andre kommersielt tilgjengelige laboratorieroboter. 
 
Dette prosjektet tar også sikte på å utvikle en realistisk markedsplan. Dette inkluderer å utvikle en forretningsmodell og en kommersiell strategi basert på TPP.

Fully Automated Ultrasonication Robot for Homogenization of Biomass Samples

OWL-prosjektet skal forbedre arbeidsforhold i grossistlager og redusere både den økonomiske og klimamessige kostnaden ved å utvikle og forbedre verktøy som optimerer drift knyttet til pallestabling og lagerorganisering. 

Varer ankommer grosssitlagre fra produsenten på paller med kun én varetype som oppbevares på lageret. Kundeordre krever at ulike varer hentes fra sine respektive plasser på lageret og stables sammen på paller som så transporteres videre til kundens lokaler. Lagerplassering, vareuthenting og -omstabling er sammenkoblede aktiviteter, og løsningen for hver av de vil påvirke hvor effektivt man kan løse de andre. For at roboter skal kunne avlaste og/eller erstatte mennesker i fysisk belastende situasjoner må slike avhengige problemer løses med hensyn til hverandre, og ikke som isolerte oppgaver. OWL vil ta fatt i mangelen på algoritmer som tilfredsstillende løser disse oppgavene og hindrer videre utvikling av digitale løsninger og kostnadseffektive, autonome systemer for lagerdrift. 

OWL forener Driw AS som leverer software for lagerlogistikk, og Currence AS som utvikler innovative robotikkløsninger for lagerdrift, med SINTEF Digital for å utvikle avanserte optimeringsmodeller og -algoritmer som skal håndtere driftsutfordringer i grossistlagre. Forbedring av klassiske optimeringsmetoder ved bruk av maskinlæring anses som en nyskapende og lovende forskningsretning for å oppnå dette. Innsikt fra sluttbrukere i både lager og buktikker vil samles inn fra Driw og Currence sine kunder. Utviklede metoder vil bli både testet og utnyttet i Currence sin lagerrobot og Driws lagerstyringssystem. 
 
Reduksjon av tungt fysisk arbeid, forbedring av arbeidsforhold, økt driftssikkerhet, samt redusert avfall, områdebruk og utslipp er sannsynlige utfall som bidrar mot FNs mål for brekraftig utvikling. I tillegg vil arbidet bidra til fornyelse og restrukturering gjennom digitsalisering av en godt etablert industri (lagerlogistikk) med tilhørende arbeidsmetoder.

The OWL project will improve human working conditions and reduce environmental and economic cost across the wholesale warehouse value chain by developing analytic and learning based algorithms for internal warehouse optimization problems.

In wholesale warehouses items arrive from manufacturers on standard-sized pallets in single-item stacks, which are stowed away in the warehouse. Items are then retrieved and stacked in mixed-item stacks according to customer orders before they are transported to the stores. The retrieval and restacking related activities are co-dependent, and jointly considering up- and down-streams operations is key to aid and/or replace hard human labor with robots. OWL will address the lack of algorithms for solving these complex problems that prevents further development and implementation of digital solutions and feasible and affordable autonomous systems in warehouse operation. 

The OWL consortium brings together Driw AS, a warehouse logistics software provider and Currence AS, developing innovative warehouse robots, in a collaboration with SINTEF Digital to develop advanced optimization models for tackling challenges in wholesale warehouse management. The enhancement of classical optimization models with use of machine learning will be a new and promising venue for progress. Insights from end users in both warehouses and stores will be collected from Driw and Currence’s customers, and the final algorithms will be exploited in the Currence warehouse robot and in Driw’s warehouse management software.  

Reduction of hard human labor, improved working conditions, increased safety in operations, reduced waste, area usage and emissions are likely impacts, contributing towards UN sustainable development goals and to the renewal and restructuring of an established industry (warehouse logistics) and its work methods through digitalization.

OWL - Optimization and learning for Warehouse Logistics

Det er utfordrende å få målinger fra havvannsøylen og havbunnen. Oceanografiske bøyer har blitt brukt til applikasjoner som krever vedvarende målinger fra et enkelt sted i mange år. Bøyene er imidlertid designet for å tåle værscenarier i verste fall og veier derfor vanligvis over hundrevis av kilo og krever at spesialiserte fartøyer og kraner utplasseres og vedlikeholdes. Hvis det er behov for målinger fra vannsøylen, må sensorer på forskjellige dybder installeres, og et kommunikasjonssystem (kabelbasert eller akustisk) må være på plass. Alternativt kan et mekanisk vinsjsystem på bøyen også brukes for å oppnå vannsøyleprofiler, men å bli utsatt for sjøvann blir korrosjon og pålitelighet en alvorlig utfordring.
Under RCN-finansierte MarTERA-prosjektet OASYS har OsloMet utviklet en innovativ teknologi som i mange tilfeller kan erstatte klassiske oseanografiske bøyer med et mye enklere design med potensial til å revolusjonere hvordan realtime in situ havmålinger innhentes. Løsningen er en robotflåte som kan overføre havmålinger i sanntid mens de er på overflaten ved hjelp av satellitt- eller mobiltelefonnettverk. Det foreslåtte systemet er unikt fordi flottørene autonomt kan gå ned til havbunnen. Dette har flere fordeler: i) det unngår å være et hinder for sjøtrafikken og minimerer risikoen for at sabotasje/utstyr blir stjålet; ii) Det gjør det mulig å oppnå målinger av havoverflaten, men også av vannsøylen og havbunnen; iii) det kan unngå høy sjø / ekstremvær, noe som resulterer i mye enklere mekaniske design; iv) det minimerer effekten av biobegroing, noe som minimerer behovet for vedlikehold.
Teknologien som er utviklet under prosjektet kan ha flere anvendelser innen miljøovervåking av havbruk og havvindprosjekter, forbedring av ekstremværsvarslingssystemer, klima- og havforskning, og overvåking av kritisk undervannsinfrastruktur.

KVAL: Scalable realtime ocean data using robotic floats

Oversikt:
Dette prosjektet skal forske på og utvikle verktøy og prosesser for å dekommisjonere systemer og relasjonsdatabaser (DB) og bevare disse «nedlagte» systemene/databasene permanent på et fysisk uforanderlig og permanent lagringsmedium, piqlFilm, så vel som online. Det som er bevart skal inkludere verktøy for DB-regenerering sammen med dens søkefunksjonalitet (dvs. man skal kunne søke uten den originale databaseapplikasjonen/programmet). Disse verktøyene og prosessene garanterer immunitet mot teknisk foreldelse, beskytter tilgang og søkefunksjonalitet for fremtidige brukere, hindrer datakorrupsjon, unngår migrering, ekskluderer hackere, reduserer CO2-påvirkningen fra sky-lagring, sikrer brukertilgang på lang sikt og fungerer som den den ultimate sikkerhetskopien for fremtidige generasjoner.
Utfordringer:
Databaser ønskes bevart fordi innholdet deres har egenverdi. Data må oppbevares på et medium som kan forbli intakt i flere tiår eller århundrer. Bevaring må inkludere DB-arkitektur og søkeverktøy som gir databasen funksjonalitet og interoperabilitet. Dette prosjektet har til hensikt å bruke et åpen kildekode databaseformat, SIARD, til å dekommisjonere andre proprietære databaser (som SAP eller Oracle), slik at de senere kan gjenopprettes og reintegreres i en annen databaseapplikasjon i fremtiden.
SIARD kan befare data og metadata. Men formatet har begrensninger for langsiktig bevaring. SIARD kan ikke fremtidssikre databasen mot teknisk foreldelse fordi den ikke bevarer informasjon om programvareapplikasjonen eller maskinvaren som ble brukt til å opprette, få tilgang til, bruke og vedlikeholde den originale DB. 
Verktøyene utviklet i iDA vil fange opp spørringsfunksjoner for å integrere dem i spørringsbiblioteker, motorer, API-er og den forenklede virtuelle programvaremaskinen vil være nye resultater som ikke eksisterer i dag, som vil sørge for at problemene knyttet til bevaring av en SIARD-database (ref. ovenfor) vil bli eliminert.

Overview: We will research and develop tools and processes to decommission systems that preserve their content permanently on a physical medium and online, including tools for DB regeneration together with its search functionalities. The tools and processes guarantee immunity to technical obsolescence, protect access and search functionalities for future users, prevent data corruption, avoid migration, exclude hackers, lower the CO2 impact from cloud, storage, ensure user access in the long term and serve as the "ultimate backup of last resort" for future generations. 

Challenges: Databases are preserved because their content has intrinsic value. Data needs to be preserved in a medium that can remain intact for decades or centuries. Preservation needs to include DB architecture and search tools that give the database functionality and operability. Users mainly use SIARD formats for decommissioning and can later be restored and reintegrated into another DB management system in the future.
SIARD can capture data and metadata. But it has limitations for very long-term preservation. It cannot future-proof the database against technical obsolescence because it does not preserve information about the software application or the hardware that were employed to create, access, use and maintain the original DB. Nor does SIARD capture the key information on the query functionalities used to search, process and retrieve information when the database was active. SIARD cannot guarantee that the restored database will be used efficiently in the future. SIARD cannot deliver the ultimate "backup of last resort" that is future-proof, physically safe, offline and incorruptible.

iDA development tools capturing query functionalities for integrating them into query libraries, engines, APIs and the simplified execution software machine will be new outcomes that do not exist today.

Immortal Database Access

I løpet av de siste tiårene har det vært raske fremskritt innen automasjon og digitalisering på grunn av fremskrittene som er gjort innenfor feltene internet of things (IoT), datakraft og programvareutvikling. Disse, sammen med nye teknologier som big data, cloud computing, kunstig intelligens (AI) og digitale tvillinger, gjør overgangen til industri 4.0 mulig.
Dette doktorgradsprosjektet tar sikte på å undersøke hvordan digitale tvillinger kombinert med big data og AI kan optimere kostnadene, redusere karbonavtrykk og øke påliteligheten og sikkerheten for produksjon. Prosjektet er delt inn i tre hovedtemaer:
1. Sikker og effektiv menneske-maskin-samarbeid
2. Prediktivt vedlikehold
3. Smart produksjonsplanlegging
I det første temaet skal stipendiaten bruke sensorer (2D- eller 3D-kameraer, lidarer eller lignende) for å oppdage mennesker i farlige miljøer. Videre vil bevegelsene til de oppdagede menneskene bli forutsagt ved hjelp av maskinlæring. Dette muliggjør sikker kontroll av maskiner, som er neste steg. Ved å definere ulike sikkerhetsnivåer for områder på produksjonsgulvet i en digital tvilling, kan farlige maskiner bremses og stoppes når et menneske nærmer seg dem. Motivasjonen for dette temaet er økt sikkerhet og høyere grad av plasseffektivitet siden det muliggjør muligheten for å fjerne burene som omgir farlige maskiner i dag.
På det andre temaet vil stipendiaten se på hvordan big data kan brukes til å forutsi vedlikeholdstid for å unngå maskinfeil, samt lage en tidsplan for vedlikeholdsarbeidere. Big data vil komme fra sensorer som måler maskinparametere, for eksempel oljetemperatur eller lagervibrasjoner, for å nevne noen.
Til slutt vil det bli foreslått metoder for smart produksjonsplanlegging ved å utvikle algoritmer som optimerer produksjonsplanleggingen og produksjonsveien fra råvare til ferdig produkt. På denne måten kan ledetid, hviletid, energiforbruk og avfall reduseres.

Over the last few decades, there have been rapid advancements within automation and digitalization due to the advancements made within the fields of internet of things (IoT) and computing power. These, together with emerging technologies like big data, cloud computing, artificial intelligence (AI) and digital twins (DT), makes smart manufacturing and the transition to industry 4.0 possible. The transitions demand high competences within the field of mechatronics combining information and communications technology (ICT) with technical understanding of manufacturing processes. Many small and medium-sized businesses (SMBs) are struggling to keep up with the pace of these rapidly evolving technologies. Tvillingfabrikken is positioned in the market of developing DTs for industrial SMBs and intends to be a catalyst for smart manufacturing systems towards industry 4.0.

DTs are used to some extent today, mainly for visualization purposes and product development. However, the full potential is far from being fully exploited. This project aims at combining DTs with big data and AI for smart production planning, predictive maintenance as well as virtual commissioning and testing of new automated systems.

Heterogeneous environment of digital twins for industrial applications

The Norwegian Electro-Optics Meeting is the main Norwegian forum for scientific and technical optics, uniting basic research, innovation and industry applications. It's 2022 edition is to take place in Røros, Trondelag, and is organized by a committee consisting of 6 members: 3 from academia (NTNU, UiT), 2 from industry (Norsk Elektro Optikk, Kongsberg), and 1 governmental research organization (FFI). It will assemble 96 participants, from MSc and PhD students to CEOs of private companies. Scientific programme running over 3 days is in the center of the event, and it includes about 25 contributed papers as well as 3 invited presentations by world-renowned researchers. The scientific programme is complemented by several networking and social activities.

Norwegian Electro-Optics Meeting 2022

Prøv å finne heltallsfaktorene til tallet 9991. Du vil kanskje ha problemer med å gjøre dette uten en datamaskin, men du kan enkelt finne ut, kanskje uten kalkulator, at 97*103= 9991. Selvfølgelig kan klassiske datamaskiner spise dette lille problemet til frokost, men ikke hvis produktet har hundrevis av sifre. 
I 1994 publiserte Peter Shor en algoritme som kan faktorisere enorme heltall på en effektiv måte, forutsatt at den kjøres på en hypotetisk kvantedatamaskin. Konseptet «Kvantedatamaskin» ble lansert av fysikeren Richard Feynman i 1981, med en gjetning om at kvantedatamaskiner muligens kan løse noen spesielle problemer som antas å være vanskelige for klassiske datamaskiner. Men på det tidspunktet var ingen kvantealgoritmer kjent, og ideen forble esoterisk i mange år.
Etter Shors oppdagelse prøvde forskere å konstruere kvantedatamaskiner. Utviklingen gikk sakte til å begynne med, men i dag satser store selskaper og statlige aktører voldsomt på å utvikle kvantedatamaskiner.
Sikkerheten i kryptografi brukt i Internettkommunikasjon i dag er avhengig av at noen problemer som heltallsfaktorisering er vanskelige å løse. Store kvantedatamaskiner vil derfor knekke de mest brukte kryptografiske verktøyene. Dette har ført til massiv forskningsinnsats på nye kryptografiske funksjoner som ikke er sårbare for kvanteangrep. Det pågår også prosesser for å velge nye kryptografiske standarder til bruk i kommunikasjonssystemer, og noen standard-kandidater ble utpekt i juli 2022. Likevel er ikke de underliggende matematiske problemene like godt forstått som tilfellet er for klassisk kryptografi. Dessuten fører usikkerhet rundt hva en kvantedatamaskin faktisk kan gjøre til behov for forskjellige standardalgoritmer, og arbeidet med å velge nye standarder forventes å pågå i årevis.
qsIo2-prosjektet har som mål å utvikle nye teknikker for kvantesikker kryptografi, og dermed bidra til den internasjonale forskningsinnsatsen samt til å styrke den nasjonale kompetansen på dette området.

Significant resources are being spent on constructing quantum computers in research laboratories and government agencies across the world. With a sufficiently large quantum computer, it will be possible to break some of the most widely used cryptographic algorithms. To ensure privacy and confidential communications in the future, there has been a large research effort in studying cryptographic primitives that are not vulnerable to quantum computers.

The newly concluded qsIoT project can be seen as a part of this trend, where quantum-safe cryptography has been studied in the particular context of IoT. A significant part of the work done in this project has been towards understanding the underlying security of this new class of cryptographic algorithms. 

The research area of quantum-safe cryptography has now matured to the point where it makes sense to think about future cryptographic standards. Indeed, a comprehensive standardization process is already well underway. Still, the various underlying mathematical problems are not as well understood as the problems of classical cryptography. Moreover, uncertainties regarding the capabilities of a quantum computer prompts the need for a diverse portfolio of standardized algorithms. As a result, the work to select new standards is expected to go on for years.

Results from our previou qsIoT-project have already had an influence on the mentioned standardization process. The qsIo2 project aims to extend research into the cryptanalytic techniques developed in this line of work. This will lead to a deeper understanding of the security of the new cryptographic algorithms, which in turn will contribute to the ongoing work on international standards.

Extension of Quantum safe cryptography for the Internet of Things

Energilagring gir fleksibilitet til periodiske og fornybare energikilder, og vil spille en viktig rolle på veien mot en karbonnøytral europeisk økonomi. Batterier fra elbiler fases vanligvis ut når kapasiteten er nede på 70-80 prosent. På grunn av måten elbilbatterier er bygget, kan èn av hundre, eller tusen, celler i en batteripakke være skyld i denne kapasitetsreduksjonen. Det er verken miljømessig eller økonomisk fornuftig å skrape og resirkulere hele batteripakker bare på grunn av én dårlig celle. Det er et mye bedre alternativ å klassifisere alle cellene i batteripakken slik at cellene med dårlig ytelse kan sendes til resirkulering, mens celler med god ytelse kan brukes videre i andre applikasjoner, slik som stasjonær energilagring. 

Sammen med batterieksperter i IFE, har vi i dette prosjektet et mål om å utvikle metoder og testsystemer for å kartlegge om brukte lithium-ion-celler er trygge å bruke på nytt. Vi vil kombinere destruktiv og ikke-destruktiv batteritesting, operasjonelle data fra stasjonær lagring og toppmoderne maskinlæringsmetoder for å klassifisere celler på en trygg, rask, skalérbar og kostnadseffektiv måte. 

Hagals teknologi evner både å kontrollere elektrisk belastning og strømme data fra individuelle celler i en batteripakke. Det betyr at Hagal-produkter kan behandle enkelte celler i batteripakken mer skånsomt enn andre celler i samme pakke, og slik kombinere celler med ulik kapasitet, kjemi og format. Dette forenkler ombruk av battericeller, fordi celler med ulik karakteristikk kan integreres. Det er da fortsatt viktig å fjerne og resirkulere celler som kan inneha defekter som man tidligere ikke kunne oppdage.

Battery energy storage plays a key role towards a carbon-neutral economy in Europe by enabling the transition to a larger fraction of renewable energy sources. An increasing number of electric vehicles will be retired in the coming years. Extending the useful life of batteries from these EVs can help meet the increasing demand of batteries for energy storage and for use in new applications. At the same time, reuse can significantly lower the yearly averaged carbon footprint of battery cells. There is also a large potential for a greater utilisation of cells which do not meet the producers’ specification, so called B-cells. 

In this project, Hagal will together with IFE develop and implement a scalable methodology to quickly identify promising battery cells that are suitable for repurposing to alternative applications in a safe and cost-effective manner. Single cell testing differs from the typical approach of testing the entire battery packs, and has the potential to improve performance and safety of reused battery packs as well as the fraction of second-life cells certified for reuse. The methodology will consist of a set of non-destructive tests performed in a test rig, and a cloud side classification model. The system will be scaled for a throughput of 400-4000 cells/day. More exhaustive destructive tests will be used to label non-destructive test data to build and improve on the classification model. A selection of the cells will be put to use in Hagal’s RebelCore systems which allows for a wide variation of battery chemistry form factor and state of health within a single battery pack. Real-time monitoring of the battery cells ensures a feedback loop for continuous improvement of the classification methodology through additional labels on the data as well as providing data to improve models of battery degradation.

Classification of lithium-ion cells for safe reuse

KVAL: Crystalline polymorphs of Ga2O3 enable new transistors - PolymorFETs

Jordobservasjon dekker alt fra drone- til satellittbilder og har applikasjoner med stor innvirkning på våre dagligliv. Eksempler inkluderer værvarsel, monitorering av skip, monitorering av landbruk og veldig mye mer. Disse applikasjonene krever enormt mye data, som i praksis må håndteres ved hjelp av automatiserte metoder.
Dyp læring (DL), den mest suksessfulle grenen av kunstig intelligens (AI), krever både store mengder referansedata og spesialiserte modeller. Dette fører til et problem ettersom man både trenger domene eksperter for datainnsamling og DL experter på for å designe modeller. Så, dersom et lite selskap ønsker å ta i bruk AI for tilpasset kartlegging vil det kreve en sterk tverrfaglig ekspertise og det vil være ekstremt kostbart.
Målet med ATERLIER-EO (Automatisert maskinlærings-rammeverk skreddersydd til jordobservasjon) prosjektet var å utvikle en automatisert løsning for maskinlæring anvendt på jordobservasjon, med mer effektive trenings-prosedyrer i stand til å redusere mengden data som kreves, samt bruke automatisert maskinlæring for å redusere den nødvendige DL ekspertisen.
For eksempel er automatiske kartlegginger av veier et utfordrende problem; veier er tynne, og selv om et menneske vet at de skal være koblet sammen kan det være vanskelig for en modell å lære, spesielt dersom trær dekker over veien i bildene. ATELIER-EO var planlagt å kunne håndtere slik kunnskap om sammenkobling, inkorporering av terrengmodeller og håndtering av andre utfordringer som for eksempel skydekke i bildene, og bruk av treningsbilder der for eksempel veier var tilstede som eneste input.
For å konkludere, ATELIER-EO's mål var å automatisk lage tilpassede kart fra satellitt-, fly-, og dronebilder, selv med begrenset data og begrenset menneskelig interaksjon, utvide domener hvor AI kan benyttes, og redusere kostnaden for tilpassede produkter.

Science and Technology AS (ST) is a young company specialised in the development of services using Artificial Intelligence (AI) applied to EO and onboard processing systems for satellites. Most notably, we focus on the efficient use of satellite data for sustainable EO services. The share of AI is continuously growing in ST’s portfolio. The company has ample experience in the execution of large scientific data processing and intelligent software application projects for both ESA, EU, and national clients within, but not limited to, the domains of forestry (e.g. disease detection, deforestation, tree species) and ice sheet monitoring (e.g. calving front lines, mapping of supraglacial lakes, snowpack properties).
DL has already shown great success in the areas mentioned above, despite two major bottlenecks: limited EO-specific domain knowledge within the DL field (and vice versa, limited DL knowledge in the EO field), and a long time to market. Together with the large amount of data often required, these bottlenecks currently limit ST’s commercial opportunities and the adoption of AI within the EO field both in Norway  and internationally.
This R&D project aims at extending and streamlining ST’s current DL technology stack, transforming it into an EO-specific, AutoML solution. Within this context, AutoML automates the tasks of applying ML to real-world problems, covering a complete pipeline from the raw dataset to the deployable machine learning model. 
Critical milestones of this project are related to the research required to reach the goals described above and incorporated in the progress plan.

ATELIER-EO: Automated machine learning framework tailored to Earth Observation

Prosjekteier er Airside Innovation AS som også er ansvarlig for å kommersialisere hovedinnovasjonen fra prosjektet. Prosjektpartnerne er Opscom Systems (Safety Management System), Avinor (Lufthavneier) og Widerøe Ground Handling (ground handling på lufthavn), sammen med to forskningsorganisasjoner, NORCE og SINTEF. SINTEF er prosjektleder. Prosjektet har også en rådgivende komite med Luftfartstilsynet, London Luton Lufthavn og Václav Havel Airport Praha. 

Prosjektet startet i august 2022 og vi har hatt en oppstartsmøte med alle prosjektpartnerne for å sette i gang prosjektaktivitetene.

The apron (where aircraft are parked at the gate) is one of the busiest areas on airports and up to 243 000 people are injured each year in apron-related accidents or incidents. Moreover, airlines suffer a cost of USD 10 billion due to aircraft ground damage. Unreported safety-related occurrences (i.e., events, incidents, accidents) poses the highest risk to flight safety. Although AI-based (Artificial Intelligence) "assistants" are widely used for applications such as accounting, etc., airport apron safety reporting involves mostly time-consuming and error prone manual procedures. We will bridge this gap and develop, demonstrate and verify a Decision Support System prototype - "the FLAIT Assistant" - for automatic classification and reporting of occurrences in the apron area through human-AI collaboration. The FLAIT Assistant and accompanying safety assurance procedures will be designed such that those involved in safety reporting can work with the Assistant as a human-AI team. Such teaming augments human capabilities and raises performance beyond that of either entity. To develop and deploy the FLAIT Assistant we need to address several research challenges including how to 1) enable all-weather object (humans, vehicles, equipment) detection and classification within a unified "bird's eye view" of the apron area, 2) realize an explainable spatio-temporal system for detection and classification of both routine operations and occurrences at the apron, 3) enable and verify evidence-based and trustworthy occurrence reporting that facilitates joint human-AI learning and handles potential mismatches between human and AI reasoning. Our "unfair advantage" for succeeding in developing and commercializing is our team's combination of in-depth knowledge of the airport sector, safety assurance, explainable AI, and experience with deploying AI in the airport sector - and that our team is composed of the value chain from supplier to end-user and a world-class advisory board.

From manual to AI-assisted airport safety reporting through human-AI teaming (FLAIT)

Målet for prosjektet er å utvikle kunstig intelligens for å skape 3-dimensjonale representasjoner av bygninger uten menneskelig innblanding. Ambisjonen er å gjøre dette kun ved bruk av flybilder.

I Norge har vi store mengder geografiske data som innehar et stort utnyttelsespotensiale. Den nåværende prosessen for å utnytte denne dataen består av tidkrevende og manuelt arbeid. Dette prosjektet kommer i hovedsak til å rette seg mot generering av bygningsobjekter som etterhvert kan legges inn i FKB-Bygning. FKB-Bygning er en database som inneholder bygningsinformasjon om alle registrerte bygninger i Norge.

Statens kartverk ønsker å automatisere store deler av prosessen rundt konstruksjon og oppdatering av FKB-Bygning. Dette prosjektet vil utforske mulighetene for å kun bruke flybilder til generering og plassering av 3-dimensjonale bygningsrepresentasjoner på kartet. Første steg vil være å bruke kunstig intelligens til å lage omriss av bygninger, noe som allerede er gjort men ikke med god nok nøyaktighet. Videre må man gjenkjenne samme bygning i to forskjellige flybilder, som man da kan bruke som datagrunnlag i kombinasjon med fotogrammetri, for å generere en 3-dimensjonal representasjon av bygningen.

Forskningen i prosjektet kommer til å bruke data med områder fra hele Norge for å være sikker på at modellene generaliserer godt. Den dataen som brukes til å teste den kunstige intelligens er såkalt ekte data, og resultatene vil derfor reflektere hvor godt den gjør det i en produksjonssetting.

Resultatene fra arbeidet vil være et bidrag på veien mot en mer automatisk prosess for konstruering av FKB-Bygning objekter.

The project focuses on techniques and data sources that will enable the realization of 2.5/3-dimensional map objects. The motivation behind the project is automating labor-intensive work related to creating maps and increasing the utilization rate of the data captured. The cost-benefit relationship is central to all mapping projects. As a result, mapping projects use strict requirements and assessments before ordering a project. Through this project, we hope to benefit from and contribute to the rapid advancements in the following computer vision subfields; segmentation and 3-dimensional object reconstruction using aerial multiview images.

AI can locate and annotate objects such as buildings using orthophotos with generally good results but not precise enough for map production. However, converting the segmentation results into production-ready and fully approved vectorized objects for "Sentral Felles Kartdatabase" (SFKB) [1] is regarded as difficult. One of the issues is that the product specifications and registration instructions are complex and designed for a manual approach [2]. Another issue is that most research employs a 2D mosaic of corrected aerial images (orthophoto).

The project will not use orthophoto as the sole data source but will include and use data sources such as laser scanning, oblique, and vertical images. Images in flight and cross-flight directions overlap by approximately 80% and 30%, respectively. The overlap ensures the collection of at least three images from different camera positions for each object. The various viewpoints serve as the input foundation for generating 3-dimensional models for map objects such as buildings. The final step is to convert the objects in the image to a 3-dimensional representation and convert model coordinates to map coordinates. Furthermore, utilizing oblique images enables AI to find object attributes not present in vertical images, allowing for a richer 3-dimensional object model.

Towards automated 3D geospatial objects from optical imagery using novel Ai methods

BabySensors mål er å tilby kontaktløs helsemonitorering av premature og sårbare babyer. Målgruppen for produktet er både foreldre og helse- og omsorgstjenester. Produktet vil både kunne øke livskvaliteten til foreldre i en sårbar situasjon og øke kvaliteten på helse og omsorgstjenester for nyfødte barn.  
Prosjektet vil bygge på eksisterende sensorteknologi for å videreutvikle et godkjent, kamerabasert produkt som overvåker helsefunksjoner gjennom kontaktløs monitorering. BabySensor - Pre vil bruke nyskapende teknologi for å tilby innsikt til både foreldre og omsorgsgivere, med et minimumsnivå av falske alarmer. 
Siden 1980-tallet har antallet premature babyer økt med 36%, det vil si at 1 av 8 babyer er for tidlig født. Premature babyer krever mye overvåkning både på sykehuset og hjemme. I tillegg har over 200 000 barn under 5 år alvorlige helseproblemer. På sykehus måles oksygenmetning og puls gjennom sensorer som festes til kroppen, men dette er ikke praktisk å få til hjemme. Dermed er foreldre med sårbare barn avhengige av å bruke ordinære babycaller på markedet, som er primært laget for å benytte til friske babyer.

BabySensor's mission is to provide access to contactless health monitoring to both parents and healthcare professionals to protect premature/vulnerable babies. This will increase the quality of life for parents of vulnerable infants and increased health and care services for babies. This project will build upon our proof of concept and proprietary sensor technology to develop a novel hospital-grade, camera-based product that detects health vitals through contactless imaging alone. BabySensor-Pre will use a novel combination of ultra-low-light Remote-photoplethysmography (RPPG) sensing, facial cue recognition and remote thermal data fusion to provide actionable insights to parents and care-givers, whilst minimising false alarms.
Since the 1980s, premature birth rates have risen by 36% and today, 1 in 8 babies are born prematurely. Premature babies require significant health monitoring both at the hospital and at home. In addition, over 200,000 children under 5 in Europe have severe health problems. In hospital, biometrics including blood oxygen saturation (SpO2) levels or heart rate are monitored through sensors attached to the body, but this is not appropriate in the home. As such, parents of vulnerable infants are reliant on baby conventional domestic monitors, which are primarily designed for parents with healthy babies.
We will sell BabySensor-Pre to new parents and neonatal clinics/hospitals for a price of €300. After deduction of materials and distribution costs, we forecast a 5-year cumulative Gross Profit of €19.8m based on sales of 47,745 units by 2029. Over the same timescale:

Our partner Glance Group Ltd will generate cumulative Gross Profits of €1.8m from royalties.

Our other partner, Vicarious Perception Technologies (VicarVision) B.V, cumulative Gross Profits of €3.9m from developed project IP licensing fees and royalties.

E!55:BabySensor-Pre: An innovative contactless health monitor to protect premature babies and reassure new parents

Vannkraftverk er ryggraden i det Norske kraftsystemet, og bidrar med mer enn 90 % av den totale normalårsproduksjonen. På grunn av den særegne norske naturen og vannressursene har kraftverkene i betydelig grad bidratt til Norges industrielle utvikling det siste århundret. Ettersom EU retter seg mot økt avhengighet av fornybar energi, med 32 % av det totale energibehovet fra fornybare energikilder innen 2030, har Norge kapasitet til å spille en større rolle i EU-nettet som "Europas grønne batteri". Fremtidens strømnett trenger stabile og pålitelige energikilder som raskt kan møte behovet når for eksempel vindkraftproduksjonen er lav, og lagre overskuddsenergi produsert når vindkraftproduksjonen er høy. Norge er rik på vannkraft og har kapasitet til å møte disse kravene ettersom kraftproduksjonen kan økes raskt og energi kan lagres f.eks. ved å pumpe vann tilbake til reservoarene. For å oppnå dette må imidlertid vannkraftverkene ha høy pålitelighet og effektivitet for å sikre stabil leveranse, m.a.o. et stabilt strømnett. Kontinuerlig overvåking av tilstanden til kritisk utstyr som turbiner og generatorer, samt effektiviteten til utstyret, sikrer at vannkraftverkene drives lønnsomt og uten uønskede nedstengninger.
PHMHydro tar sikte på å bygge fundamentet for en slik ytelses- og tilstandsovervåkings- arkitektur for vannkraftverk som er skalerbar til flere tekniske komponenter og til flere kraftverk. Dette inkluderer evaluering av ny metodikk, utvikling av nye algoritmer ved bruk av fysikk og kunstig intelligens (AI), og en arkitektur for å håndtere algoritmene i sky/tåke-distribusjon. Prosjektet skal gjennomføres av Universitetet i Agder (UiA), NORCE Norwegian Research Centre AS og industripartnerne Agder Energi AS og Volue Industrial IoT AS. De utviklede algoritmene og arkitekturen vil bli testet og evaluert i en pilot ved Agder Energi AS, og Volue Industrial IoT AS vil være involvert i instrumentering og evaluering av overvåknings-teknologiene.

The project PHMHydro is focused on improving the longevity and profitability of Hydro Electric Powerplants (HEPs) by accelerating the penetration of data analytics in operations and maintenance (O&M). The project aims at closing the knowledge gaps related to:
- Insufficient condition monitoring (CM) and predominantly conventional maintenance planning
- Ineffective use of SCADA data
- Lack of systematic fatigue assessment in powerplants
- Lack of plant-wide data analytics
- Lack of performance assessment and reliability-based forecasting.
The project will reach its goal through a three-pronged approach:
1) Develop a generalised architecture that enables aggregation of multi-modal data from CM, SCADA and other sources and modularized Health Assessment (HA) and Performance Analytics (PA), suitable for deployment across multiple HEPs.
2) Develop HEP-specific multi-sensorial CM solutions for the two most critical systems, hydro turbine and generator, using cost-effective retrofit-friendly sensing solutions, and leveraging the power of artificial intelligence (AI), machine learning (ML) and deep learning (DL), fuse CM and SCADA data for HA.
3) Develop continuous online PA forecasting safe production capabilities given health degradation for effective management of HEP operations and minimizing supply risk in contractual guarantees.

Through PHMHydro, the modular solutions developed in 2) and 3) will enable demonstration of the data analytics platform 1), and the collaboration with HEP owner (Agder Energi) as well as instrumentation supplier (Volue Industrial IoT AS) will ensure onsite testing and validation, ensuring high technology readiness level (TRLs). The advantage of such a generalized architecture developed in PHMHydro goes beyond the activities of this project as it fosters rapid expansion of CM to other systems as well.

Performance and Health Monitoring for Hydroelectric Powerplants (PHMHydro)

Boring en kompleks prosess med høy risiko og store kostnader, spesielt offshore Norge.  I tillegg til olje- og gassindustrien spiller boring en betydelig rolle i utvinning av geotermisk energi og CO2-lagring under havbunnen. For å oppnå bedre effektivitet og sikkerhet i boreprosesser er moderne digital- og automatiseringsteknologier viktige bidragsytere.
AI-Drill-prosjektet bruker moderne kunstig intelligens (AI) og Big Data for å redusere kostnadene og øke sikkerheten ved å redusere potensialet for menneskelige feil.  Manglende kunnskap eller i noen tilfeller uvillighet til å reagere på tidlige indikasjoner har ført til noen katastrofale hendelser i oljeindustrien, som Macondo-ulykken i Mexicogolfen. 
Bruk av AI innenfor boring vil skape behov for flere kunnskaps arbeidsplasser for støtte og videreutvikling av denne teknologien, både i forskning/akademia og i industrien. Siden Norge fortsatt har store olje og gass ressurser vil reduserte borekostnader og økt sikkerhet føre til enda mer konkurransedyktig industrivirksomhet i Norge. AI-Drill-prosjektet vil derfor bidra betydelig til verdiskaping for det norske samfunnet.

KVAL: AI-Powered Drilling Performance Optimization

Factiverse initierer et innovasjonsprosjektet med formål å automatisere gjenkjenning av feilinformasjon og desinformasjon, og gi en faktasjekking for all elektronisk informasjon med banebrytende AI og NLP. Prosjektet vil integrere forklarbar AI og ytterligere datakilder i selskapets AI-editor og programvare for å bidra til robust forskning, nyhetsproduksjon og nyhetskonsum. I dag er Factiverses algoritmer i stand til å vise om en påstand er omstridt eller ikke. B2B-beslutningstakere trenger imidlertid også troverdig innsikt i hvilke mekanismer som ligger bak AI-modeller for å oppdage partisk eller manglende data, eller rett og slett for å justere algoritmer. Det er stadig viktigere for mange bransjer å avmystifisere “black box” AI-modeller.

Løsningen vil implementere ML-modeller som er agnostiske for spesifikke NLP-oppgaver, men der forklarbarhet er inkludert som en del av designet. Vi vil implementere både lokale og globale forklaringsmetoder for å forstå valgene og svakhetene til ML-modeller. Ved å foredle bruken av AI-drevne systemer, er det også viktig å forstå risikoen ved å implementere en modell allerede før en initierer brukerinteraksjon. Av denne grunn har vi identifisert et gap i eksisterende verktøy for feilsøking og overvåking av ML-modeller - og argumenterer for at forklarbarhet bør bygges inn i disse verktøyene.

Factiverse er den naturlige prosjekteieren og administrativt ansvarlig part - med også de største insentivene knyttet til vellykkede resultater. Prosjektplanen er modnet sammen med partnere både i medie- og finansbransjen for å inkludere sluttbrukerperspektiver, krav og operasjonell innsikt. Et spesielt fokus er rettet mot å redusere de negative effektene fra feilinformasjon og desinformasjon på bærekraft og grønn omstilling.

Factiverse’s mission is to automate detection of misinformation and deliberate disinformation, and provide a credibility check for any online information by using cutting-edge AI and NLP. The proposed project will integrate explanations of AI decisions and data sources into the company’s AI editor and software tools, catering to research, news production, and news consumption. Today Factiverse’s algorithms are able to show whether a claim is disputed or not, however B2B-decision makers need credible insight into what decisions lie behind AI-models to detect biased data, lack of data or simply to tune algorithms. It is increasingly important for many industries to demystify the black box of AI-models. 

The solution will implement ML models which are agnostic to specific NLP tasks but provide explanations and are interpretable by design. We will implement both local and global explanation methods to understand the behavior and weaknesses of the ML models. When refining the use of AI-powered systems, it is also important to understand the risks of deploying a model even before user interaction. For this purpose, we have identified a gap in existing tools for debugging and monitoring ML models - arguing that explainability should be built into these tools.

Stakeholders include newsrooms, investment companies, industry associations and authorities, as well as online newsreaders and society at large. 

A successful development and commercialization effort would unlock a significant national and international market opportunity. Fact-checking is a relatively new industry, and a knowledge-based value chain is emerging. The project's research challenges are anchored with prospective future clients both from the media and financial industry. A particular focus is directed to curb the negative effects of misinformation and disinformation on sustainability and the green transition.

EXPLAIN: Explainable AI for automated fact-checking and additional insight - when facts are not enough

Biometri er den eneste måten hvor vi kan med sikkerhet si at identiteten til en person er verifisert. For å oppnå eIDAS HIGH «Level of Assurance»  LoA HIGH når det gjelder å autentisere en person ved bruk av biometriske data, er det blant de ledende aktører i markedet innenfor dette, ingen felles forståelse i dag, heller ikke enighet grunnet regulativer og deres tolkninger av dem, teknisk sikkerhet og  personvern risiko, teknisk roadmap hos leverandører eller definerte bruksområder. 

Dette prosjektets mål er å forstå og forbedre den felles forståelsen og om mulig skape en enighet hos «stakeholders» hvordan bruk av biometri som autorisasjon av identitet kan møte kravene for eIDAS LoA High gjennom en serie undersøkelser og diskusjoner (innlogging f.eks. på IDPorten).
Basert på en felles forståelse vil det bli laget en generell guideline for å lage en Norsk biometrisk løsning som møter kravene til eIDAS Loa HIGH.  Dette vil åpne for nye løsninger i markeder, inkludert Biofy sin løsning for biometrisk autorisering.

KVAL: Qualifying biometrics-Assisted Authentication towards eIDAS Level of Assurance HIGH (Qubit HIGH)

Bilindustrien, sammen med software- og hardware-utviklere tar stadig flere steg i å utvikle sensorer og kunstig intelligens (AI) for å se og føle vegen. Det argumenteres med at automatiserte og oppkoblede kjøretøy (CAV) vil føre til økt trafikksikkerhet og effektivitet innen transportsektoren. Men det er et stort behov for mer vitenskapelig kunnskap på AI og CAVs for vegmyndigheter rundt om i verden siden detaljer rundt denne informasjonen ofte ikke deles fra bilindustrien sin side. Samtidig har man i nordiske land et behov for mer vitenskapelige studier som ser på begrensningene på denne type teknologier under nordiske forhold, samt å undersøke hvordan denne type begrensninger kan gjøre at man fra myndnighetssiden må stille andre krav til vegutforming og vintervedlikehold. 

I dette prosjektet bruker vi vår egen forskningsplattform for automatisert kjøring og data fra instrumenterte biler for å få kunnskal om hvordan man kan etablere en maskinlesbar veg i Norden, samt å se på hvordan standarder for vegutforming og vedlikehold bør justeres. Proprietære løsninger innen industrien gjør det veldig viktig å bruke forskningsplattformer for å få vitenskapelig kunnskap om hvordan disse sustemene fungerer på eksisterende infrastruktur sammen med eksisterende trafikk. 

MCSINC vil bruke tester i felt som bakgrunn for alle prosjektaktiviteter og med dette få testet teknologi samtidig som man samler aktørene og identifiserer felles problemstillinger. Ikke-teknologiske problemstillinger inkluderer regulering, politikk, styring, standarder og forretningsmodeller. Å løse disse utfordringene krever en kobling mellom tradisjonelle felt som samfunnsvitenskap, vegutforming- og planlegging, og informatikk. Prosjektet vil derfor koble data fra intervjuer og workshops med interessenter sammen med tekniske data og anallyser basert på sensorer på kjøretøy.

The vehicle industry and software and hardware providers are rapidly developing sensor systems and artificial intelligence (AI) methods for sensing the road environment. Connected and Automated Vehicles (CAVs) are argued to have a large potential for accelerating traffic safety and efficiency. There is a strong need for more open scientific studies publishing AI software and results on CAV technology which give valuable insight to road authorities, information which is not available from the vehicle industry today. In addition, in Nordic countries more scientific studies on the limitations of these technologies caused by Nordic conditions is needed, and exploring how these limitations may set other requirements for road design and winter maintenance 

We utilize our own research platform for automated driving, i.e. a vehicle with automated driving capabilities, and data from instrumented vehicles to gain knowledge on how to establish a machine sensible road environment in the Nordic region and explore how standards for road design and maintenance should be adjusted in this regard. The proprietary nature of vehicle technologies makes a research platform for automated driving particularly important for gaining scientific knowledge on how these systems work on existing infrastructure and in real traffic. 

We use pilot activities as the backbone of the project, and aim at solving technological and non-technological challenges simultaneously. The non-technological challenges include development of governance, regulations, policies, standards and business models. Solving these challenges requires a coupling between the traditional fields of human factors, road planning and design and the field of computer science.

Machine Sensible Infrastructure under Nordic Conditions

I henhold til trafikkreglene på sjøen skal alle fartøy alltid være på utkikk etter andre fartøy med syn og andre midler. For autonome skip medfører dette en utfordring fordi det er vanskelig å replisere evnene til det menneskelige synet, som har blitt utviklet gjennom naturlig evolusjon over millioner av år. Likefullt så kan autonome navigasjonssystemer tilby mange fordeler som overgår evnene til en menneskelig operatør, som  vedvarende oppmerksomhet, fusjon mellom visuelle data og aktive sensorer som radar og lidar, og overlegen presisjon i målfølging, navigasjon og bevegelsesstyring. 

For å øke nytteverdien av datasyn i maritim overflateautonomi vil Autosight-prosjektet fokusere på stereosyn. Det grunnleggende prinsippet er at avstand kan estimeres ved å sammenligne hvordan den samme scenen ser ut i to kameraer som er plassert med en liten avstand mellom seg. For menneske-øyne er denne grunnlinje-avstanden omtrent 6 cm, hvilket er tilstrekkelig til å skape en romlig følelse i en stue eller et soverom. For et autonomt overflatefartøy kan betydelig lengre grunnlinjer realiseres, slik at man kan estimere avstand i et havnemiljø.

Autosight-prosjektet vil derfor undersøke hva kunstig stereosyn kan tilby for maritim overflateautomoni nær kystlinjen. Dette er både ment som et verktøy for å estimere hvor det autonome fartøyet er i forhold til omgivelsene, og for å detektere og holde oversikt over andre fartøy i nærområdet.

The project will establish knowledge about how stereo vision can be used to enable precise and safe operations for autonomous surface vessels in the close vicinity of the shore and other vessels, such as during docking operations of an autonomous ferry. Building upon recent breakthroughs of maritime autonomy and inspired by the advances in vision-based automotive autonomy, the project will critically compare and combine solutions based on both probabilistic models and machine learning. The project will develop tailor-made solutions to localization and extended object tracking in the harbor environment and demonstrate how these solutions can be used to strengthen the safety of an autonomous ferry.

Autonomy through stereo vision near the seashore

Vi ønsker å utvikle tjenesten «Digital befaring». Tjenesten skal tilby automatisk endringsdeteksjon for bygningsmasse med utgangspunkt i satellittbilder, og skal benyttes i den offentlige forvaltningen til å varsle endringer i bygningsmasse og grenseoverskridelser langs infrastruktur. Den foreslåtte tjenesten er ment å bidra til bedre kvalitet på kommunens bygningsdata, effektivisering og ytterligere digitalisering av offentlige tjenester, samt bedre ulovlighetsoppfølgning og planarbeid.

Ettersom tjenesten baserer seg på radarbilder og optiske bilder med relativt lav oppløsning (hhv 5x20m og 10x10 meter), er det nødvendig å utvikle både superoppløsnings- og deteksjonsalgoritmer som tar utgangspunkt i det siste innen forskningen på bildebehandling, maskinlæring og kunstig intelligens. Algoritmene som skal utvikles skal være i stand til å hente ut relevant informasjon av bildene, og gi pålitelige varsler ved endringer i bygningsmasse og terreng.

Vi ønsker å utvikle tjenesten «Digital befaring». Tjenesten skal tilby automatisk endringsdeteksjon med utgangspunkt i satellittbilder som er fritt tilgjengelig via Copernicus-samarbeidet. Deteksjonen skal gjennomføres på ukentlig basis, parallelt med omløpstiden på satellittene. Tjenesten skal benyttes i den offentlige forvaltningen og varsle endringer i bygningsmasse samt grenseoverskridelser langs kritisk infrastruktur. Tidligere løsninger som tar utgangspunkt i høyoppløselige satellittbilder eller overflygningsbilder er kostbare og/eller kun mulig med en langt lavere oppdateringsfrekvens, slik at fordelen med å ha ferske endringsvarsler faller bort. Den foreslåtte tjenesten vil bidra til bedre kvalitet på kommunens bygningsdata, effektivisering og ytterligere digitalisering av offentlige tjenester, samt bedre ulovlighetsoppfølgning og planarbeid.

Det er avgjørende for prosjektet at fritt tilgjengelige bilder fra Copernicus-samarbeidet benyttes for at kostnadene ved å bruke tjenesten er lave nok til å bli håndtert av kommunale budsjetter. Ettersom tjenesten baserer seg på radarbilder og optiske bilder med lav oppløsning (hhv 5x20m og 10x10 meter), er det nødvendig å utvikle både superoppløsnings- og deteksjonsalgoritmer som tar utgangspunkt i det siste innen forskningen på bildebehandling, maskinlæring og kunstig intelligens. Algoritmene som skal utvikles skal være i stand til å hente ut relevant informasjon av bildene, og gi pålitelige varsler ved endringer i bygningsmasse og terreng.

Prosjektet har en relativt høy risiko gjennom at problemstillingen rundt de lavt oppløselige satellittbildene må løses ved hjelp av metoder for superoppløsning. Dersom disse metodene ikke fungerer vil tjenesten fortsatt kunne implementeres med tanke på grenseoverskridelser, men vil ha mindre relevans ift byggesaksbehandling. Alternativt kan tjenesten benytte kommersielt tilgjengelige satelittbilder, som vil føre til en høyere prising av tjenesten.

Digital befaring

Hodepinelidelser som migrene, spenningshodepine og klasehodepine er blant de sykdommene med størst sykdomsbyrde globalt. Likevel er de ofte forsømt, og pasienter har smerter i lang tid før de får riktig diagnose og effektiv behandling.
Til grunn for hodepinelidelser ligger det ofte mange ulike og kompliserte biologiske mekanismer. Det gjør at symptomene varierer veldig fra person til person, og at ulike typer behandling kan være effektive. Per i dag er det kun en brøkdel av en pasients symptomer som brukes til å stille diagnose, og vi har ingen enkel markør som kan fortelle hvilken behandling som vil være mest effektiv i hvert enkelt tilfelle. Derfor er det svært utfordrende for klinikere å si på forhånd hvilken behandling som vil virke best for en pasient, og gjentatt prøving og feiling er ofte nødvendig for å oppnå gode resultater. 
Målet med MI-HEAD-prosjektet er å utnytte maskinlæring for å bedre forstå og forbedre behandlingen av pasienter med hodepine. Maskinlæring er en gren av kunstig intelligens, hvor datamaskiner læres opp til å gjenkjenne kompliserte mønstre i store mengder data, og gjøre intelligente beslutninger basert på disse. Metoden  er spesielt nyttig for medisinske problemstillinger knyttet til veldig komplekse biologiske mekanismer for å avdekke de intrikate mønstrene som forklarer hvorfor noen pasienter reagerer på enkelte behandlinger. 
MI-HEAD vil kombinere norske helseregisterdata med detaljerte data fra hodepinedagbøkene som pasientene bruker via smarttelefonen sin, for å lage et svært detaljert datasett egnet for maskinlæring. Ved å analysere det store datasettet med toppmoderne maskinlæringsmodeller vil vi forbedre vår forståelse av hvorfor noen pasienter reagerer på visse typer behandlinger, og andre ikke. Vi vil også utvikle verktøy som kan hjelpe klinikere med mer nøyaktig diagnostikk, og som effektivt kan forutsi sykdomsutvikling og hvilken effekt behandling kan ha.

Primary headaches are some of the most burdensome diseases worldwide, yet often neglected and patients suffer with pain for a long time before arriving at correct diagnoses and effective treatments. Primary headaches are characterised by remarkably heterogenous phenotypical, physiological and biological patterns. Yet, at present, only a fraction of these are used for clinical decision making and models of inference of underlying neurobiology and pathophysiology, thus yielding low accuracy. Artificial intelligence (AI) and machine learning (ML) has opened up for increased accuracy of diagnostics and prediction of clinical outcomes in several clinical disciplines, and is especially useful for medical problems where the underlying biological associations are irreducibly distributed across a large number of biophenotypical variables. Nevertheless, the use of AI and ML in headache medicine is largely unexplored.

The overall aim of this project is to utilise AI and ML to understand and improve diagnostics, prediction of disease progression and prediction of treatment effect in primary headaches. To address the overall goal and objectives we have defined four work packages (WP), each corresponding to a secondary objective. In WP1 we will use readily available Norwegian health register data to construct ML models to predict diagnosis, disease progression, and treatment effect in primary headache and draw inferences on underlying neurobiology explaining these predictions. In WP2 we will implement a novel mobile health tool to prospectively capture large amounts of data that will complement the data collected WP1. In WP3 we will combine data from WP1 and WP2 to improve the ML models and result in a ML decision support tool that may accurately aid in clinical decision-making in new unseen patients. In WP4 we will conduct a randomised controlled trial to evaluate if the developed ML tool is superior to standard of care, thus saving patient suffering and socioeconomic expenses.

Machine Intelligence in HEADaches - Artificial Intelligence and Machine Learning for Diagnostics and Treatment of Primary Headaches

ONiO er et innovativt teknologiselskap som skaper energihøstende, batteriløse løsninger til Tingenes Internett. Vårt mål er å ta de nyeste fremskrittene innen microchipteknologi, og putte dem i trådløse, smarte enheter drevet av vår nyeste batteriløse mikrokontroller. Disse nye enhetene kan brukes i sensorløsninger i industrielle og private områder som blant annet helse, produksjon, smarte bygg, kjøretøy etc.

Vi har utviklet ONiO.zero - en liten mikrokontroller som tar for seg energiflaskehalsen som for øyeblikket kveler veksten av Tingenes Internet. De små sensorene er avhengige av batterier som må byttes med jevne mellomrom, noe som øker materialkostnaden og hever terskelen for massiv produksjon og distribusjon. ONiO.zero er en supereffektiv, trådløs mikrokontroller som bruker innovativ energihøsting til å drifte seg selv og eventuelle andre komponenter. Energihøstingen trekker overskudd fra omgivelsene - fra strålingskilder som radio, mobilnett, lys og varme. Ingen batterier å bytte, og ingen strømledninger - kun pålitelig og uavbrutt operasjon.

Energioverskuddet skal være nok til å drive ultraeffektive sensorenheter som temperatur, trykk, lys, bevegelse mm. Uten batteri kan vi tillate oss å fokusere på komponenter som er mindre i størrelse og mer funksjonelle, der all plass blir brukt til sitt fulle potensial. Integrering i eksisterende løsninger blir lettere enn noen gang. ONiO.zero har innebygd Bluetooth for trådløs kommunikasjon.

I dette prosjektet ønsker vi å utvikle en ny mikrokontroller med nye verktøy for trådløs kommunikasjon; Ultra Wide Band (UWB) teknologi som kan fungere uten batterier. UWB er en form for radiokommunikasjon som bruker lavenergi radiobølger med rekkevidde på over det dobbelte av tradisjonell Bluetooth (BLE), og presisjon ned til en tiendedels nøyaktighet ved lokalisering og posisjonering. Dette gjør at UWB egner seg utmerket til sporing i sanntid av mennesker, last, ressurser og verktøy innendørs eller i industrielle omgivelser.

ONiO is a highly innovative Norwegian SME with a vision to bring self-powered solutions to the IoT market. ONiO’s core business is to translate the latest technical breakthroughs in wireless MCU (microcontroller units) into commercial solutions across a wide range of IoT market segments: healthcare, industrial, automotive, buildings, etc., replacing the need for a battery.

Our core technology platform is based on a highly flexible, ultra low power, compact chip designed for energy harvesting - i.e. capturing the available energy from the surroundings, primarily radio frequency (RF) energy but also capable of using external sources like solar, thermal or kinetic energy. The ONiO.zero chip is capable of powering multiple embedded sensors in a device, and is currently equipped with Bluetooth for wireless communication. 

With this project, we will develop a new chip with Ultra Wide Band (UWB) technology to unleash a prime space of applications/use-cases that rely on very accurate positioning (spatial and directional data), such as indoor navigation, tracking of people and assets, access control, social distancing, etc. The project will be implemented in collaboration with a global provider of indoor mapping and navigation services and with a research group within positioning algorithms.

Development of highly accurate asset location systems based on self-powered wireless transmitter devices

SPrINTER-prosjektet søker å skape en radikalt ny teknologi for energieffektive trådløse komponenter som ikke behøver batterier for å fungere. Vi foreslår å utvikle en teknologi som bygger på de unike egenskapene til nanomagneter for å nå vårt ambisiøse mål.

Batterier har vært en hjørnestein i bærbar og trådløs elektronikk og har muliggjort utallige anvendelser som har endret samfunnet vi lever gjennom de siste tiårene. Batterier sørger for nødvendig energi for at komponenter kan fungere i timer, dager eller til og med år før de må byttes ut eller lades opp på nytt, men øker også størrelse, vekt og kostnaden til komponentene. Dessuten representerer de miljømessige utfordringer. Den begrensede levetiden og de tilhørende økonomiske og miljømessige kostnadene er til hinder for den neste digitale revolusjonen, gjerne omtalt som «Data og tjenester overalt». Trådløse enheter til tingens internett vil være «overalt», med et forventet antall på svimlende en billion komponenter produsert innen 2035. Det er åpenbart at det å bytte ut og kaste billioner av batterier nesten hvert år vil være upraktisk, dyrt og ikke minst uansvarlig i et bærekraftperspektiv. Batteriløs, såkalt, intermitterende databehandling tilbyr en vei mot et bærekraftig digitalt samfunn også i tidsalderen for «Data og tjenester overalt».
Batteriløse komponenter høster energi fra deres omgivelser ved bruk av solceller, ved å utnytte energi fra radiobølger eller ved å konvertere varme eller bevegelsesenergi til elektrisitet. Disse energikildene er i praksis utømmelige, men de er ikke pålitelige i den forstand at de kan bare tilføre energi periodevis. Tradisjonelle datamaskiner er ikke egnet for denne typen drift med upålitelig energitilførsel. 

I SPrINTER-prosjektet vil eksperter innen nanoteknologi og datateknologi samarbeide for å legge grunnlaget for sann intermitterende databehandling og stimulere videre forskning på nye komponenter og anvendelser som blir muliggjort av en batteriløs teknologi.

The SPrINTER project aims at creating a radically new technology for low-power edge devices harnessing the non-volatile properties of nanomagnet ensembles, which have recently shown to enable spin-based computing. We believe that the proposed spin-based technology is ideally suited for batteryless intermittent computing devices required for a sustainable and scalable digital future. Realizing robust and fault tolerant intermittent computing devices will pave the way for technologies such as the Internet of Things (IoT), medical implants, wearables, condition monitoring, and wildlife monitoring.

Batteryless devices harvest their energy from their environment, e.g., by using a solar cell, scavenging energy from radio waves, or converting thermal or kinetic energy to electricity. These are virtually unlimited sources of power but are not reliable and can only power devices intermittently. Power outages can occur hundreds of times per second requiring systems that are able to restart their computation once power is again available. Conventional computing devices are not suited for operation with an unreliable power source and to ensure computational forward progress costly checkpointing must be performed.

Achieving a major leap towards spin-based truly intermittent computing devices is only possible if we consider the computational paradigm in union with the new hardware technology. In the SPrINTER project, we have identified intermittent computing (the paradigm) of nanomagnet ensembles (the technology) as a potentially disruptive solution. Investigating the full potential of the envisioned system requires an interdisciplinary approach that leverages the synergies between the hardware technology and the computational paradigm. The SRrINTER team is ideally situated to address the complete problem with members having the necessary expertise to investigate each of the fundamental properties of the envisioned system.

Spin-based Intermittent Computer

Avanserte funksjonelle molekyler behøves for å møte globale bærekraftsmål i det 21ste århundre. Behovet for nye terapeutika i møtet med dagens helseutfordringer er presserende. For å lage slike forbindelser, samt for å møte kravene til bærekraftig kjemisk produksjon, må nye katalysatorer (forbindelser som gir raskere reaksjoner uten selv å bli forbrukt) utvikles. Imidlertid er antallet mulige kjemiske forbindelser, det såkalte «kjemiske rommet», ufattelig stort. Hvor effektivt vi kan navigere dette rommet bestemmer i hvilken grad vi evner å identifisere nye funksjonelle molekyler. For å adressere navigasjonsproblemet, lanserer iCat4Bio en slagkraftig kombinasjon av beregningsbaserte og eksperimentelle metoder, satt sammen til én integrert plattform. Denne plattformen, som vil oppnås gjennom konvergens av teknologier for henholdsvis manipulering av atomer (nanoteknologi) og biter («bits», informasjons- og kommunikasjonsteknologi), vil muliggjøre identifikasjon av nye molekyler i hittil uutforskede deler av det kjemiske rommet. 
For å drive frem teknologiutviklingen samt for å demonstrere egenskapene til den integrerte plattformen, har vi valgt et høyprofilert og utfordrende applikasjonsområde: Design og identifikasjon av katalysatorer for olefinmetatese. Denne klassen av reaksjoner, som av og til sammenlignes med "en dans der parene utveksler partnere", er den mest slagkraftige og anvendelige metoden for å bygge molekylære, karbonbaserte rammeverk. Denne katalysemetoden har et enormt potensial innen bærekraftig produksjon av avanserte organiske molekyler, inkludert innen farmasøytisk industri og kjemisk biologi, men mye gjenstår for å realisere dette potensialet. Den integrerte beregningsbaserte/eksperimentelle plattformen vil bli anvendt med tanke på å nå viktige, høyprofilerte og banebrytende mål innen olefinmetatese for kjemisk biologi. Disse målene vil åpne nye muligheter for syntese og identifikasjon av en ny generasjon terapeutika.

Advanced functional molecules are essential to meet global sustainability goals for the 21st century. Novel therapeutics are urgently needed to meet known and unforeseen health demands, for example, while powerful new catalysts are essential for assembly of such structures, and for the broader obligations of sustainable chemical production. Our capacity to discover new functional molecules, however, is constrained by the efficiency with which we can navigate an unfathomably vast chemical space. Proposed is a powerful union of computational and experimental methods: that is, virtual and experimental “self-driving” laboratories created by the convergence of technology for manipulation of atoms (nanotechnology) and bits (information and communication technology). Their union will create capabilities for the discovery of new molecules in as-yet unchartable regions of chemical space.  
 
Essential to drive development, and to showcase the integrated platform, is an appropriately demanding, high-profile challenge. This aspect of the project will focus on catalyst discovery: specifically, olefin metathesis, as an exemplary catalytic methodology with Nobel-flagged potential for sustainable production of advanced organic molecules, and tremendous, but incompletely realized potential in pharmaceutical manufacturing and chemical biology. Catalyst discovery offers a demanding test because such molecules typically contain at least one transition-metal atom, resulting in geometric and electronic degrees of freedom far beyond those of organic molecules. The resulting breadth of electronic and geometric structures has severely retarded the development of computational methods for their treatment, while experimental navigation is limited by current chemical knowledge and intuition. Showcase applications address important, high-reward goals in olefin metathesis for chemical biology, which will open up new opportunities in the synthesis and screening of next-generation therapeutics.

VERDIKT-Kjernekomp.og verdiskaping IKT

MAPPA. Mapping through participation

Alternative title: null

Awarded: NOK 0.50 mill.

Summary

Funding scheme:

VERDIKT-Kjernekomp.og verdiskaping IKT

Funding Sources

Thematic Areas and Topics