Forskere går nye veje for at forudsige klimaets kritiske skift

Den globale opvarmning sker hurtigere end nogensinde. De nuværende klimamodeller har ikke været i stand til at forudsige de hurtige klimaforandringer. Modellerne er baseret på historiske klimadata og forudsiger ikke nøjagtigt ekstreme begivenheder som tab af arktisk is, hedebølger og oversvømmelser. Dette projekt vil kombinere fysikbaserede klimamodeller, dataanalyse og matematiske teknikker for bedre at kunne forstå og forudsige klimaets tipping points. Tipping points er kritiske tærskler, hvor små ændringer kan føre til drastiske og ofte irreversible effekter på klimaet. En stor bekymring er det potentielle kollaps af AMOC, et system af havstrømme, der påvirker det globale klima. Nylige undersøgelser tyder på, at det kan kollapse hurtigere end hidtil antaget, hvilket vil få alvorlige konsekvenser. Projektet har til formål at forstå og forudsige tipping points i klimasystemer og søger at forene uoverensstemmelser mellem teoretiske forudsigelser, observationsdata og klimamodeller.

Professor Susanne Ditlevsen, Institut for Matematiske Fag, Københavns Universitet og professor Peter Ditlevsen, Niels Bohr Instituttet, Københavns Universitet.

14 mio. kr.

CO2 er en primær drivkraft bag klimaet, men dets store variationer i løbet af de sidste millioner år forbliver et puslespil, som sår tvivl om troværdigheden af ​​vores fremtidige klimaprojektioner. I løbet af det sidste årti har der imidlertid været adskillige teoretiske, observationsmæssige og numeriske gennembrud, som tilsammen lover en bedre datadrevet forståelse af årsagsmekanismerne bag CO2 og klimaudsving: - nye kausale inferensmetoder baseret på maskinlæring - en fordobling af både opløsning og længde af iskernerekorderne - Jordsystemmodeller (ESM), der realistisk simulerer klimaets kulstofkredsløbssystem. Målet med dette projekt er at integrere disse udviklinger i en ny ramme kaldet CINCH, der kan forbedre vores årsagsforklaringer af fortid og forudsigelser om fremtiden klimaændringer. Fokus for det nuværende initieringsprojekt er at anvende CINCH på brønden daterede og synkroniserede iskerneregistreringer fra Grønland og Antarktis for perioden 60 til 20.000 år siden for at teste følgende hypotese: Den observerede storskalavariabilitet CO2 er forårsaget af periodiske kollaps af den nordatlantiske havproduktivitet, og ikke ved ændringer i det sydlige Oceans temperatur eller vind.

Professor Markus Jochum, Niels Bohr Institute, Københavns Universitet og professor Niels Hansen, Institut for Matematiske Fag, Københavns Universitet.

4,5 mio kr. 

Elektrokatalyse er et kritisk element i at afbøde klimaændringer ved at bruge vedvarende energi til at drive reaktioner til bæredygtige brændstoffer og kemikalier. Elektrokatalytisk reaktion afhænger af flere parametre, som udfordrer performance, dvs. dårlig selektivitet, dårlig energieffektivitet, og katalysator materialerne bliver dårligere over tid. Manglen på standarder for at designe og opsætte eksperimenter udfordrer nyskabelsen af ​​brugbar viden og hæmmer feltet i at bevæge sig fremad..   Dette projekt har til formål at udvikle en pareto-optimal model for elektrokatalytisk CO2-reduktion, ved at bruge a) data fra videnskabelig litteratur, eksperimenter og atomistiske simuleringer, b) hypotesedrevet statistisk design-of-eksperimenter vil udvikle pareto-algoritmer. Projektet vil forudsige nye og underudforskede optimale eksperimenter og betingelser, balanceret dataeffektivitet og have ekspert-in-the-loop med domæneviden til at forbedre modellen. Potentialet i dette projekt er at initiere en katalysatorinformatikplatform ved at tilbyde en ny måde at udvikle og forbedre katalyse på, så dette projekt er kimen til yderligere samarbejdsfinansiering mellem PI'erne.

Lektor Alexander Bagger, DTU Physics, Danmarks Tekniske Universitet og professor Line Clemmensen, Institut for Matematiske Fag, Københavns Universitet.

4,5 mio. kr.

Vores hovedmål er at udvikle mere effektive metoder til at optimerer enzymer ved at kombinere avancerede eksperimentelle teknikker med nye maskinlæringsmetoder, der inkorporerer ikke-lineære epistatiske effekter. Domæneeksperten har været pioner inden for høj-kapacitet-eksperimentelle metoder til enzymudvikling, mens metodeeksperten har udviklet banebrydende metoder inden for datalogi baseret på Bayesiansk optimering (BO), en ML-algoritme til at optimere problemer i lavdata regimer. Formålet med dette samarbejde er at videreudvikle begge eksperters tidligere arbejde med særligt fokus på udfordringerne ved multiparametrisk optimering og ikke lineære epistatiske effekter, som er særdeles vanskelige at forudsige for enzymer. Som model system vil vi bruge det NADPH-afhængige enzym formiatdehydrogenase (FDH), der kan omdanne kuldioxid (CO₂) til myresyre og dermed har potentiale til at genanvende biologiske cofaktorer i industriel biokatalyse. Vores epistasi-bevidste maskinlæringsmetode er invariant overfor enzymsystemet det bruges på og kan derfor støtte optimeringen af bioteknologi hvor ikke-lineære epistatiske effekter og trade-off-effekter er udbredte og vanskelige at håndtere.

Senior forsker Carlos Acevedo-Rocha, Novo Nordisk Foundation Center for Biosustainability (DTU Biosustain), Danmarks Tekniske Universitet og professor Søren Hauberg, DTU Compute, Danmarks Tekniske Universitet.

4,5 mio. kr.

Kvanteoverlegenhed, hvor klassiske supercomputere ikke kan simulere kvanteberegninger, er en milepæl på vejen mod praktisk kvanteberegning. Gaussisk bosonsampling er en førende opgave, men optiske tab og forbedrede klassiske algoritmer gør dens kvantefordel tvivlsom. En lovende ny udvikling er tilføjelsen af ikke-lineære optiske elementer, der overstiger det gaussiske område. Dette forslag har til formål at identificere den klassisk-kvante grænse for ikke-lineær bosonsampling ved (i) at designe tensor-netværksalgoritmer til at teste klassiske grænser og (ii) at karakterisere eksperimentelle opsætninger, der maksimerer kvantefordelen. Denne forskning har praktiske anvendelser, især i simulering af vibrationelle kvantedynamikken i korrelerede molekyler. En succes vil både fastslå en vej til kvantefordel i et reelt problem og udvikle metoder, der kan føre til bedre klassiske simuleringsalgoritmer for molekylær vibronik.

Lektor Michael Kastoryano, Datalogisk Institut, Københavns Universitet og lektor Stefano Paesani, Niels Bohr Instituttet, Københavns Universitet.

4,5 mio. kr.

Molekyler interagerer og fungerer i en kompleks 'dans'. Mikroskopbilleder af molekyler muliggør direkte observation af individuelle biomolekyler i realtid. Dette giver hidtil uset indsigt i deres opførsel og interaktioner, og bringer os tættere på en dynamisk forståelse af biologiske processer – den molekylære dans. Det kræver dog avancerede matematiske modeller og dataanalyser at afkode de biologiske processer, og dernæst eksperimentelt validere deres robusthed. Matematikere og biofysiske kemikere er i dette synergiprojekt gået sammen for at udvikle nye analyseværktøjer til afkodning af realtid enkeltmolekyle billeder. Metoden er baseret på nylige fremskridt indenfor skjulte Markov modeller.

Lektor Victoria Birkedal, Institut for Kemi, Aarhus Universitet og professor Asger Hobolth, Institut for Matematik, Aarhus Universitet.

4,5 mio. kr. 

Enkeltfotonkilder er afgørende for kvanteteknologi, hvilket muliggør sikker kommunikation, præcise målinger og effektiv kvanteberegning. Nuværende teknologier til generering af enkeltfotonkilder lider dog af lav effektivitet, multifotonstøj og inhomogen udvidelse.Dette projekt har til formål at transformere kvanteteknologier ved at skabe en ny on-chip kvantelyskilde til integrerede kvanteenheder på en enkelt chip.Ved hjælp af 2D-supergitter har projektet til formål at generere højeffektive kvanteemittere, der ikke kan skelnes. Vi vil anvende maskinlæring (ML) til hurtigt at identificere monolags 2D-materialer, strukturel optimering og kvantemåling. Projektet kombinerer ekspertisen fra AAU's ML-specialister og DTU Electros 2D-fotonikeksperter for at nå sine ambitiøse mål.

Lektor Sanshui Xiao, DTU Electro, Danmarks Tekniske Universitet og professor Zheng-Hua Tan, Institut for Elektroniske Systemer, Aalborg Universitet.

4,5 mio. kr. 

Batterier er afgørende for den grønne omstilling, hvilket muliggør elektrificering af transport og integration af vedvarende energi.På trods af faldende omkostninger udfordrer usikkerhed om batterilevetid bæredygtighed. Nøjagtig levetidsforudsigelse er nøglen til effektiv styring, ydeevne og forebyggelse af fejl såsom brande.Nuværende forudsigelsesmetoder er afhængige af omfattende laboratorietests og obduktionsanalyser, som er komplekse og energikrævende. For at løse disse problemer er et tværfagligt samarbejde dedikeret, som samler eksperter inden for batteriteknologi, statistisk signalbehandling og maskinlæring.Målet er at anvende avancerede datavidenskabelige teknikker til online, ikke-invasiv forudsigelse af batterilevetid gennem akustisk emissionsdetektion.Denne tilgang modellerer batteriet som et 3D akustisk landskab, der sporer dets ændringer over tid.De forventede resultater er banebrydende for batteristyring og vil fremme forklarlig, datadrevet forudsigelse for tidsseriedata

Lektor Daniel-Ioan Stroe, AAU Energi, Aalborg Universitet og professor Jan Østergaard, Institut for Elektroniske Systemer, Aalborg Universitet.

4,5 mio. kr. 

Alle lag af nutidens digitaliserede samfund har brug for informationssikkerhed, enkeltpersoner, virksomheder og statslige institutioner. Mål er f.eks. kommunikationsbeskyttelse, sikre transaktioner og censur- og desinformationsprævention. Kvantekryptering (QC) byder på yderst sikre løsninger til f.eks. generering af tilfældige tal og nøgleudveksling. Kvantekorrelationer muliggør sikkerhed under minimale forudsætninger, selv med upålidelige enheder (enhedsuafhængig (DI) QC). Denne ultrahøj sikkerhed har en pris: DI-QC er teknologisk udfordrende og ineffektiv. Semi-enhedsuafhængig kvantekryptografi (SDI-QC) skaber en balance mellem sikkerhed og effektivitet. Vi vil gå to flaskehalse af SDI-QC til livs, en gennemførlighedsbarriere og en effektivitetsflaskehals. Vi vil overvinde begge barrierer ved hjælp af repræsentationsteori. Især for flerpartsprotokoller vil vi udnytte symmetrier til at reducere kompleksiteten og dermed muliggøre en effektiv analyse.

Lektor Christian Majenz, DTU Compute, Danmarks Tekniske Universitet og lektor Jonatan Bohr Brask, DTU Physics, Danmarks Tekniske Universitet.

4,5 mio. kr.

Fjernvarmeanlæg er en ren og billig løsning til opvarmning af tusinde af bygninger i Danmark og Europa. Deres bæredygtighed afhænger både af effektivitet samt deres evne til at afkarbonisere varmeproduktion. Integrering af overskydende varmekilder er nøglen til at opnå dette, men de bør ligeledes også være økonomisk holdbare og pålidelige, hvorfor de potentielt kræver investeringer i energilagring. Deres temporale variabilitet, kombineret med netværkselementernes spatiale placeringer, gør dog planlægningen af disse forbedringer svært. Nuværende ingeniørmetoder har svært ved at håndtere sagens kompleksitet og omfang. Dette projekt vil bygge bro over dette hul, ved at anvende teknikker designet netop til store netværker, såsom sociale netværker, til dette problem. Ved at bruge data fra Aarhusområdets fjernvarmeanlæg, vil vi konstruere en tidsgraf ud fra disse data, lokalisere de dele af netværket, der skal forbedres, og muliggøre ingeniørinformeret optimering til nøjagtig identifikation af udnyttelige CO2 reduktionsmuligheder.

Lektor Davide Mottin, Institut for Datalogi, Aarhus Universitet og Massimo Fiorentini, Institut for Byggeri og Bygningsdesign, Aarhus Universitet.

4,5 mio. kr. 

Det er meget svært at forklare beslutninger fra komplekse AI modeller, såsom neurale netværk. Dette er en nøgleudfordring for etisk ansvarlig AI. Dataloger udvikler tekniske løsninger på denne udfordring indenfor feltet Explainable AI (Forklarlig AI). Men der mangler p.t. stringente metoder til at evaluere AI systemers forklarlighed. Dataloger bruger data-drevne metrikker. De giver nogen indsigt til udviklere, men det er uklart om sådanne metrikker faktisk indfanger de etisk relevante egenskaber. Omvendt bruger AI etik normative kriterier. De er baseret på principielle, etiske analyser, men er for abstrakte og giver ringe praktisk vejledning. REMAX vil slå bro over denne kløft ved at etablere et tæt samarbejde mellem dataloger og AI etikere. Vi vil studerende hvordan principielle normative kriterier kan oversættes til nye metrikker for AI forklarlighed, samt hvordan tættere forbindelse til udviklingspraksis indenfor AI kan gøre disse normative kriterier mere praktisk anvendelige.

Lektor Rune Nyrup, Institut for Matematik, Aarhus Universitet og professor Ira Assent, Institut for Datalogi, Aarhus Universitet.

4,5 mio. kr.
 

DK-Future vil udvikle nye geografiske maskinlæringsmodeller, kaldet probabilistisk GeoML, designet til at forudsige fremtidige ændringer i arealanvendelse ved at integrere probabilistiske tilgange, der inkorporerer geografiske data og tager højde for usikkerheder i klimaforandringsscenarier. Disse modeller vil udnytte historiske jordobservationsdata og klimafremskrivninger til at forudsige ændringer i arealanvendelse i Danmark under sammensatte klimapåvirkninger. Med sit lavtliggende terræn og lange kystlinje er Danmark særligt sårbart over for klimainducerede ændringer i arealanvendelse, hvilket understreger behovet for forudsigelsesværktøjer, der kan understøtte proaktiv arealforvaltning med de tilhørende usikkerheder. Denne indsats kræver fremskridt inden for probabilistisk modellering af komplekse rumlige og tidslige processer i tæt samspil med de geografiske videnskaber, hvor koncepter som rumlig nærhed og autokorrelation integreres i ML-modeller. Kombinationen af probabilistisk ML (PI1) og dynamikkerne i arealanvendelse og klimaforandringer (PI2) vil åbne nye forskningsmuligheder for modellering af rumlige og tidslige processer og udvide vores forståelse af, hvordan klimaforandringer påvirker arealanvendelse under usikre klimafremskrivninger.  Denne forskning er afgørende for beslutningstagere, da den giver indsigt i ekstreme hændelser og deres sandsynlighed.

Lektor Andres Masegosa, Institut for Datalogi, Aalborg Universitet og professor Jamal Jokar Arsanjani, Institut for Bæredygtighed og Planlægning, Aalborg Universitet.

4,5 mio. kr.

Genetisk udveksling på tværs af artsgrænser er et langt mere almindeligt fænomen, end man tidligere har antaget. Forståelsen af, hvordan forskellige arter er forbundet i forbundne evolutionære netværk er af grundlæggende interesse inden for biologi. De nuværende metoder til at udlede evolutionære relationer er imidlertid baseret på forenklede, forgrenede modeller for arts- og populationsopdeling. Vi foreslår at udvikle en ny type admixture graph modeller for at afdække det evolutionære netværk mellem vilde og domesticerede kvæg, med særlig fokus på at identificere naturlig selektion, der påvirker gener, som har krydset artsgrænser. Dette vil hjælpe os med at forstå grundlæggende aspekter af den evolutionære proces, især artsdannelse. Derudover vil det være af stor værdi for at identificere de typer af gener, der gentagne gange overskrider artsgrænser. De to hovedforskere har omfattende erfaring inden for henholdsvis grafteori og anvendt matematik (PI 1) samt vildtgenetik og biologi (PI 2). Projektet rummer derfor et stort potentiale for at integrere discipliner, der normalt ikke anvendes på de samme forskningsspørgsmål.

Lektor Rasmus Heller, Biologisk Institut, Københavns Universitet og professor Carsten Wiuf, Institut for Matematiske Fag, Københavns Universitet. 

4,5 mio. kr.