AI-teknik för en fossilfri framtid

Genom att optimera batteriprestanda och generalisera maskininlärningsmodeller till tidigare outforskade områden tar vi meningsfulla steg mot att minska miljöpåverkan och främja ökad användning av elektriska fordon.

 

Mohammed Ghaith Altarabichi

I EVE-projektet fokuserar forskarna, inklusive Mohammed Ghaith Altarabichi, på att utveckla smarta underhållsstrategier för tunga fordon som bussar. Forskarna använder AI-teknik på kritiska delar av fordonens elsystem för att förbättra deras effektivitet.

– Forskningen bidrar till att främja elektriska mobilitetstjänster, tackla hållbarhetsutmaningar inom transportsektorn och underlätta övergången till fossilfria vägar. Allt detta är inom ramen för det bredare EVE-projektet, säger Mohammed Ghaith Altarabichi.

Förbättrat prediktivt underhåll med avancerade AI-modeller

Mohammed Ghaith Altarabichi har fördjupat sig i Evolutionary Deep Learning (EDL) och Evolutionary Machine Learning (EML) för att skapa AI-modeller som med hög precision kan förutse underhållsbehov. Genom att använda tekniker inom Evolutionary Computation (EC) skapar han modeller som noggrant kan förutsäga underhållsbehov, vilket kan minska risken för driftstopp och säkerställa smidig maskindrift.

– Ett av mina huvudmål har varit att göra EDL- och EML-algoritmer mer praktiska genom att minska beräkningskostnaderna och använda EC-metoder, säger Mohammed Ghaith Altarabichi och fortsätter:

– För att uppnå detta har jag introducerat approximativa modeller för att förbättra vissa delar av designen på djupa neurala nätverk (engelska: deep neural network, DNN) på sätt som inte tidigare har utforskats.

Avslöjar mönster som är avgörande för utveckling

Mohammed Ghaith Altarabichis forskning tar sig an utmaningarna som beräkningarna inom EDL- och EML-algoritmer innebär. Detta resulterar i en betydande förbättring av deras effektivitet samtidigt som de fortsätter att leverera högkvalitativa resultat. Genom att identifiera mönster och egenskaper som är användbara för olika typer av hybridbussar har hans arbete potential att optimera elektromobilitetssystemet.

– Utöver detta sträcker sig mina bidrag in i området för djup neural nätverksdesign, där jag har introducerat en rad evolutionära beräkningsalgoritmer, säger Mohammed Ghaith Altarabichi och fortsätter:

– Jag har gjort en viktig upptäckt genom att hitta liknande mönster i olika inställningar för hybridbussar, även när de har olika konfigurationer och används under olika förhållanden.

Att lägga till slumpmässighet gör att datorer lär sig snabbare

Genom att studera hur slumpmässighet påverkar datoralgoritmer visar Mohammed Ghaith Altarabichis forskning att inkludering av kontrollerad slumpmässighet i djupinlärningssystem kan förbättra effektiviteten och resultatet.

– Min forskning utforskar hur slumpmässighet påverkar datoralgoritmer. Genom att använda approximativa fitnessmodeller, det vill säga förenklade modeller som inkluderar viss slumpmässighet, kan jag få våra EC-algoritmer att fungera mycket snabbare och lösa problem mer effektivt, säger Mohammed Ghaith Altarabichi och fortsätter:

– Den oväntade effektivitetsökningen visar att det kan vara fördelaktigt att inkludera noggrant doserad slumpmässighet i datorernas inlärningsprocess. I min forskning systematiserar och utforskar jag betydelsen av slumpmässighet i designen av djupa neurala nätverk, som används för att identifiera bilder eller förutspå resultat. Här fann jag att beräkningsmodellen hade en stabiliserande effekt på systemen och förbättrade deras prestanda när jag adderade brus, alltså slumpmässighet.

Optimering av batterikapacitet minskar miljöpåverkan

Genom sin forskning hoppas Mohammed Ghaith Altarabichi och hans kollegor inom EVE-projektet att ta itu med utmaningar inom elektriska fordon (EV), med fokus på el- och hybridbussar. De har alltså skapat en algoritm som enkelt anpassar maskininlärningsmodeller till nya situationer genom att upptäcka mönster som är konsekventa över olika inställningar. Denna innovation optimerar användningen av batteriernas kapacitet och förlänger därmed deras livslängd.

– Genom att optimera batteriprestanda och generalisera maskininlärningsmodeller till tidigare outforskade områden tar vi meningsfulla steg mot att minska miljöpåverkan och främja ökad användning av elektriska fordon, säger Mohammed Ghaith Altarabichi.

Han beskriver forskningen som ett resultat av givande samarbeten.

– Att ha arbetat nära Volvo Buses har gett mig ovärderliga insikter. Att också ha etablerat ett partnerskap med University of Manchester, genom professor Julia Handl, samt att ha besökt Storbritannien under min utbildning har varit väldigt berikande för mig, säger Mohammed Ghaith Altarabichi.

Text: ANNA-FRIDA AGARDSON

Toppbild: iSTOCK

Porträttbild: PRIVAT

Om Mohammed Ghaith Altarabichi

Vad är din utbildningsbakgrund?

– Jag har en masterexamen i datavetenskap från Högskolan Kristianstad.

När kom du till Högskolan i Halmstad?

Jag kom till Högskolan i Halmstad 2019.

Varför valde du Högskolan i Halmstad för din forskarutbildning?

– Valet av Högskolan i Halmstad för min forskarutbildning blev starkt påverkat av den lockande möjligheten att samarbeta med professor Slawomir Nowaczyk. Vårt första möte vid Mälardalens universitet gjorde ett djupt intryck på mig.

När och hur började ditt intresse för maskininlärning och AI?

– Mitt intresse för att använda naturinspirerade algoritmer för att förbättra artificiell intelligens började år 2018 när jag först stötte på genetiska algoritmer som användes för att lösa problemet med ”travelling salesman”. Detta väckte mitt intresse och jag började utforska evolutionär beräkning (EC) som en lovande metod för att förbättra maskininlärningens intelligens. Denna nyfikenhet är grunden för mina forskningsintressen och driver mig att utforska potentialen i EC-algoritmer för artificiell intelligens.

Vad är dina planer för framtiden?

– I framtiden planerar jag att fortsätta min akademiska resa genom att bedriva forskning och delta i avancerade studier. Mitt långsiktiga mål är att vara med och påverka och utveckla framtida teknologier som använder AI.

Om disputationen

Disputationen ägde rum den 16 februari.

Avhandlingens titel:
Evolving intelligence: Overcoming challenges for Evolutionary Deep Learning Länk till annan webbplats, öppnas i nytt fönster.

Ordförande för disputationsakten:
Professor Stefan Byttner, Högskolan i Halmstad

Opponent:
Professor, Niklas Lavesson, Blekinge Tekniska Högskola

Ledamöter i betygsnämnden:
Professor, Bing Xue, Victoria University of Wellington
Professor, John McCall, Robert Gordon University
Professor, Richard Allmendinger, The University of Manchester

Handledare:
Professor, Slawomir Nowaczyk, Högskolan i Halmstad

Biträdande handledare:
Lektor Sepideh Pashami och lektor Peyman Mashhadi