Prisen for bedste datalogi-speciale går til fysikstuderende

Forudsigelse versus virkelighed: Ocean-overfladehøjde ud for Japans kyst, forudsagt af analyseprogrammet, sammenlignet med de faktiske data af klimasimuleringen.

I sit vindende speciale: Automated Anomaly Detection in Chaotic Time Series, udviklede Niklas Heim nye maskinlæringsværktøjer, som kan opdage ændringer (anomalier) i havsimuleringsdata automatisk. Målet er at opdage hav- og atmosfæredata, som er skjult i de enorme datasæt, som skabes i klima-computersimulationer, for eksempel ændringer i havstrømme eller vindmønstre. Metoden kan anvendes indenfor mange andre felter, hvor det er afgørende af finde anomalier, lige fra finansielle transaktioner til biologi.

Et neuralt netværk til fysiksimulation-tidsserier

Efter at have taget sin bachelorgrad i Professor Markus Jochum’s oceanografigruppe, Team Ocean, fortsatte Niklas Heim på Niels Bohr Institutets Computational Physics-specialisering. Heim gjorde god brug af sine studier indenfor begge fagretninger: Hans speciale ved instituttets eScience gruppe, vejledt af Brian Vinter og James Avery, kombinerer metoder fra kunstig intelligens med oceanografi og lykkes med at udvikle en ny type neurale netværk, som kan aflæse turbulente tidsserier fra klimasimuleringer. Heim begyndte med echo state networks, en type neurale netværk som kan analysere kaotiske 1D-serier, og tilførte elementer fra klassisk billedanalyse og geometri. Resultatet blev et system, der kan forudsige havstrømmes mønstre et år ind i fremtiden. Ved at sammenligne med data fra den virkelige verden, kvantificeres forudsigelsernes kvalitet. Hvis en forudsigelse pludselig afviger meget fra virkeligheden, peger det på en anomali.

Oceanerne - både de virkelige og computermodellernes oceaner - er uudforskede

Ligesom de virkelige oceaner er broderparten af de computersimulerede oceaner uopdagede. Simulationsdata er så kolossalt store, at intet menneske ville kunne se det hele igennem. Derfor er det afgørende at skabe metoder, der automatisk kan analysere de enorme datasæt og opdage hvor og hvornår menneske-fysikere skal se efter.

Heims software til anomali-detektion lykkedes med at opdage Kuroshio-havstrømmen ved Japan uden hjælp fra et menneske. Her er en havstrømsgrænse mellem hurtigt- og langsomt flydende vand, som er stabil over en årrække, før den pludselig, uden varsel, hurtigt skifter form. Dens opførsel har stor betydning for havøkologien i området, inklusive fiskeri og klima. Selvom dette er et velkendt fænomen, er dét at opdage den automatisk i havsimuleringerne et gennembrud, som åbner for at opdage nye, ukendte havfænomener med den samme metode. Næste skridt er at teste metoden i et nyt samarbejde mellem Team Ocean, eScience og Niklas Heim, for at undersøge vigtige områder i oceanerne.

Forudsigelser af havstrømme er kun begyndelsen

Heims metode kan anvendes meget mere bredt end blot til oceanografi-analyser. Han software, som er tilgængelig som open source, kan appliceres på forskellige datasæt eller computersimulationer, og han arbejder nu med anomali detektion som Ph. D. studerende ved Artificial Intelligence Center, Czech Technical University. Her anvender han maskinlæringsmetoder til at analysere dynamikken i Tokamak fusions plasma, en fremtidig fusionsreaktors brændstof: ”Vi fokuserer på at opdage de styrende ligninger for plasmaen automatisk. Hvis vi kan dét, bliver det muligt at opnå resultater, der er nemme at tolke, hvilket ikke er tilfældet med de maskinlæringstilgange, der er populære i øjeblikket”, forklarer Niklas Heim. Hvis man f.eks. kan forudsige plasmakollaps inden de opstår, vil det både kunne spare millioner af Euro og bringe fusionsenergi et afgørende skridt nærmere på at blive til virkelighed.