Ģ��ֱ��

Vastaväittäjänä on apulaisprofessori Milica Todorovic (Turun yliopisto) ja kustoksena professori Hannu Häkkinen Jyväskylän yliopistosta. Väitöstilaisuuden kieli on englanti.

Antti Pihlajamäki kehitti väitöskirjassaan koneoppimiseen pohjautuvia simulaatiomenetelmiä suojatuille metallinanopartikkeleille. Kyseessä on ensimmäinen Jyväskylän yliopiston fysiikan laitokselta valmistuva väitöskirja, jossa keskitytään täysin koneoppimisen hyödyntämiseen nanotieteissä.

Koneoppiminen ja tekoäly ovat olleet monessa yhteydessä esillä viimeisen muutaman vuoden aikana. Niitä kuitenkin ympäröi eräänlainen mystisyys. Käytännössä koneoppimisella tarkoitetaan ohjelmaa, joka mahdollistaa korrelaatioiden löytämisen datasta. Tietokone käy läpi suuret määrät dataa, etsii siitä trendejä ja “oppii” hyödyntämään niitä erilaisissa ongelmissa, kuten kuvien luokittelussa.

Miten koneoppiminen liittyy nanotieteisiin? Jotta tähän kysymykseen voisi vastata, on ensin ymmärrettävä materiaa itseään.

Nanotieteissä materiaa tarkastellaan atomien mittaskaalassa, jossa elektronirakenne määrää atomien väliset vuorovaikutukset. Tämän mittakaavan ilmiöiden mallintamiseen ei klassinen fysiikka riitä, vaan siihen vaaditaan kvanttimekaniikkaa. Vaikka atomien elektronirakenne voidaan laskea, tarkka ratkaisu on mahdollinen vain hyvin yksinkertaisille systeemeille, kuten vedylle. Muussa tapauksessa joudutaan tyytymään erilaisiin approksimaatioihin.

Approksimaatioista huolimatta elektronirakenteen tutkiminen vaatii supertietokoneita, jotta tuloksia saataisiin inhimillisessä ajassa. Tässä vaiheessa koneoppiminen astuu esiin. Koneoppiminen mahdollistaa kvanttimekaanisten laskujen tulosten uudelleen käytön. Data annetaan koneoppimismenetelmälle ja se opetetaan jäljittelemään kvanttimekaanisten laskujen tuloksia. Tämän jälkeen menetelmällä voidaan suorittaa samankaltaisia simulaatioita käsittelemättä elektronirakennetta.

– On uskomatonta kuinka paljon nopeampia simulaatioita voi tehdä opettamalla koneoppimismenetelmän matkimaan kvanttimekaanisia menetelmiä, Antti Pihlajamäki toteaa. – Alkuperäisten tulosten laskemiseen on vaadittu päiviä sadoilla tai jopa tuhansilla prosessoreilla. Yksinkertaisella koneoppimismenetelmällä saan laskettua saman määrän dataa kannettavalla tietokoneella tunneissa.

Käytännössä tämä ei kuitenkaan ole aivan näin helppoa. Menetelmän kehittäminen sekä datan kerääminen ja käsittely vaativat erityistä huolta, jotta voidaan olla varmoja tulosten luotettavuudesta. Laskennallisten seikkojen lisäksi nanomateriaalit tarjoavat yllättäviä haasteita.

– Atomeilla on aina tietty fysikaalinen ja kemiallinen ympäristönsä. Tämän tiedon välittäminen koneoppimismenetelmälle on jo itsessään hyvin mielenkiintoinen tutkimuskohde, korostaa Pihlajamäki.

Väitöskirjassaan Pihlajamäki esittelee, miten näitä menetelmiä voidaan soveltaa ns. suojattujen nanopartikkelien mallintamisessa. Tutkimuksessa on keskitytty ensisijaisesti koneoppimiseen pohjautuvien simulaatiomenetelmien kehitykseen, mutta alan muita sovelluksia on myös huomioitu. Tutkimuksessa on myös analysoitu partikkelien läpäisyelektronimikroskooppikuvia.

– Koneoppimisen viehättävin piirre on sen monimuotoisuus. Samankaltaisia menetelmiä voidaan käyttää hyvin erilaisten ongelmien ratkaisuun, Pihlajamäki kiteyttää.

Tutkimus on toteutettu Jyväskylän yliopiston Nanotiedekeskuksessa. Tutkimusta ovat tukeneet Jenny ja Antti Wihurin rahasto sekä Suomen Akatemia AIPSE-rahoitusohjelman HNPAI-projektin kautta.

Antti Pihlajamäki kirjoitti ylioppilaaksi Kankaanpään Yhteislyseosta 2012 luonnontieteelliseltä linjalta. Filosofian maisteriksi hän valmistui 2018 Jyväskylän yliopiston fysiikan laitokselta.

Väitöskirja on luettavissa JYX-julkaisuarkistossa: 

Väitöstilaisuutta voi seurata salissa FYS1 tai verkkovälitteisesti. Linkki Zoom-webinaariin (suositellaan Zoom-sovellusta tai Google Chrome selainta):