De laatste tien grensverleggende onderzoeksprojecten van start dankzij AiNed call XS Europa
De laatste 10 grensverleggende onderzoeksprojecten zijn goedgekeurd vanuit de AiNed XS Europa call van de AI Coalitie voor Nederland (AIC4NL). Deze projecten versterken de AI kennis- en innovatiebasis die van groot belang is voor Nederland. Een belangrijke rol is de verbondenheid van Nederlandse onderzoekers wereldwijd, en in het bijzonder in Europa.
In de toegekende onderzoeksprojecten wordt samengewerkt met verschillende buitenlandse samenwerkingspartnerorganisaties zoals: Dresden University of Technology, Spanish National Research Council, Grenoble Institute of Technology, TU Wien, ETH Zurich, en Maxeler Inc. AI. Door deze waardevolle samenwerking kan de gezondheidszorg tot snellere en betere diagnoses leiden. Een ander voorbeeld is dat door deze samenwerking de kwaliteit van leven verbeterd kan worden van mensen die door een verlamming slecht kunnen communiceren met hun naasten.
Nederland staat voor de uitdagingen om de kansen van AI volop te benutten. Met AiNed XS Europa wordt ruimte gecreëerd om veelbelovende ideeën, vernieuwende en risicovolle AI initiatieven een kans te geven.
Achtergrond AiNed XS Europa calls
Dit is de laatste ronde van subsidies die in 2024 zijn toegekend binnen de AiNed call XS Europa. De call was bedoeld voor ideeën en initiatieven die gericht zijn op één of meer uitdagingen uit secties 3 en 4 van de nationale AI-onderzoeksagenda AIREA-NL én worden vormgegeven in samenwerking met ten minste één buitenlandse Europese samenwerkingspartnerorganisatie. Op voorhand staat duidelijk vast of de beoogde doelstelling wordt gehaald. Wat telt is dat elk resultaat, zowel positief als negatief, de wetenschap vooruit helpt. De aanvragen werden anoniem opgesteld, waardoor de beoordeling puur op het onderzoeksvoorstel en de Europese samenwerkingspartner is gebaseerd.
Meer weten over de projecten?
We delen graag meer informatie over de toegewezen projecten:
1. BCI-Found: BCI Foundational model for robust, generalizable and versatile neural implant performance
Dr. Y. Berezutskaya, UMC Utrecht
Mensen met een ernstige verlamming kunnen niet communiceren met familie en geliefden vanwege hun onvermogen om te bewegen en spreken. Brain-computer interfaces (BCI’s) kunnen helpen door hun hersenactiviteit om te zetten in communicatiesignalen. Huidige BCI’s missen echter robuustheid, generaliseren slecht tussen gebruikers en ondersteunen slechts beperkte communicatiestrategieën. BCI-Found biedt een nieuwe oplossing door gebruik te maken van self-supervised training en transfer learning om een fundamenteel model van hersensignalen te creëren. BCI-Found leert robuuste neurale patronen die generaliseren tussen individuen en biedt veelzijdige communicatieopties. Bij succes kan het BCI-technologie transformeren en het leven van mensen met verlamming aanzienlijk verbeteren.
2. AI-SUSAT: Artificial Intelligence for Secure Underwater and SATellite Communications
Dr. Y.C.G. Gültekin, TU Eindhoven
Betrouwbare communicatienetwerken die nationale en regionale entiteiten verbinden, zijn van groot belang voor de veiligheid van hun burgers. Een belangrijk aspect van deze netwerken is communicatie met onderzeeërs. Satelliet-naar-onderwater lasercommunicatie is daarom van cruciaal belang in de volgende generatie ruimtenetwerken. Vanwege de uitdagende aard van propagatie door de atmosfeer en zout water kunnen traditionele signaalverwerkingsalgoritmen geen satelliet-naar-onderwater laserverbindingen ondersteunen. Dit project zal datagestuurde algoritmen ontwikkelen om de kanaalomstandigheden te voorspellen en lasersignalen te optimaliseren. Deze algoritmen zullen de eerste zijn die onderzeeërs verbinden met het vasteland en wereldwijde ruimtecommunicatienetwerken aanvullen.
3. SaTSNASP: Safe and Transparent Scheduling with Neuro-Symbolic Answer Set Programming
Dr. J.L.A. Heyninck, Open Universiteit
Roosters inplannen is een pertinent probleem. Behoeften veranderen dynamisch en idealiter passen roosters zich dynamisch aan. Huidige benaderingen voor de automatische generatie van roosters zijn ofwel logica-gebaseerd, wat betekent dat ze verifieerbaar maar statisch zijn, of ze maken gebruik van machine learning, wat betekent dat ze zich dynamisch aanpassen maar er niet kan worden geverifieerd of ze aan alle beperkingen voldoen. Dit project past neuro-symbolische AI toe, een combinatie van logica-gebaseerde en machine learning-gebaseerde benaderingen, om AI-tools te ontwikkelen die dynamische roosters genereren die verifieerbaar zijn (in samenwerking met een Nederlands ziekenhuis en de TUWien).
4. CONTACT-AI: CONTact in ACTion through Active Inference
Dr. W.M. Kouw, TU Eindhoven
Fysieke interactie met de echte wereld is een enorme uitdaging in kunstmatige intelligentie (KI). CONTACT-AI verkent nieuwe kanstheoretische technieken, op basis van computationele neurowetenschappen, om lopende robots tastend te laten verkennen wanneer visie onduidelijke informatie geeft. Er worden verklaarbare modellen gebruikt om een intelligente robot te laten wisselen tussen lopen en dynamische interacties met obstakels. De beoogde implementatie (Bayesiaans machinaal leren via informatiestromen op factor grafen) is computationeel efficiënt genoeg om op kleine micro-computers aan boord van de robot te draaien. CONTACT-AI levert methodes voor belichaamde KI-systemen die de markt voor lopende robots verbeteren in termen van robuustheid en autonomie.
5. ETAPE: Embodiment- and Task-Aware Parameter Embeddings for Robotic Foundation Models
Dr. K.S. Luck, Vrije Universiteit Amsterdam
Er is de afgelopen jaren veel vooruitgang geboekt in het trainen van grote neurale netwerken in de vorm van “robot foundation models” voor het ‘pre-trainen’ en besturen van verschillende robot-armen en -platforms; op basis van alleen camerabeelden en voorbeeld data. Echter, directe motorische aansturing, zoals hoekposities en -snelheden, blijft een uitdaging voor deze modellen wanneer ze worden ingezet op verschillende robotplatforms. In dit voorstel worden nieuwe manieren onderzocht om voor het modulariseren en structuren van de zogeheten “embedding space” van robot foundation models, waardoor ze het design en de taak van de robot beter kunnen identificeren en generaliseren.
6. AI-Driven Cancer Diagnostics: Explainable and Transparent AI Tools for Personalized Treatment
Dr. M. Menzel, TU Delft
Om de overlevingskansen van kankerpatiënten te verbeteren, is een gepersonaliseerde behandeling onmiddellijk na de operatie cruciaal. Histologische weefselanalyse kan echter enkele weken duren. Dit project wil verklaarbare en transparante AI-tools creëren voor kankerdiagnostiek. Met behulp van een grote dataset van gelabelde weefselmonsters zal een AI worden getraind om tumor van gezond weefsel te onderscheiden en om de ernst van kanker tijdens de operatie te beoordelen door het analyseren van collageenvezelorganisatie op tumorgrenzen. Indien succesvol, zullen de ontwikkelde AI-tools vroegere diagnostiek mogelijk maken en de overlevingskansen van kankerpatiënten verbeteren, waarbij gebruikers kunnen begrijpen hoe het algoritme tot zijn beslissing is gekomen.
7. QP-GPT: A foundation model for quantitative perfusion MRI
Dr. C.M. Scannell, TU Eindhoven
Voor veel diagnoses is de hoeveelheid bloedstroom, of perfusie, die het orgaan bereikt, cruciaal voor de klinische besluitvorming. Een veelbelovend idee is om AI te gebruiken om perfusie in MRI-scans te modelleren in plaats van te vertrouwen op de subjectieve interpretatie van de arts. Dit project verbetert de training van AI-modellen voor het kwantificeren van perfusie door een foundation-model te maken dat snel aan specifieke patiëntgegevens kan worden aangepast. Dit maakt beter gebruik van grote datasets zonder expertannotaties en integreert fysieke wetten, wat resulteert in snellere en betrouwbaardere beslissingen voor patiënten.
8. MBFM: A Multimodal Brain-Signal Foundation Model for unified brain analysis and disease diagnosis
Dr. C. Strydis, Erasmus MC
Dit project heeft als doel een multi-modaal hersen-signaal foundation-model (MBFM) te ontwikkelen dat verschillende hersendatatypes zoals hersenactiviteit, EEG en videobeelden kan integreren. Foundation-models worden getypeerd door hun algemene en brede inzetbaarheid voor verschillende subtaken en snelle inzetbaarheid voor specifieke subtaken, dat wil zeggen diagnostiek van neurodegeneratieve ziektes, decoderen van hersensignalen in experimenteel onderzoek of het ontwikkelen van brain-computer-interfaces. De ambitie is dit te bereiken door bestaande foundation-model architecturen uit te breiden voor hersensignalen. Hoewel de focus uiteindelijk op mensen ligt, wordt het MBFM als proof-of-concept getraind op publiek beschikbare knaagdierdatasets en interne klinische gegevens, ondersteund door de AI-infrastructuur van Groq voor efficiënte verwerking.
9. Brain-inspired MatMul-free Deep Learning for Sustainable AI on Neuromorphic Processor
Dr. G. Tang, Universiteit Maastricht
Deep learning is afhankelijk van energie-intensieve matrixvermenigvuldigingsberekeningen (MatMul) op GPU’s, die onhoudbaar worden naarmate neurale netwerken groter worden. Geïnspireerd door de efficiënte, asynchrone en lokale berekeningen van het brein, heeft dit project tot doel een nieuw rekenparadigma voor deep learning te ontwikkelen dat het energieverbruik en de latentie vermindert, en afstand neemt van traditionele GPU-gebaseerde MatMul. In samenwerking met onderzoekers van de TU Dresden wil men vanuit dit project brein inspirerende rekenparadigma implementeren op neuromorfe processors en integreren in algemene tools. Deze aanpak heeft het potentieel om AI duurzamer en toegankelijker te maken voor grootschalige toepassingen, waarbij energiekosten en milieueffecten worden verminderd.
10. Multimodal Representation Learning for Evolving Cardiac State and Risk Estimation
Dr. F.V.Y. Tjong, Amsterdam UMC
Door verschillende soorten medische gegevens te combineren kunnen medische AI-systemen de gezondheid van een patiënt vervolgen in de tijd, bepalen of er behoefte is aan specialistische controles en toekomstige problemen voorspellen. Huidige AI-tools hebben echter moeite met het verwerken van onvolledige of inconsistente medische gegevens en kunnen niet goed voorspellen hoe de gezondheidssituatie van een patiënt in de loop van de tijd verandert. Er wordt gestreefd naar het creëren van een multimodaal AI-systeem dat verschillende soorten diagnostische informatie (hartfilmpjes, MRI-beelden, patiëntgegevens) kan combineren om een completer beeld van de gezondheidsstatus van de patiënt te geven en hiermee vroegtijdig problemen op te sporen.
