Eirik Magnussens doktorgradsarbeid bruker dyp læring for å forstå og tolke infrarød spektroskopiske data på en mer effektiv måte. Det kan gi oss mer informasjon, billigere og raskere.
La oss først se på hva dyp læring er. Dyp læring er en type kunstig intelligens som lærer seg å gjenkjenne mønstre og sammenhenger i store datamengder. I Magnussens tilfelle, har han brukt dyp læring til å behandle infrarød bildebehandlingsdata 1000 ganger raskere enn tidligere metoder.
– Dette betyr at vi kan få ut informasjon fra data som vi tidligere ikke klarte å hente ut, sier Magnussen, som tar en doktorgrad ved Norges miljø- og biovitenskapelige universitet (NMBU).
Han har også lykkes med å utføre noe som kalles kvantitativ mikrospektroskopi. Dette gjør at man kan se hvordan fettsyrer er fordelt i to dimensjoner.
Mer informasjon om celler og vev uten ekstra kostnad
Hovedmålet med Magnussens forskning har vært å bruke kunnskap om elektromagnetisk stråling og hvordan det samhandler med biologiske materialer. Dette kan gi oss mer informasjon fra infrarøde spektra av celler og vev.
– Infrarød spektroskopi er en rask og billig metode som gir oss mye informasjon om prøvene vi studerer, sier Magnussen.
Metoden brukes allerede mye innen forskjellige vitenskapelige disipliner og i industrien. Sakte, men sikkert er metoden også på vei inn i medisinske klinikker som et billig og pålitelig alternativ til tradisjonelle diagnostiseringsmetoder.
Magnussen har kommet opp med en enkel og billig måte å hente ut informasjon fra spektraldata som vi tidligere ikke klarte å få tak i.
– Dette er spesielt interessant fordi det fungerer med data som er samlet inn med vanlige instrumenter. Det betyr at vi plutselig kan få mer informasjon fra tidligere målte spektra uten ekstra kostnad, sier han.
I tillegg kan de korrigere infrarød bildebehandlingsdata som har blitt forvrengt av fysiske spredningseffekter nesten i sanntid. Dette er veldig viktig i medisinske klinikker der rask og pålitelig behandling av data er nødvendig.
Eirik Magnussen forsvarer sin doktorgradsavhandling "Dyp læring-assistert analyse av infrarød mikrospektroskopisk data for forbedret kjemisk og optisk karakterisering" 27. juni 2024. Se disputasoppslaget her.