Ä¢¹½Ö±²¥

FM Joakim Linja tutki väitöskirjassaan koneoppimisen keinojen käyttämistä nanotieteen tutkimuksen edistämisessä. Tutkimus keskittyi 38:n kulta-atomin muodostaman pallomaisen ryppään, eli hybridinanoklusterin laskennalliseen käsittelemiseen. Tutkimuksen sovellusalueet ovat pääosion tieteellisiä, mutta mahdollistava laajentavat tutkittujen mahdollisuuksien kirjoa nanotieteen piirissä.

Nanotieteessä tutkitaan metrin miljardisosan, eli nanometrin, ja sadan nanometrin kokoluokan alueella olevia tapahtumia ja asioita. Koneoppimisessa taas keskitytään tutkimaan ja kehittämään osittain automaattisia, opetettavissa olevia menetelmiä sekä niiden sovellustapoja eri kohteisiin.

– Selkeimpiä nanotieteen käytännön sovelluksia ovat lääketiede, nanolitografia, johon kuuluu muun muassa tietokoneprosessorien valmistus sekä materiaalitiede, johon kuuluu esimerkiksi uusien tietyillä ominaisuuksilla omaavien materiaalien suunnittelu, väitöskirjatutkija Joakim Linja kertoo.

Linjan mukaan koneoppimismenetelmiä voidaan nanotieteen tutkimuksessa hyödyntää esimerkiksi nykyistä nopeampaan uusien nanonrakenteiden etsimiseen tai nykyisten materiaalien paremman tuntemuksen saavuttamiseen.

Linjan väitöskirjatutkimus keskittyi erityisesti kulta ligandikerroksen suojaaman 38:n kulta-atomin pallomaisen ryppään, eli hybridinanoklusterin laskennalliseen käsittelemiseen.

– Klusterin ominaisuudet ovat mielenkiintoisia ja se on monipuolisten kemiallisten ympäristöjen ja atomimääränsä puolesta laskennallisesti haastava käsiteltävä, Linja kertoo.

Väitöstutkimuksessa käsiteltiin pääasiassa kahta etäisyyspohjaista koneoppimismenetelmää, Minimal Learning Machine (MLM) ja Extreme Minimal Learning Machine (EMLM). Etäisyyspohjaisella koneoppimismenetelmällä tarkoitetaan menetelmää, jonka toiminta perustuu havaintojen erilaisuuden määrittämiseen ja hyödyntämiseen.

Väitöskirjassa käsitellään etäisyyspohjaisten menetelmien toimivuutta ja käyttöä fysikaalisen, kvanttimekaniikan sääntöihin perustuvan tiheysfunktionaaliteorian sijaismallina potentiaalienergian määrän ennustamisessa, aineistojoukon ydinsisällön etsimisessä muuttujanvalintamenetelmän rakenneosana sekä tietämyksen tuottamisessa molekyylidynamiikkasimulaatioihin perustuvien aineistojoukkojen kanssa.

– Nanorakenteen potentiaalienergian huolella määrittäminen on laskennallisesti raskasta, mutta tilannetta voidaan helpottaa käyttämällä koneoppimista keventämään raskasta laskua.

Arkielämän silmällä nähtävien asioiden kokoluokassa potentiaalienergialla tarkoitetaan esimerkiksi pöydällä olevaan palloon maan vetovoiman takia kohdistuvan vetovoiman aiheuttamaa potentiaalia. Potentiaalin voidaan sanoa purkautuvan, mikäli pallo putoaa pöydältä.

Tutkimuksen käsittelemässä nanoskaalassa potentiaalienergian käsite on vaikeammin käsiteltävissä oleva, mutta lyhyesti selitettynä sillä voidaan kuvata rakenteiden vakautta. Käyttäen palloesimerkkiä, pöydällä olevalla pallolla on potentiaalia olla olematta pöydällä, mutta lattialla olevalla pallolla ei ole juurikaan potentiaalia olla muuta kuin lattialla oleva pallo.

– Koneoppimiseen perustuvilla työkaluilla voidaan nanotieteessä saavuttaa laajempi tutkittujen mahdollisuuksien kirjo. Tämä taas tarkoittaa potentiaalisesti suurempaa todennäköisyyttä löytää jotain uutta ja kiinnostavaa, Linja summaa.

Joakim Linja valmistui 2010 Porin suomalaisen yhteislyseo lukiosta ja suoritti fysiikan kandidaatin tutkinnon nanotieteiden koulutusohjelmassa Jyväskylän yliopistossa 2014 sekä fysiikan maisterin tutkinnon 2017.

Linja aloitti tutkimusavustajana professori Tommi Kärkkäisen alaisuudessa vuonna 2018 Jyväskylän yliopiston informaatioteknologian tiedekunnassa ja myöhemmin siirtyi väitöskirjatutkijaksi koneoppimisen pariin professori Kärkkäisen alaisuuteen.

Väitöstutkimus suoritettiin osana Suomen Akatemian rahoittamia projekteja HNP-AI ja MLNovCat, jossa kaksi ryhmää, yksi Jyväskylän yliopiston nanotiedekeskuksesta ja toinen informaatioteknologian tiedekunnasta tekivät yhdessä töitä.

FM Joakim Linjan laskennallisen tieteen väitöskirjan "Advancing Nanomaterials Design using Novel Machine Learning Methods" tarkastustilaisuus tarkastustilaisuus järjestetään torstaina 13.4. Yleisö voi seurata väitöstilaisuutta salissa Agora Alfa (Ag B122.1) tai verkkovälitteisesti. Linkki suoraan lähetykseen (Zoom, suositellaan Zoom-sovellusta tai Google Chrome selainta):

Vastaväittäjänä professori Tapio Pahikkala (Turun yliopisto) ja kustoksena professori Tommi Kärkkäinen (Jyväskylän yliopisto). Väitöstilaisuuden kieli on suomi.