2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

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

Alle porteføljestyrer

En god beskrivelse av denne siden for søkemotoroptimalisering

Forside

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

Her er noen eksempler på søk du kan gjøre i Prosjektbanken

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

Kunnskapsdepartement

Diverse

Justis- og beredskap

Kommunal-og distrikt

Nærings- og fiskerid

Samferdselsdeparteme

Forsvarsdepartemente

Teknologi

Agder

Oslo

LTP3 Styrket konkurransekraft og innovasjonsevne

LTP3 Et kunnskapsintensivt næringsliv i hele landet

LTP3 Muliggjørende og industrielle teknologier

LTP3 IKT og digital transformasjon

Næringsliv

Portefølje Muliggjørende teknologier

Portefølje Forskningssystemet

Portefølje Innovasjon

Programmer

Koordinerings- og støtteaktivitet

Bransjer og næringer

Digitalisering og bruk av IKT

IKT forskningsområde

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

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

DRIP - DRought ending in Intensified Precipitation

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

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




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

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

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

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

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

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

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

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

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


Improving tropical forest conservation in Africa

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

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

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

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

Multiscale approaches and scalability within climate change-heritage risk assessments

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

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

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

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

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

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

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

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

ResilienceS to climate risks: lessons from Arctic and Pacific communities

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

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

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

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

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

Advancing Cultural Heritage Governance for Resilient Climate Adaptation

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

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

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

Forecasting Wave impact as Arctic sea ice declines

Midlene fra RBGRUNTEKN-Res.bas.grunnbev.tekn-ind.inst fordelt på år

Midlene fra RBGRUNTEKN-Res.bas.grunnbev.tekn-ind.inst fordelt på fylker

Midlene fra RBGRUNTEKN-Res.bas.grunnbev.tekn-ind.inst fordelt på fagområde

Research Director

Grunnbevilgning SINTEF Petroleum

DeepCA-prosjektet tar sikte på å undersøke en ny kunstig intelligensmetode som får inspirasjon fra naturen, og spesielt cellesystemer. Dette gjør det mulig å koble nettverk av biologiske nevroner (vokst i laboratorium) til et kunstig intelligenssystem, og undersøke potensialene til et hybrid biologisk og kunstig intelligenssystem. Resultatene fra DeepCA-prosjektet har potensialet til å bidra til å bygge kraftigere og effektive datamaskiner (ved å se på hvordan nettverk av biologiske nevroner vokser og kommuniserer) og å identifisere metoder for å koble datamaskiner til biologiske nevroner (med potensielle medisinske applikasjoner for nevrale sykdommer).

The ambitious research goal of the DeepCA project is to create a theoretical and experimental foundation for a novel hybrid deep learning paradigm based on cellular automata and biological neural networks, in order to bridge the gap between neuroscience and deep learning towards self-learning devices that are significantly more efficient than the state-of-the-art. The desired results have the potential for breakthroughs in novel substrates for machine learning (easily transferrable to hardware implementations), as well as direct medical applications. 

Current deep learning implementations are not easily transferrable to hardware devices for widespread adoption, e.g., to sensor devices and Internet of Things, due to the required computing power and complexity of the underlying architectures. Therefore, a different computing paradigm is needed. Investigating biological neural cultures information processing and dynamics could lead to better, more powerful, energy efficient implementations of deep learning systems.

The main hypothesis in DeepCA is that deep architectures of cellular automata reservoir can significantly facilitate the implementation of recurrent neural networks and reservoir dynamics, in order to efficiently interface biological neural networks and implement learning through local interactions.

DeepCA combines Norway's leading experts in cellular automata and unconventional computing at OsloMet and neuroscience/neuro-computation at NTNU, with internationally leading researchers in morphogenetic engineering at Manchester Metropolitan University and hyperdimensional computing at Luleå University of Technology, forming together a very strong multidisciplinary team to complete DeepCA's ambitious research tasks.

The project manager, Dr. Stefano Nichele, is a young researcher with a proven track record and ability to propose, manage and complete research projects. Nichele is 36 years old and currently Associate Professor at Oslo Metropolitan University.

Hybrid Deep Learning Cellular Automata Reservoir

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

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

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

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

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

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

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

Vi vurderer også å utvikle applikasjoner til bruk innen musikkterapi.

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

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

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

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

Kreft er en av de største årsakene til sykdom og død over hele verden. Mer enn 33 000 nordmenn får kreft hvert år og 11 000 nordmenn døde av kreft i 2017. En stor del av disse kreftsykdommene kan forebygges. For eksempel har masseundersøkelser av livmorhalskreft, som ble etablert i Norden på° 1960-tallet, redusert antall tilfeller av kreft samt dødelighet med 80 %. Til tross for denne suksessen er det fortsatt en stor utfordring å forbedre screeningsprogrammet for å minimere overhypping screening og underbehandling, og dermed redusere utgiftene i et bredere helseperspektiv. 
Dagens kunnskap om sykdommen kombinert med et vell av tilgjengelig data og moderne teknologi kan tilby langt bedre personlig forebygging ved å estimere personlig optimal oppfølging. Eksisterende automatiske systemer for screening mot livmorhalskreft er imidlertid ekstremt konservative, siden de bare kan identifisere pasienter som er forsinket til rutinemessig screening, uten å gi personlige anbefalinger for oppfølging. 
Gjennom intelligent bruk av eksisterende registre og personlig helsedata, har DeCipher utviklet et data-drevet rammeverk for å gi en personlig kontinuerlig risikovurdering for å utvikle kreft, samt identifisere undergrupper av individer og faktorer som fører til lignende sykdomsprogresjon. Ved å identifisere disse undergruppene forventes det å redusere over- og underbehandling, gi en personlig screeningplan for hver kvinne og redusere kostnadene ved screeningprogrammer. 
DeCipher består av et enestående tverrfaglig forskerteam innen maskinlæring, screeningsprogrammer og epidemiologi. Resultater fra DeCipher vil bli gjort tilgjengelig for klinikere og individer.

Cancer is a major cause of morbidity and mortality worldwide, but a large proportion of the incidents are preventable. For example, mass-screening Nordic programs of cervical cancer have a proven strong effect for preventing cancer at the population level and have produced large amounts of individual and clinical data, centrally organised at nationwide registries. Despite this success, minimising over- and under-treatment, and, thus, reducing expenditure, remains a major challenge.

Existing automatic decision support systems for cervical cancer prevention are, however, extremely conservative as they are mostly limited to identifying patients who are overdue for their next routine screening. Current knowledge about the cancer, together with a wealth of available data and modern technologies, can offer far better personalised prevention.

DeCipher aims to develop a data-driven framework to provide a personalised time-varying risk assessment for cancer initiation and identify subgroups of individuals and biomarkers leading to similar disease progression. By unveiling structure hidden in the data via randomisation and probabilistic tools, we will develop novel theoretically grounded machine learning methods for analysis of temporal, sparse, and multimodal data.

DeCipher consists of an excellent multidisciplinary research team from diverse fields such as machine learning, data mining, screening programs, and epidemiology. Leveraging Nordic screening programs and data, the project will enable better and more accurate cancer screening. Our foundational and algorithmic progress will also enable integration of data-driven techniques into biomedical domain, thus corresponding to the Medium-term Time Horizon objectives.

Available to screening programs, clinicians, and individuals in the population, the DeCipher results will allow for improvement of individual’s preventive cancer healthcare while reducing the cost of screening programs.

Data-driven Framework for Personalised Cancer Screening

Konferansen får bidrag og deltagere fra alle universiteter og høgskoler i Norge og vil være organisert i fire parallelle spor bestående av:
-NIK (Norsk informatikkonferanse) som er en nasjonal konferanse innen informatikk arrangert årlig siden 1988. NIK er en felles arena for forskere og studenter som er interessert i å utvikle kunnskap om anvendt og teoretisk informatikk.
- NOKOBIT (Norsk konferanse for organisasjoners bruk av informasjonsteknologi) som er en nasjonal konferanse innen
informasjonssystem og informasjonsvitenskap arrangert årlig siden 1993. Konferansen fokuserer på tema knyttet til utvikling, implementering og bruk av IKT i organisasjoner, og samfunnsmessige problemstillinger ved IKT.
- NISK (Norsk informasjonssikkerhetskonferanse) som er faglig organisert av det norske nettverket for informasjonssikkerhet og dermed tett knyttet til de sterkeste IT-sikkerhetsmiljøene i Norge.
- UDIT (Norske Konferanse for Utdanning og didaktikk i IT-fagene) som ble etablert i 2014 og fikk egen programkomité i 2015. UDIT har til formål å inspirere til diskusjon og erfaringsutveksling om læring innenfor IT-fagene. Dette er spesielt viktig i forhold til utdanning av IT arbeidskraft og rekruttering av IT-forskere.

Den faglige bredden i konferansen betyr at den samlet godt dekker IKTPluss programmet sine prioriterte forskningsområder innen kompleksitet og robusthet, data og tjenester overalt, og et trygt informasjonssamfunn.
Innlegg på konferansene vil bli basert på innsending av artikler som blir fagfellevurdert av de fire programkomiteene. Dette i forhold til å sikre at den faglige kvaliteten på konferansen holder en internasjonal profil og nivå.

Konferansene arrangeres ved ulike lærersteder fra år til år. I 2018 hadde konferansen 30-års jubileum og ble arrangert på Svalbard, arrangør var Universitetet i Oslo. Tidligere arrangører er blant andre Høgskolen i Gjøvik, NTNU, UiA, HiO, HiMolde, HiBU, NHH, HiBO, UiO, UiT, UiS, UiB og HIOF.

Felles Norsk Konferanse for IKT-forskning (NIK/NOKOBIT/NISK/UDIT)

Prosjektet "Improved Pathology Detection in Wireless Capsule Endoscopy Images through Artificial Intelligence and 3D Reconstruction" har som mål å på en effektiv måte forbedre nøyaktigheten for deteksjon av tarmsykdommer gjennom bruk av kapselendoskopi. Dette vil føre til bedre behandling. Nøyaktige og effektive verktøy for å stille diagnose er essensielt  for tilrettelegging av masseundersøkelser  og oppfølging for store deler av befolkningen. Ved å stille  diagnose(r) tidlig i sykdomsforløpet minsker man sannsynligheten for alvorlig sykdomsforløp.
 
Prosjektet vil fokusere på to metoder: den første er å utvikle mer nøyaktige og effektive automatiske patologi deteksjon algoritmer  gjennom bruk av kunstig intelligens, hvor man fokuserer på bruk av semi-veiledet og ikke-veiledet læring. Arbeid har allerede blitt publisert hvor man har sett på selv-veiledet læring. Den andre er å lage 3D modeller av tarmen som vil forenkle gjenkjenning av patologier i kapselendoskopi bilder, dette er basert på struktur fra bevegelse. Vi har mot slutten av prosjektet vil vi se på kombinasjonen av 3d modeller og kunstig intelligens.
 
Prosjektet har fire partnere; Sykehuset Innlandet (Norge), University of Thessaly (Hellas), Sheffield Teaching Hospitals (England) and Max Planck Institute for Informatics (Tyskland), alle er anerkjente på sine felt og bringer komplementære ferdigheter til prosjektet. Dette samarbeidet øker verdiskapningen  gjennom bruk av forskningen i praksis. Det fører også til at forskningsresultater blir satt ut i praksis raskere.

As indicated by its title: "Improved Pathology Detection in Wireless Capsule Endoscopy Images through artificial Intelligence and 3D Reconstruction", the core concept of the project is to facilitate more accurate and efficient detection of intestinal diseases through capsule endoscopy, leading to better healthcare. The project is highly relevant and of great benefit to society. Accurate and efficient tools for diagnosis are essential in order to facilitate intestinal screening and monitoring programs for large parts of the population that seek to  detect diseases at an early stage and thereby prevent severe  diseases from developing. 

The project is divided into three work packages. The first focuses on developing more accurate and efficient automatic pathology detection algorithms than state-of-the art methods. These will also be compared to the performance of trained gastroenterologists.   The second work package focuses on constructing 3D models based on wireless capsule endoscopy images that will help gastroenterologists more easily detect pathologies in the intestinal wall.   The third work package is dedicated to the combination of automatic pathology detection and 3D reconstruction. The goal is twofold: i) automatically construct 3D model based on pathology detection algorithms predictions for enhanced viewing by gastroenterologists.  ii) Improve automatic pathology detection using 3D data as input. 

The project includes one national (Innlandet Hospital) and three international partners (University of Thessaly, Sheffield Teaching Hospitals and Max Planck Institute for Informatics), whom of each is renowned in their field and highly capable of bringing complementary skills. This collaboration facilitates and enhances the value creation through the utilization of the research results in practice. It also ensures that the results are brought into practice faster and thereby benefit society.

Improved Pathology Detection in Wireless Capsule Endoscopy Images through Artificial Intelligence and 3D Reconstruction

De ekstracellulære vesiklene deltar i intercellulær signalering og er svært relevante enheter for både fysiologiske- og patologiske prosesser. Nye medikamentleveringssystemer har blitt foreslått ved å bruke ekstracellulære vesikler som bærere av aktive biomolekyler mot målcellene. CIRCLE-prosjektet er utformet rundt en beregningsmetodikk som teoretisk kvantifiserer og analyserer transporten av ekstracellulære vesikler i hjertevevet for å studere distribusjon av terapeutiske midler. De første modellene dekker aspektene ved den ekstracellulære frigjøringen fra celler, både ikke-stimulert og stimulert, transport gjennom de kardiovaskulære nettverkene og den ekstracellulære hjertematrisen, og opptak i mottakerceller. Vi har studert frigjøring av ekstracellulære vesikler fra pluripotente stamcelleavledede atrie- og ventrikulære kardiomyocytter. Våre utviklede modeller bidrar til forståelsen av den ekstracellulære vesikkeldynamikken, blant annet tiden som trengs for sekresjon og frigjøring, samt de kritiske komponentene i biosystemet som påvirker vellykket transport av de ekstracellulære vesiklene. Resultatene våre avslører at diffusivitetskonstanten, volumfraksjonen og tortuositeten til matrisen i stor grad påvirker transporten. Et viktig funn er at ligand-reseptor-interaksjoner ved målcellene kan føre til flere internaliserte ekstracellulære vesikler sammenlignet med andre internaliseringsmekanismer, for eksempel clathrin-mediert endocytose, til tross for den langsomme internaliseringsprosessen ved målceller. Forskningen utført så langt i CIRLCE har ført til ny kunnskap ettersom nye forskningsretninger dukker opp. Våre neste skritt går mot utviklingen av en avansert datamodell for optimalisering og evaluering av myokardreparasjonsterapi basert på ekstracellulære vesikler. Spesifikt vil vi se nærmere på den mikroRNA-baserte terapien for behandling av akutt hjerteinfarkt hos utvalgte pasienter og evaluere dennes effektivitet.. Den nye datamodellen vil bruke synergi fra fysiologibasert modellering med eksperimentelle data og kunstig intelligens-teknikker. Primære eksperimenter vil bli utført i svinemodeller og disse studiene vil bli brukt i utformingen av en tidlig studie ved bruk av pasientdata.

Intra-body wireless sensor and actuator communication networks are necessary to provide solutions for implantable micro-devices to enable diagnostics, monitoring, and therapy. Current technology has significant drawbacks since presently available deep, bio-compatible implantation systems with life long operation are too poor and slow  to support comprehensive diagnosis and therapies. Synthetic biology is an emerging scientific field with major disruptive potentials, and can manipulate cells using nanoscale devices thereby directly obtaining information from individual cells. However, present solutions have no external communication capabilities impairing practical use.  This project will design and engineer biological cells that can transmit information to neighboring cells and cells placed far away enabling nanoscale electronic devices thereby creating macro-structures or synthetic tissues. Our vision and overall goal is to enable "cells to wirelessly connect to the Internet".  
	
Towards this vision we have established a transdisciplinary team of researchers with international stature and expertise in synthetic and stem cell biology, communications engineering, and clinical medicine to develop cellular communication and control systems and test their performance. This project will design and develop a wireless sensor and actuator network of engineered cells that can sense and communication information for monitoring and deliver therapy.  The developed engineered cells will be tested in cell and organoid cultures with imaging tools. The developed theories on information transfer between cells and control techniques for remote stimulation for therapy delivery will be simulated in a custom developed computer simulator and verified with the in-vitro experimental data.  The project will recruit and train 1 PhD student and 2 Postdocs and has drawn up a comprehensive, multifaceted plan to disseminate, communicate and exploit the project results.

Communication Theoretical Foundation of Wireless Nanonetworks

Prosessindustrien er en av de største "produsentene" av data, der en typisk prosess genererer tusenvis av datapunkter hvert sekund. Deler av prosessindustrien har brukt sanntidsdata for beslutningstaking i mer enn 50 år og har til nå vært den ledende industrien når det gjelder intelligent bruk av data. Men til tross for mange suksesser, er det fortsatt et stort potensial for ytterligere forbedringer av beslutningsverktøy for å møte fremtidige utfordringer med industri 4.0. Med beslutningsstøtteverktøy mener vi datamaskinbaserte algoritmer som bestemmer hvordan et system skal operereres for å oppnå et ønsket mål, f.eks. å minimere driftskostnader og energiforbruk. Dessuten bruker deler av prosessindustrien fortsatt hovedsakelig manuell styring, og det er behov for å utvikle enklere og billigere tilnærminger som kan brukes i disse bransjene.
De tre hovedutfordringene med å utvikle effektive optimaliseringsverktøy for komplekse cyberfysiske systemer er:
1. Mangel på gode modeller som kan brukes i optimaliseringsalgoritmer (offline modellutvikling)
2. Feil verdi av modellparametere brukt i optimaliseringsproblemet (online modelloppdatering)
3. Håndtering av aktive begrensninger.

Siden det meste av den økonomiske fordelen med optimal drift ligger i å regulere de riktige aktive begrensningene, har forskningen i det siste vært fokusert i denne retningen. Vi har foreslått et nytt rammeverk der optimal drift oppnås direkte ved å bruke sanntids prosessmålinger, som vi kaller "primal-dual feedback optimizing control".
I tillegg studerer vi den alternative metoden med "region-based control", hvor den enkleste tilnærmingen er å bruke enkle PID-kontrollere og velgere. Dette er den foretrukne tilnærmingen for enklere problemer. Et mer generelt alternativ er å innlemme begrensningsningene i modellprediktiv kontroll (MPC).

Når det gjelder maskinlæring er det fokus på hvordan man kan kombinere forsterkningslæring ("reinforcement learning") med modellprediktiv kontroll (MPC), det vil si å bruke de ulike parameterne i MPC som hyperparametre for maskinlæring.

This project aims to address the main challenges related to developing optimization tools for the process industries, which are:
1.	Lack of good models that can be used in optimization algorithms (offline model development)
2.	Wrong value of model parameters used in the optimization problem (online model update)
3.	Numerical robustness including computational issues

By leveraging big data and machine-learning algorithms, we can develop decision-support tools for complex cyber-physical systems that can be a part of the industrial internet-of-things. 

In this project, we will utilize process data to develop machine-learning based models (also known as digital-twins), that can be used for developing optimization tools. This will enable us to address the challenges with respect to developing models for optimization. Reinforcement learning approaches will also be used to operate the processes in new operating conditions other than the conditions used to train the model. 

To address the computational robustness issues of solving optimization problems, we also aim to approximate computationally intensive optimization problems using machine-learning algorithms. Instead of developing surrogate models that will be used in the optimizer, we plan to build surrogate optimizers or AI optimizers that approximate the numerical optimization solvers.

This project aims to restructure existing process industries by utilizing data more efficiently and  it will also open new industrial applications that could benefit from data-driven decision-support tools.  At the same time, this project will also develop novel algorithms for machine-learning-based optimization and thus move the research front and develop new subject areas in the field of online process optimization and autonomous decision-making. Therefore, this project will address challenges in the short to medium time horizon.

Intelligent use of data to build optimization tools for cyber-physical systems in the process industry

Search-Based Software Engineering (SBSE) is a field of research that applies search algorithms (a sub-field in Artificial Intelligence) in software engineering. The SBSE field has grown significantly recently and the field has become matured to achieve real-world results. The Symposium on Search-Based Software Engineering (SSBSE) is a symposium of international profile and takes place every year. Every year, researchers and practitioners from Software Engineering and Evolutionary Computation domains, from all over the world participate in the symposium. The first edition of SSBSE symposium took place in 2009 in Windsor, United Kingdom. This year, i.e, 2018 will be the 10th anniversary of the symposium. Simula Research Laboratory is the host of 2019's edition of the Symposium (i.e., 11th edition). Given that SSBSE is a  specialized conference having an intersection with a sub-field of AI and Software Engineering, it is always co-located with bigger Software engineering conferences. Thus, SSBSE 2019 will be collocated with the 27th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (ESEC/FSE conference). SSBSE will take place in Tallinn Estonia, 31 Aug - 2 Sep 2019 at Original Sokos Hotel Viru.
A draft of the website of the conference can be found here:
http://ssbse19.mines-albi.fr/

11th Symposium on Search-Based Software Engineering (SSBSE 2019)

Den eksponentielle økningen av datamaskinytelse over de siste fire tiårene har vært et resultat av kontinuerlig forbedring av produksjonsteknologi. Dennardskalering, som beskriver hvordan spenningene og dimensjonene på transistorene kan endres slik at man får mindre transistorer som bruker mindre strøm, har vært kritisk for å få til denne ytelsesforbedringen. Med Dennardskalering kan man doble antallet transistorer på en brikke mellom hver teknologigenerasjon mens effektforbruket holdes konstant. Dermed danner Dennardskalering grunnlaget for den mer kjente ytelsestrenden Moores lov.

I moderne produksjonsprosesser fører Dennardskalering til økt effektforbruk fordi reduksjon av transistorenes terskelspenning medfører eksponentielt økende statisk effektforbruk. Samtidig har vi nådd grensen for det effektforbruket et praktisk realiserbart kjølesystem kan håndtere. Dette medfører at dagens høyytelsesdatamaskiner primært er begrenset av effektforbruket. Dermed blir teknikker som utnytter parallellitet, som for eksempel energieffektive akselleratorer, nødvendige for videre forbedring av ytelse -- en nødvendighet i viktige domener som klimamodellering, persontilpasset medisin, materialforskning, kjemi og nanoteknologi.

I BAMPAM vil vi redusere effektforbruket til tett koblede rekonfigurerbare akseleratorer gjennom å formulere analytiske modeller som gjør det mulig å automatisk generere akseleratorinstanser med balansert minneytelse og beregningsytelse. En balansert akselerator aktiverer kun de beregningsenhetene som minnesystemet kan støtte -- for å maksimere ytelse -- og skrur av de resterende enhetene -- for å redusere effektforbruket.

BAMPAM will improve the power-efficiency of tightly integrated reconfigurable accelerators by formulating analytical performance models that enable automatically generating accelerator instances with balanced compute and memory performance. Current high-performance computers are power-limited, and leveraging parallelism, for instance in the form of power-efficient accelerators, is necessary to further improve their performance -- a critical requirement across important domains such as climate modeling, personalized medicine, materials science, chemistry, nanotechnology, automotive and energy.

In BAMPAM, we focus on processors with tightly coupled reconfigurable accelerators. These accelerators consist of a grid of compute units that can be configured to create specialized hardware for performance-critical application code regions. Accelerator imbalance is caused by activating more compute units than the system's memory configuration can support and results in poor power-efficiency because compute units needlessly dissipate power while waiting for memory. A balanced accelerator activates exactly the number of compute units the memory configuration can support - to ensure high performance - while disabling remaining units - to save power.

The key research challenge is to devise approaches that automatically determine the number of compute units that achieve balance for different applications. We propose to overcome this challenge by formulating and validating analytical performance models that enable identifying the point of balance based on key application characteristics. These models will enable us to investigate model-based approaches for automatically generating balanced application-specific accelerator instances and thereby discover novel accelerator architectures or novel accelerator generation algorithms.

Balancing Compute and Memory Performance in Reconfigurable Accelerators with Analytical Modeling

Å bevise eller motbevise matematiske setninger ved hjelp av automatiserte prosedyrer har vært en appellerende idé i minst et århundre. Likevel, selv om forskingsfeltet om automatiserte resonnement har nådd viktige milepæler de siste tiårene, er det fortsatt uavklart hvorvidt datamaskiner i vesentlig grad kan øke hastigheten på prosessen med beviskonstruksjon.

Målet med dette prosjektet er å identifisere en rekke numeriske parametere som vanligvis er små i menneskelig produserte bevis. Intuitivt er disse parametrene ment å gi en numerisk kvantifisering av kompleksiteten til et bevis. Ved å bruke informasjon om disse parameterne, vil vi utvikle nye algoritmer som vil kunne enten finne et bevis med en gitt forutbestemt kompleksitet, eller å fastslå at det ikke finnes noe slikt bevis.

Som et biprodukt forventer vi at resultatene våre vil kunne forbedre automasjonskapasiteten til en rekke verktøy, for eksempel bevisassistenter, programvareverifikasjonsverktøy og lignende.

The idea of proving or disproving mathematical statements using automated procedures has been contemplated for at least one century. Nevertheless, even though the field of automated reasoning has reached important milestones during the past few decades, the question of whether computers can significantly speed up the process of proof construction remains elusive. 

The goal of this project is to identify a series of numerical parameters that are typically small in humanly produced proofs. Intuitively these parameters are intended to provide a numerical quantification of the complexity of a proof. Using information about these parameters, we will develop new algorithms that will be able to either find a proof of a given predetermined complexity or to determine that no such proof exists. 

As a byproduct, we expect that our results will have the potential to improve significantly the automation capabilities of a variety of tools, such as proof assistants, software verification tools, specialist systems, etc.

Automated Theorem Proving from the Mindset of Parameterized Complexity Theory

«Individuell fargesynsbasert bildeoptimalisering» (ICVIO) er et tverrfaglig prosjekt som bidrar med et avgjørende fremskritt i metoder for å reprodusere og forutsi individuell menneskelig fargeoppfattelse av bilder. Det muliggjør perseptuelt meningsfull fargebildeoptimalisering samt prediksjon av perseptuelt fargeinnhold i bilder for personer med ulikt fargesyn, herunder normalt, anomalt eller avvikende.

Bildeoptimalisering utføres på digitale bilder. Målet er å kontrollere fargegjengivelse, få god bildereproduksjon eller kompensere for endringer i visningsforhold, observatør, etc.

Dagens metoder er basert på bildeuavhengighet og standardiserte observatører og visningsforhold. Følgelig vil bildereproduksjonsmetoder for et gitt bilde få den individuelle observatør til å betrakte det samme bildet. Men da de visuelle systemene og visningsforholdene varierer, oppfatter de ikke nødvendigvis det samme bildet. Vi introduserer individuell bildebehandling, slik at de ikke nødvendigvis betrakter det samme bildet, men heller oppfatter det samme bildet.

I ICVIO er nøkkelen å forbinde individuell fargerespons (retinal sensitivitet) med dens tilhørende fargepersepsjon. Sensitiviteten estimeres ved et begrenset antall in situ-fargediskrimineringseksperimenter. Forbindelsen er en unik transformasjon basert på en ny fargemetrikk (geometri), hvori perseptuelle terskler inngår og hvorav grunnleggende fargeoppfattelser kan avledes konsekvent. Estimering av sensitiviteten baseres på metrikken.

Den moderne bildebehandlingsteknologi utvides i ICVIO til å anvende den grunnleggende, men hittil lite utnyttede, vitenskapen om farge- og bildepersepsjon. Den bygger bro mellom fargesyn, fargevitenskap og digital bildebehandling med avbildningsmetoder som har potensial for forskning og industri.

Nytteperspetivet i ICVIO favner bredt: kunst, kulturarv, medisinsk bildebehandling, robotikk, overvåkning, virtuell og utvidet virkelighet.

The project 'Individual Colour Vision based Image Optimisation' (ICVIO) aims at providing a step change in the ability to recover and predict quantities of individual human colour perception. The goal is to provide digital optimisation methods that are uniquely linked to individual colour perception of colour images. This will enable perceptually meaningful colour image optimisation and facilitate prediction of perceptual colour content in images between individuals with different colour vision. The key is to uniquely link individual cone fundamentals of human vision with a colour metric, in which said individuals' perceptual discrimination thresholds and fundamental colour perceptions can be characterised with high accuracy. We will propose novel methods of recovering individual cone fundamentals from a minimum of in situ colour matching and discrimination experiments. The colour metric will be based on a mathematical model whose geometry comprehensively describes the perceptual dimensions and thresholds for individuals, at a level which is beyond the capability of state-of-the-art methods. The individualisation of image optimisation will generate a need to advance existing image manipulation methods along with the opportunity to create new. It will encompass deficient, anomalous and normal colour vision. This multidisciplinary project links human vision, computational colour science, computer vision and digital imaging and provides imaging methods with a significant potential of industrial application.

Individual Colour Vision based Image Optimisation

I filmproduksjon og digitale effekter er generering av realistiske digitale ansikter et viktig problem, for eksempel for å skape en skuespillers «digitale dobbeltgjenger». I tillegg til å nøyaktig registrere ansiktets geometri, så er en realistisk generering av hudens utseende et meget viktig element. 
Det er kjent at vi mennesker ofte vil føle en sterk avsky mot ting som virker nesten menneskelig, men ikke helt. Dette fenomenet kalles «uncanny valley» som kan oversettes som den uhyggelige dalen.
Menneskeskehud har en kompleks struktur, med flere lag som inneholder blodkar, bindevev, fett og hårfollikler. Imidlertid er hudfargen hovedsakelig avhengig av konsentrasjonen av enkelte molekyler (kromoforer), som melanin og hemoglobin. Denne siste finnes i to forskjellige varianter, og deres relative forhold har forskjellige effekter på hudens farge. En ytterligere komplikasjon er at deres konsentrasjon endres med tiden, og avhenger av emosjonell tilstand. Derfor er hudfargen og ansiktets utseende i kontinuerlig endring.
Vårt prosjekt, i samarbeid med eksperter i datagrafikk ved Imperial College London, vil utvide kunnskaps- og teknologifronten innen både analyse og gjengivelse av ansiktsutseende og menneskelig hud, både under statiske og dynamiske forhold.
Vi vil bruke ny bildebasert spektral måleteknologi tilgjengelig på NTNU og på Imperial College for å måle sentrale hudegenskaper, som brukes til å lage en ny modell for hudutseende for datagrafikkapplikasjoner, og dermed øke realismen til digitale ansikter i filmer og videospill.
Videre vil nye teknikker for å estimere hudens kromoforer fra bilder bli utarbeidet. Potensielt vil dette ha flere bruksområder innen kosmetikk, for eksempel for valg av passende farger for å tilpasse sminke eller valg av den mest passende solkremen. Og kanskje enda viktigere, den forbedrete estimeringen av hudens kromoforer vil kunne finne medisinske anvendelser, spesielt for hudkreft.
Spectraskin-prosjektet startet i April 2019. Colourlab sin nettside (http://www.colourlab.no) gir de siste oppdateringene og
detaljer om aktivitetene i prosjektet, mens forskningen publisert til nå kan følges på Cristin
(https://app.cristin.no/projects/show.jsf?id=678057).

A longstanding goal of computer graphics is the creation of realistic digital faces. The difficulties behind this task partly lie in human perception, which creates a strong revulsion toward things that appear almost human (the uncanny-valley). Moreover, the complex structure of the skin, and the dependency of facial appearance on both the physical and emotional state, cause continuous changes in the color of facial skin.
Skin color is mostly determined by the concentrations of the chromophores melanin and hemoglobin, each of them present in two different forms. Previous work focused on the estimation of some of these parameters, generally from a patch of skin in static conditions, used to synthesize the skin for the whole face.
Our project will extend the state of the art on both acquisition and rendering, thanks also to the collaboration with a world-leading scholar in computer graphics, Prof. Ghosh at Imperial College London.
We will use the hyper-spectral acquisition devices available at NTNU and the new multispectral light stage for facial appearance capture at Imperial College, in order to estimate skin reflectance properties and skin chromophores concentration maps, including the ratio between eumelanin and pheomelanin. The latter causes important differences in the skin appearance, and plays a role in both ultraviolet-radiation dependent and independent skin cancer.
The novel image-based skin chromophores estimation method will be used along with the light stage to capture the entire face of subjects, recording also changes from static static to dynamic conditions. Furthermore, a new
skin model will be derived. Overall, our work will help increasing the photo realism of digital faces in movies and video games, and could have important application also in medicine, dermatology and cosmetology.

Spectral Skin Modelling and Rendering for Realistic Digital Faces

Helsedata har meget stor vitenskapelig, samfunnsmessig og kommersiell verdi, noe som stimulerer til cyberangrep og til at helsedata blir målrettet brukt og solgt på svarte markeder. Deling og bruk av helsedata er i tillegg under lov-, etikk/personvern- og teknologi-områder, noe som kan sette begrensning på benyttelsesgraden av disse dataene.  
Det foreligger en strukturell mangel i dagens helsedatainfrastrukturen både når det gjelder mulighet for sikker deling av data og grad av tillit.  Dette prosjektet ser på disse utfordringene fra et nytt ståsted. Vi skal skape en prototype av et demokratisk økosystem for deling av helserelatert data. Økosystemet vil bli basert på en beregningsplattform som vil stimulere ulike parter i systemet til å definere, forhandle og administrere sine respektive rettigheter, forpliktelser, krav og ønsker i forbindelse med helsedataene, på en pålitelig og effektiv måte. Økosystemet skal legge til rette for at alle parter skal bruke et felles sett av tekniske og prosedyremessige protokoller for delingen av data. Partene vil kunne selge eller kjøpe helsedata, forpliktelser og rettigheter på lik linje. 
Prosjektet 'Health Democratization' er koordinert av NTNU Institutt for informasjonssikkerhet og kommunikasjonsteknologi. Prosjektet har nasjonale (SINTEF Security, Norsk Regnesentral, Direktoratet for eHelse, Sykehuset Innlandet, og Nasjonalt senter for e-helseforskning) og internasjonale partnere(Maastricht universitet, KU Leuven, Chinese Academy of Science) partnere, samt underleverandører (TicSalut, Tecnalia, Lynkeus, og Kallistech) fra akademia og industri. 
Prosjektets budsjett er ca 27 millioner kroner som vil finansiere 5 PhD- og postdoktor-forskere, i tillegg til NTNU og partnre sine permanent ansatte forskere. Prosjektet vil bidra til utvikling av den nasjonale helsedata-infrastrukturen, gjennom samarbeidet med det nasjonale prosjektet 'Helseanalyseplattformen'. Prosjektet samarbeider også med EU Horisont 2020-prosjektet 'My Health Data'.
Fra september 2021 er prosjektets teknologiske arkitektur og brukstilfeller / scenarier (registrert i den første leveransen) blitt definert, og forskere jobber for sikker forhandling av helsedata og datadelingsplattformens spesifikasjon og teknologiske design.
Innen november 2022 har prosjektets teknologiske plattformdesign den første versjonen. 
Innen november 2023 har prosjektets teknisk demonstrasjonsdesign den første versjonen.

In this project we aim at architecting and engineer a democratic data transaction model. The idea is to insert a trust and incentive augmented layer on top of the existing data infrastructure, which performs the same protocol of device / data provenance, beneficiary rights and benefit negotiation, and operation rights configuration between any two / multiple parties involved in a data transaction. 
The following research questions will be answered through research efforts in this project. 
RQ1: What are the common elements that can be abstracted from diverse data transaction scenarios, and how to model them into functions and protocols applicable to all parties?      
RQ2: What benefit can be brought by modelling data sharing in a trading perspective and what are its impact on the social, ethical, and economic aspects?   
RQ3:  How to model the risk and incentive for data mobility in an open environment with multiple parties of conflicting interests in rights negotiation? 
RQ4: How to automate the configuration and validation of policies and rights across parties?    
RQ5: How to technically engineer and evaluate the democratic health data infrastructure?  
The project will take advantage of emerging theories (conflicting incentive models, multilateral security policy, token economy, etc.) and technologies (blockchain, computational negotiation, privacy preserving methods, etc.) , and research on new theories and innovative technologies towards the data democratization goal.

Reinforcing the Health Data Infrastructure in Mobility and Assurance through Data Democratization

Formålet med Intelli3D var å ta frem en serie nye innovasjoner både på produkt og tjenestesiden som vil muliggjøre en automatiseringsrevolusjon for SMBer og netthandelsmarkedet. Ved å utnytte de siste forskningsresultatene innen kamerateknologi og maskinlæring, har Zivid i samarbeid med SINTEF utviklet produkter og tjenester ideelt egnet for industrier preget av mindre struktur og raske omstillinger. 
De mest sentrale FoU-utfordringene i prosjektet var innen utvikling av metodikk knyttet til bruk av maskinlæring og skybaserte tjenester for å utvikle nye enkle og robuste 3D-kameraløsninger. Utgangspunktet for prosjektet var Zivids 3D kameraer Zivid One+ og det nylig lanserte Zivid Two. Dette er et 3D-fargekameraer spesielt egnet for robotikk og automatisering, og er vel mottatt og anerkjent i markedet med en rekke industri og design priser. Intelli3D har vært et viktig prosjekt for å videreutvikle Zivids grunnteknologi og gi flere tjenester som kommer Zivids kunder til gode.  
Potensialet for anvendelsen er et marked i betydelig vekst. Robotikk vokste som marked i 2016-2017 med 31% i antall solgte roboter, hvorav 75% fortsatt går til "tradisjonelle" industrier. Det ligger derfor et betydelig markedspotensial innenfor "nye" industrier, og Intelli3D har gjordt det mulig for Zivid å ta betydelige markedsandeler innen et marked som forventes å vokse til over 400MEUR i løpet av 7 år.
I prosjektet har vi forbedret Zivid kameraenes evne til å ta gode og mer nøyaktige bilder av et bredere spekter av deler, som muliggjør mer avansert og robust griping. Det er utviklet funksjonalitet for automatisk innstilling av kamera for best mulig billedtagning, ny projeksjonsfunksjonalitet for bedre data på vanskelige deler, samt mer nøyaktig kalibreringsmetodikk både for bruk i produksjon og i felt. Resultatene har så langt blitt svært godt mottatt i markedet og har gitt Zivid mye positiv oppmerksomhet og kundeinteresse.

Formålet med Intelli3D er å ta frem en serie nye innovasjoner både på produkt og tjenestesiden som vil muliggjøre en automatiseringsrevolusjon for SMB’er og netthandelsmarkedet. Ved å utnytte de siste forskningsresultatene innen kamerateknologi og maskinlæring, vil Zivid i samarbeid med SINTEF utvikle produkter og tjenester ideelt egnet for industrier preget av mindre struktur og raske omstillinger. 

De mest sentrale FoU-utfordringene vi regner med å møte er utvikling av metodikk knyttet til bruk av maskinlæring og skybaserte tjenester til å utvikle nye 3D-kameraløsninger for komplekse problemstillinger. Utgangspunktet for prosjektet er Zivid One, et 3D fargekamera som er spesielt egnet for robotikk og automatisering. Til tross for en god mottagelse i markedet, er det er et betydelig uforløst potensiale i denne teknologien som Intelli3D vil muliggjøre. Intelli3D vil dermed kunne ta Zivid fra en spennende nykommer til en etablert og viktig markedsaktør.  

Potensialet for anvendelsen er et marked i betydelig vekst. Robotikk vokste som marked i 2016-2017 med 31% i antall solgte roboter, hvorav 75% fortsatt går til "tradisjonelle" industrier. Det ligger derfor et betydelig markedspotensial innenfor "nye" industrier, og Intelli3D vil gjøre det mulig for Zivid å ta betydelige markedsandeler innen et marked som forventes å vokse til over 400 M€ i løpet av 7 år.

Brukervennlig, smart og robust 3D kamera med skybaserte tjenester

The SoS-Agile project will organise a workshop on Software Security in DevOps and Agile Development (SecSE 2019) as part of the Cyber Security conference, and we would like to implement several measures to increase industry participation in our workshop and the other Cyber Science events:
1.	Invite a high-profile speaker;
2.	Sponsor some of our partner companies (Fara, Signicat, Visma ...) with free workshop participation;
3.	Introduce the concept of short "ignite talks" for industry experience sharing and engagement;

Since the workshop is organised as part of Cyber Science, there are no direct costs for venue etc., but Cyber Science conference fee must be paid for each participant. To strengthen the community element, we also want to invite the workshop participants to a post-workshop dinner.  We are therefore applying for extra funds.

2019 International Workshop on Secure Software Engineering in DevOps and Agile Development

IOF 2019 vil samle nasjonale og internasjonale initiativer innenfor ontologi-støttet digitalisering:
- Norsk olje og gass-industri, som er ledende innenfor bruk av ontologier innen industrielle produksjonssystemer. De sentrale aktørene er partnere i SIRIUS SFI
- Et ledende internasjonalt forskernettverk innenfor ontologi-baserte metoder, organisert gjennom International Ontology Foundry (IOF). 
- Det norske forskningsmiljøet innen semantisk teknologi, koordinert gjennom SIRIUS SFI
- Nøkkelpersoner i norsk industri engasjert i digitaliseringsprogrammer
- Internasjonale grupperinger som arbeider med ontologi-baserte tilnærminger innenfor ISO-standardisering. IOF 2019 er et sjeldent eksempel på at aktører fra hele verden, og på tvers av sektorer, kommer sammen. Arrangementet bidrar til å gjøre Norge til ledende deltager i utviklingen av digitaliserte standarder. 
Konferansen er non-profit og vil gå over 4 dager. De første to dager er industri-fokusert og blir holdt på DNV GL sitt hovedkontor på Høvik. De to første dagene vil ha bred oppslutning fra både norsk og internasjonal industri og standardiseringsarbeid. 
De to siste dagene arrangeres på Universitetet i Oslo i regi av SIRIUS SFI. Her blir det et bredt spekter av fokuserte faggrupper med høyt faglig innhold. Disse to dagene er en unik anledning for norske forskere og spesialiser i norsk IT-industri til å utvide sitt internasjonale nettverk og få direkte kjennskap til hvor forskningsfronten står.
IOF arrangerer to workshop i året ambulerende mellom USA og Europa. IOF 2019 ble, i konkurranse med andre, lagt til Norge fordi vi har et unikt samabeid mellom industri og forskningsmiljøer innenfor ontologi-støttet digitalisering.

International Industrial Ontologies Workshops 2019

Northern Lights Deep Learning (NLDL) Workshop, Tromsø 9-10 January 2019 

The workshop is non-profit and will be organized at UiT The Arctic University of Norway. Robert Jenssen, the head of the Machine Learning Group at UiT, will be the General Chair, with Michael Kampffmeyer (UiT) and Arnt-Børre Salberg (Norwegian Computing Center) as the co-chairs. Jenssen has previously been the General Chair for SCIA 2017 and NLDL 2018 which also received IKTPLUSS funding and were a large success. The group has several projects
ongoing related to ICT and funded over IKTPLUSS, and this workshop will hugely 
benefit those projects.

The workshop program will consist of presentations and poster sessions, where participants can present recent work. Participants that would like to present their work will be asked to submit a one-page abstract. Additionally, there will be a panel discussion, where issues and recent developments in the field will be discussed. 

We have invited 5 high-profile keynote speakers. This will contribute to the quality and also increase the visibility of the workshop. However, this also leads to expenses, such as plane journeys and hotels, that need to be covered. We estimate these costs to be 80 000 NOK. 

In addition to this, we will use the conference organizing company Xtenso AS, who will provide help with setting up registration (e.g. credit card payment, budgets). Overall, we estimate a total of 40 participants, which would result in an overall direct cost of 190 KNOK (see budget below). 

To cover these costs, UiT The Arctic University of Norway contributes with 22KNOK (20 hours at an hourly rate of 1100,- NOK) of Jenssen's salary. Additionally, 100 KNOK will be used that are allocated in the FRIPRO project no. 239844 to organize a workshop in 2018. Budgeting for 40 participants, this means that we estimate a deficit of 90 KNOK and we hope that with help of 90 KNOK from IKTPLUSS we will be able to roughly break-even.

Northern Lights Deep Learning Workshop 2019

The ICDE Lillehammer Learning Summit in 2019 is an international meeting place where education meets work for development of lifelong learning for the future. Lifelong Learning is highly relevant, with the new Sustainable Development Goal "Education 2030: Ensure inclusive and quality education for all and promote lifelong learning".
The future is flexible and digital, addressing widespread challenges in the areas of education. 

The conference program is organized within the following three levels of learning:
1.Macro learning: Policy and society
-Sustainable Development Goals, emphasizing inclusion, equality, empowerment and employment
-Policies for new competences needs and employment adjustment
-The digital transformation and automation of business and society
-Quality assurance in lifelong learning
-Funding and regulations

2. Meso learning: Collaboration between working life and education
-Enabling meeting places
-How to facilitate for training and continuing education
-Learning and sustainable organisations
-The relationship between needs, demands and offers

3. Micro learning: Educational approaches
-Individual strategies for acquirement of knowledge throughout (working) life
-Learning arenas- formal and informal learning in different contexts
-Flexible learning forms, self-regulated learning and learning network
-Open access learning resources, course portals and MOOCs
-Technology, including AI and VR, in learning
-Pedagogical methods and models

The conference will be organized in variety of formats. In addition to plenary sessions, more then 100 presentations from 35 countries will be held in parallel sessions by researchers and professionals in lifelong learning and ICT in education. They will exchange and share their research and knowledge with representatives from the industry, employers' organisations and trade unions.

The conference will be held in Lillehammer, February 11th - 13th 2019.

ICDE Lillehammer Lifelong Learning Summit 2019
-where education meets work to shape the future of lifelong learning.

Vi ser på datadrevet kunstig intelligens hvor data er organisert i lange sekvenser. Data fra anvendelser er ofte sekvensielle, for eksempel tekst, tale, musikk, tidsserier, DNA-sekvenser og hendelsesforløp.  Konvensjonelle datavitenskapsmetoder kan imidlertid kun behandle korte sekvenser med opptil noen få tusen trinn. I dette prosjektet utvikler vi en skalerbar metode som muliggjør effektiv og nøyaktig behandling av svært lange sekvenser. Slike sekvenser har opp til millioner eller til og med milliarder trinn. Ved prosjektets slutt vil vi levere teoretiske gjennombrudd i form av nye modeller med garantier, samt praktiske resultater som dataprogramvare og visualiseringsverktøy. Våre forskningsresultater vil bli demonstrert på to fokusområder: 1) mikrobiologi og infeksjonssykdomsepidemiologi og 2) mønstergjenkjenning for fjernåling.  Dessuten, fordi lange sekvensielle data er ofte tilgjengelige på mange fagområder, kan vår metode brukes som en kritisk komponent i et bredt spekter av oppgaver, inkludert vitenskapelig forskning, medisin og helsevesen, analyse av naturlig språk, finansiell dataanalyse, markedsundersøkelser, mv.

Se engelsk versjon for fremdrift i 01.12.2022 - 17.9.2023.

In the past decade Machine Learning (ML), especially deep learning, has brought us many successful data-driven AI applications. Many real-world data are intrinsically sequential, for example, text, speech, music, time series, DNA sequences and unfolding of events. However, conventional deep learning methods can process only short sequences up to a few thousand steps. The existing approaches often face challenges like slow inference, vanishing (and exploding) gradients and difficulties in capturing long-term dependencies. In this project we develop a scalable machine learning method which enables efficient and accurate inference for very long sequences up to millions or even billions of steps. At the end of the project, we will deliver a versatile ML framework based on deep neural networks, as well as its efficient optimization algorithms, computer software, and visualization tools. Our research findings will be applied to two focus areas: 1) microbiology and infectious disease epidemiology and 2) remote sensing pattern recognition. Moreover, because long sequential data are commonly available in many areas, our method can be applied as a critical component in a wide range of tasks including scientific research, next-generation DNA sequence analysis, natural language processing, financial data analysis, market studies, etc.

ShuttleNet: Scalable Neural Models for Long Sequential Data

Store mengder helsedata er lagret i forskjellige helseregistre i Norge og det finnes strategiske initiativer for deling av disse data med helseforskere og mellom forskjellige registre i Norge. Dette skaper utmerkede muligheter for helseforskning i verdensklasse fordi det finnes veldig få land i verden som har en infrastruktur av slik høy kvalitet. Samtidig utgjør dette en høy risiko for brudd på personvern i tilfelle av utilstrekkelig sikkerhet.

Publiserte hendelser av uautorisert tilgang til helsedata peker på at det finnes en stor utfordring for digital tillit.  Lagring og deling av sensitive data fra pasienter må være i samsvar med lover og regler, mens samtidig må disse data være tilgjengelige for leger og helsepersonel. Brudd på EUs GDPR og andre nye myndigheters lover kan føre til alvorlige juridiske eller finansielle konsekvenser for eierene av helseregistre.

Vår tilnærmelsesmåte har vært å fremme løsninger for helseregistre gjennom bruk av smarte kontrakter og blokkjeder. SmartMed var foreslått i samarbeid med det norske Kreftregistret som tilrettelegger validering av forskningsresultatene våre. I dag har Kreftregistret helseinformasjon for over 1.4 million kreftpasienter. Trygg oppbevaring og sikker bruk av data i helseforskning spiller en sentral rolle. Prosjektet har siktet på å gi brukerne bedre innsyn og kontroll over personvern, noe som igjen kommer til å styrke tilliten til bruk av kreftregistrets data for livsviktig forskning på forebyggende medisin.

SmartMed har undersøkt fordelene og utfordringene ved å anvende blokkjedeteknologi og smarte kontrakter innen helsedatalagring gjennom en rekke komparative studier og analyser. Resultatene er publisert i ledende tidsskrifter med høy impact factor. Vi har utviklet teknikker for å håndtere spesifikke personvern- og sikkerhetsrisikoer gjennom bruk av blockchain-teknologien. I denne sammenheng har vi utviklet et system for blockchain-assistert samtykkebehandling i samsvar med databeskyttelsesregler og -forskrifter, som GDPR og HIPAA. Den etablerte prototypen er i bruk ved Kreftregisteret. I tillegg har vi undersøkt programvaredesign ved blokkjedebaserte løsninger og sett på teknikker for identitetshåndtering som har innvirkning på helsevesenet.

Increasing amounts of health data are recorded in health registries, with the strategic initiatives of data sharing and fusion across different registries in Norway. This forms an excellent opportunity for world-class medical research as few countries have such a high-quality infrastructure. However, it also constitutes a very high privacy risk should a security breach occur.

Publicized incidents of leaked medical records pose a major challenge for the digital trust in eHealth where storing, accessing and exchanging sensitive patient-related data must comply with several regulations, while remaining accessible to authorized health practitioners. Governmental legislations regarding data privacy, such as the EU's GDPR, present an additional source of concern for healthcare registries which are now faced with severe legal and financial consequences in case data confidentiality is breached.

Our principal approach is to facilitate solutions for health registries by using Smart Contracts and the emerging Blockchain Paradigm. From the data safety, authenticity, and nonrepudiation standpoint, blockchain is a perfect fit for sharing medical records since it provides an easily accessible, immutable, and transparent history of all contract-related data, adequate for building applications with trust and accountability. Use of smart contracts brings a number of additional advantages for sharing medical data by healthcare registries: consent management, fine-grain privacy control, transparency, and reduced bureaucracy and expenses.

SmartMed is proposed in cooperation with the Cancer Registry of Norway (CRN), which will validate technological advances. CRN presently contains health information on over 1,4 million cancer patients. Managing and using the data for medical research in a secure way as to minimize any privacy concerns is paramount. Improving privacy control and transparency will bolster public's trust in the use of CRN data for vital research on preventive medicine.

RBGRUNTEKN-Res.bas.grunnbev.tekn-ind.inst

Grunnbevilgning SINTEF Petroleum

Tildelt: kr 114,8 mill.

Publikasjoner hentet fra Cristin

Phase Transitions and Separation Time Scales of CO2-Crude Oil Fluid Systems: Wheel Flow Loop Experiments and Modelling

Experimental Study of the Relative Effect of Pressure Drop and Flow Rate on the Droplet Size Downstream a Pipe Restriction

Monitoring of fracture reopening in sandstones

Brittleness of shales: Relevance to borehole and collapse and hydraulic fracturing

Stress-Induced Fracturing of Reservoir Rocks: Acoustic monitoring and uCT Image Analysis

Evidence of seismic attenuation due to air bubbles in weak sandstone

Monitoring of fracture reopening in sandstones

Laboratory Acoustic Emission tests at SINTEF

Budsjettformål:

RBGRUNTEKN-Res.bas.grunnbev.tekn-ind.inst

Finansieringskilder

Temaer og emner