2024

2023

2022

2021

2020

2019

2018

2017

Portefølje Naturvitenskap og teknologi ikon

Forskningssystemet

Portefølje Humaniora og samfunnsvitenskap ikon

Banebrytende forskning

Portefølje Samisk ikon

Samisk samfunn og kultur

Portefølje Demokrati, styring og fornyelse ikon

Demokrati og global utvikling

Portefølje Velferd, kultur og samfunn ikon

Velferd og utdanning

Portefølje Helse ikon

Helse

Portefølje Klima- og polarforskning ikon

Klima og miljø

Portefølje Landbasert mat, miljø og bioressurser ikon

Mat og bioressurser

Portefølje Energi, transport og lavutslipp ikon

Energi og transport

Portefølje Muliggjørende teknologier ikon

Muliggjørende teknologier

Portefølje Industri og tjenestenæringer ikon

Innovasjon

LTP2 Klima, miljø og miljøvennlig energi ikon

Klima, miljø og energi

LTP2 Samfunnssikkerhet og samhørighet ikon

Samfunnstryggleik og beredskap

LTP2 Fornyelse i offentlig sektor ikon

Velferdstjenester

Forsidebilde

Marin ikon

Petroleum og mineraler

LTP Hav ikon

Hav og kyst

LTP2 Muliggjørende og industrielle teknologier ikon

Mogleggjerande industrielle teknologiar

Tillit og fellesskap

LTP2 Utvikle fagmiljøer av fremragende kvalitet

Høg kvalitet og tilgjengeleg

LTP2 Styrket konkurransekraft og innovasjonsevne ikon

Sterkare konkurransekraft og innovasjonsevne

LTP3 Helse

Et innovativt næringsliv ikon

Styrket konkurransekraft og innovasjonsevne

Portefolje Petroleum Ikon

Portefølje Hav ikon

Portefølje Utdanning og kompetanse ikon

Portefølje Global utvikling og internasjonale relasjoner ikon

Portefølje Livsvitenskap ikon

Forsidebilde optimalisert

project-bank-technical

Muliggjørende teknologier bakgrunn

Marin bakgrunnsbilde

Statistikk

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.

...eller se sammendrag og annen informasjon om prosjektene i utvalget ditt

Forside

Hvordan tildelingene fordeler seg på institusjoner, fylker, fagområder o.l....

Her er noen eksempler på søk du kan gjøre i Prosjektbanken

Alle porteføljestyrer

En god beskrivelse av denne siden for søkemotoroptimalisering

Alle langtidsplanmål

Veiledning: Hvordan bruke Prosjektbanken.no

Om Fritekstsøk

Ingen populærvitenskapelig framstilling tilgjengelig


Prosjektet med prosjektnummer {{project number}} ble ikke funnet

Teknisk beskrivelse

Oisann, her gikk noe galt. Kan du prøve å laste siden på nytt?  Dersom feilen vedvarer, vennligst kontakt oss.         

Se statistikk relatert til dette langtidsplanmålet

Se prosjekter relatert til dette langtidsplanmålet

knyttet til dette LTP-målet har blitt tildelt penger

har blitt tildelt til prosjekter knyttet til dette LTP-målet

har blitt tildelt til prosjekter knyttet til denne porteføljen

knyttet til denne porteføljen har blitt tildelt penger

Om Prosjektbanken

This proposal seeks funding for two postdocs from from Simula Research Laboratory, and for Johannes Langguth from Simula Research Laboratory to travel to Université de Lorraine for collaboration in the area of algorithms for social network analysis. 

The first component of the collaboration will be a research visit of about one week by Johannes Langguth and Daniel Schroeder to the LORIA Campus scientifique in early 2022. The goal in this week will be to set up the collaboration and to define its scientific structure. Daniel Schroeder will stay on for a total of one month under the supervision of Marianne Clausel with the aim of establishing a theoretical common ground for further work in the project. 
This will be followed up by a one week return visit by Marianne Clausel and Mathieu Constant who will be accompanied by Aman Sinha who is one of the PhD students they surpervised. The PhD student will remain for one month to work under the supervision of Johannes Langguth. The focus will lie on practical work on the basis of the theory established earlier. Experiments will use the experimental exascale hardware available at Simula through the eX3 - Experimental Infrastructure for Exploration of Exascale Computing project. 

The project is accompanied by a corresponding application to AURORA/Campusfrance which will cover the French part of the travel grant.

Research Exchange on Emerging Topic Detection in Online Social Media

Hvor kommer falske nyheter fra, og hvordan spres de? Kan vi identifisere feilinformasjonsspredere i sosiale nettverk? På hvilke veier blir det traffikkork i morgen? Hva er de mulige bivirkningene av legemidler? Mange viktige spørsmål krever prediksjoner i en sammenkoblet verden, og grafnevrale nettverk (GNN) gjør det mulig for oss å komme med slike spådommer. Mens dagens AI-systemer kan forstå og generere tekst og bilder, kan GNN-er forstå strukturen i en sammenkoblet verden. De kan finne bedre løsninger på abstrakte problemer, som deretter kan brukes til direkte forbedringer på mange ulike områder, fra trafikkplanlegging til industriell optimalisering. I sosiale nettverk kan GNN-er lære og forstå mønstre i informasjonsspredning ved å analysere nettverksforbindelser og innholdet i meldinger samtidig. Denne kapasiteten er avgjørende for å bekjempe feilinformasjon på nettet.

Etter hvert som nettverkene som skal analyseres, blir større, trengs det kraftigere datamaskiner for å kjøre disse AI-systemene. Ved å bruke nye, innovative databehandlingsenheter kan vi begrense energiforbruket til GNN-beregninger. På den måten sikrer vi at utviklingen innen kunstig intelligens skjer på en miljøvennlig måte.

Graph neural networks (GNNs), which extend the successful ideas of deep learning to irregularly structured data, are a recent addition to the field of artificial intelligence. While traditional deep learning has focused on regular inputs such as images composed of pixels in two-dimensional space, graph neural networks can analyze and learn from unstructured connections between objects. This gives GNNs the ability to tackle completely new classes of problems, such as analyzing social networks and power grids, or uncovering molecule structures in computational chemistry. Some experts in the field also believe that graph networks, due to their capacity for combinatorial generalization, represent an important next step towards the development of general artificial intelligence. However, such tasks require vast amounts of computation, which can only be provided by parallel processing.

Is well known that parallel computation for irregular problems is much more challenging than for regular ones, and GNNs are no exception. While traditional deep learning has been scaled up to run on entire supercomputers efficiently,     
GNNs currently do not scale to multiple processors. This proposal aims to overcome this limitation by drawing upon decades of experience in scalable graph algorithms and sparse linear algebra, and adapting techniques that are proven to be effective for distributing graph computations over large parallel systems to GNNs.

We aim to create a new computational framework which allows users to specify a GNN while the framework handles the task of distributing graphs over parallel machines, as well as selecting and running the algorithms that are best suited for the computation automatically. Recently, frameworks such as TensorFlow, have made traditional deep neural networks accessible for a large number of users. In the same way, our goal is to create a proof-of-concept framework that will be a crucial factor to the successful GNNs real-world appliance.

Enabling Graph Neural Networks at Exascale

This proposal seeks funding for one PhD student from from Simula Research Laboratory, and for Johannes Langguth from Simula Research Laboratory to travel to ENS Lyon for collaboration in the area of algorithms for high performance computing. 

The first component of the collaboration will be a research visit of approximately two weeks in early 2020 by Ioannis Panagiotas, a PhD student from ENS Lyon, to Simula, where he will work under the supervision of Johannes Langguth. Work will focus on the concrete use of experimental exascale hardware available at Simula through the eX3 - Experimental Infrastructure for Exploration of Exascale Computing project. This will be followed up by a one week return visit from Johannes Langguth to ENS Lyon, who will be accompanied by one of the PhD students from Simula. The PhD student will remain for two weeks to work under the supervision of Bora Uçar. The focus will lie on methods of algorithm design and analysis.

The project is accompanied by a corresponding application to AURORA/Campusfrance which will cover the French part of the travel grant.

Research Exchange in Combinatorial Scientific Computing

Falske nyheter er et vanlig fenomen i dagens digitale medier. Vanligvis har de liten påvirkning og blir fort glemt. Det finnes likevel tilfeller der de falske nyhetene spres raskt og kan forårsake økonomiske skader, skader av omdømme, eller oppfordre til opptøyer og voldshandlinger. Slike tilfeller kalles digitale brannspredninger, og disse kan true samfunnssikkerheten.  

Vårt mål er å forstå slike digitale brannspredninger. Vi undersøkte hvorfor enkelte aktører sprer falske nyheter. Hva er motivene for å sette i gang en slik spredning? Hvilke typer nyheter er det som spres videre og kan forårsake skade? For å løse problemet må informatikere og psykologer samarbeide om å forstå digitale brannspredninger og forebygge skade som forårsakes av dem.

Gjennom en studie med flere hundre deltagere, har vi påvist at folk overvurderer sin egen evne til å avsløre falske nyheter.  Budskap som samsvarer med folks politiske overbevisning kan fremkalle sterk, emosjonell respons.  Disse budskapene deles derfor oftere, uavhengig av hvorvidt innholdet er sant.  Ondsinnede aktører kan utnytte denne effekten ved å skape målrettede budskap som oppildner til handling.  Våre funn indikerer at det ikke er kognitive egenskaper, men snarere utdanning innen politikk og historie, som avgjør folks ferdigheter i å avsløre falske nyheter. Vi undersøker også falske visuelle information som DeepFakes.

Vi har utarbeidet en modell som beskriver spredning av nyheter på nett, og denne brukes til å sammenligne spredningen av sanne og usanne nyhetsartikler og inhold i sosiale medier. Vi utviklet også metoder basert på kunstig intelligens som kan oppdage falske nyheter og testet dem på COVID-19-relatert feilinformasjon.

In the recent years, digital wildfires, i.e. fast-spreading online misinformation have been identified as a considerable risk to developed societies, which raised the need for strategies to alleviate that risk. However, due to the speed with which online information spreads today, in combination with its immense volume, human monitoring of the Internet is completely infeasible, which gives rise to the need for an automated system. 

On the other hand, the requirements for such systems w.r.t. reliability, functionality, flexibility, and trustworthiness are immense. And while several approaches have been developed in the recent past, almost all of these attempts attack the problem purely from the technical side, generally using machine learning techniques. Our approach differs in that we study the problem from both sides, from the technical, but also form the human side by performing experiments and interviews aimed at understanding how people assess trustworthiness online, which content is likely to spread far, and why actors spread misinformation.

On the technical side, the projects aims to design, implement, and deploy an IT system capable of analyzing large amounts of online news, focusing on Norwegian news sites and international sites that are cited frequently. The goal is to track where specific news items first appeared and how they spread, study the spread of misinformation, and, by using the knowledge gained from the experiments, enable the system to distinguish between misinformation and factual news.

The overall objective is the prevention of digital wildfires via automated early warnings form the system, as well as enhanced preparedness for such events through intense study
on the spread of such wildfires and the underlying reasons of the phenomenon.

4 antall prosjekter

IS-AUR-Samarb.progr. mellom Norge og Frankrike

Research Exchange on Emerging Topic Detection in Online Social Media

Tildelt: kr 44 973

Prosjektperiode: 2022-2024

Sted: Oslo

FRIPRO-Fri prosjektstøtte

Enabling Graph Neural Networks at Exascale

Tildelt: kr 11,8 mill.

Prosjektperiode: 2020-2024

Sted: Oslo

IS-AUR-Samarb.progr. mellom Norge og Frankrike

Research Exchange in Combinatorial Scientific Computing

Tildelt: kr 27 658

Prosjektperiode: 2020-2022

Sted: Oslo

SAMRISK-2-Samfunnssikkerhet og risiki

UMOD: Understanding and Monitoring Digital Wildfires

Tildelt: kr 9,0 mill.

Prosjektperiode: 2017-2021

Sted: Oslo