Diplomi-insinööri Mikko Lehtimäki osoittaa väitöskirjassaan, että tutkittu menetelmä keventää aivosimulaatioiden vaatimaa laskentakuormaa. Samalla se säilyttää enemmän informaatiota kuin nykyiset kiihdytysmenetelmät, ja on tehokas nopeuttamaan eri luokkiin kuuluvia matemaattisia malleja aina synaptisesta plastisuudesta syviin keinotekoisiin neuroverkkoihin.
Neurotieteessä käytetään simulaatiotutkimuksia ymmärtämään, miten erilaiset molekyylit, solut ja soluverkostot aivoissa toimivat yhdessä. Tämän tiedon avulla voidaan suunnitella parempia hoitoja ja lääkkeitä aivosairauksiin. Tietoa voidaan käyttää myös tekoälyn kehittämiseen.
– Nykypäivän simulaatiotutkimuksissa joudutaan tekemään vaikea valinta: luodaanko hyvin yksityiskohtainen malli hermoverkoston pienestä murto-osasta, vai pyritäänkö esittämään anatomia ja toiminta abstraktisti mutta suuremmassa mittakaavassa? Edes nykyisillä supertietokoneilla ei voi saada molempia, Lehtimäki sanoo.
Tutkimuksesta tietoa syvien neuroverkkojen uusiin sovelluksiin
Suuren mittakaavan aivosimulaatioiden luomiseksi tutkijat käyttävät hyvin karkeaa kuvausta hermosoluista. Tällaisten yksinkertaistettujen mallien avulla ei aina päästä näkemään syvälle neuronaalisten ilmiöiden mekanismeihin tai biologiaan. Yksinkertaiset mallit ovat erittäin hyödyllinen työkalu, mutta niillä on rajoituksensa. Mikko Lehtimäen väitöskirjassa ehdotetut menetelmät pureutuvat tähän kysymykseen.
On olemassa menetelmiä, joilla voidaan johtaa approksimaatioita suurille matemaattisille malleille – etenkin jos ne ovat lineaarisia, eli vuorovaikutukset mallissa noudattavat tiettyjä sääntöjä. Neurotieteessä käytetyt matemaattiset mallit eivät tyypillisesti sovi tähän kategoriaan. Tästä syystä tutkielmassa keskitytään monimutkaisiin, epälineaarisiin malleihin, jotka ovat neurotieteessä yleisiä.
– Käytämme mallin asteen redusoinnin (model order reduction) menetelmiä, joilla voi johtaa tiivistettyjä kuvauksia aivotoimintojen epälineaarisesta dynamiikasta. Erittäin mielenkiintoista on se, että simuloituamme redusoitua mallia, voimme silti johtaa approksimaation kaikista alkuperäisen mallin yksityiskohdista, Lehtimäki kertoo.
Väitöskirjassa esitetään tuloksia monenlaisista malleista, joita käytetään erilaisissa aivosimulaatioissa. Malleja redusoimalla voisi tuoda simulaatiotutkimuksiin lisää yksityiskohtia tai laajempaa mittakaavaa, mikä lisää matemaattisesta mallintamisesta saatuja hyötyjä neurotieteen alalla.
Väitöskirja osoittaa myös, että samoja menetelmiä voidaan soveltaa koneoppimisen alalla nopeuttamaan tiettyjä syväoppimisessa käytettyjä neuroverkkoja. Erittäin syvät keinotekoiset neuroverkot ovat laskennallisesti vaativia, eivätkä ne useinkaan sovellu reaaliaikaisiin sovelluksiin arkipäivän laitteissa. Tutkimuksen tulokset ovat siten askel kohti syvien neuroverkkojen tuomista uusiin sovelluksiin.
Väitöskirjatutkimus on tehty kahden tutkimusryhmän yhteistyönä: Tampereen yliopiston Laskennallisen neurotieteen tutkimusryhmän (lääketieteen ja terveysteknologian tiedekunta), jota johtaa dosentti Marja-Leena Linne, sekä Systeemiteorian tutkimusryhmän (informaatioteknologian ja viestinnäntiedekunta), jota johtaa apulaisprofessori Lassi Paunonen. EU:n FET-lippulaiva Human Brain Project (HBP), johon tamperelainen Laskennallisen neurotieteen tutkimusryhmä osallistui, tarjosi väittelijälle mielenkiintoisen ja opettavaisen verkoston, jossa oli mahdollista keskustella väitöskirjan tuloksista ja niiden vaikutuksista neurotieteeseen. Yksi esimerkki on tutkittujen menetelmien integrointi hermoston simulointityökaluihin. HBP:ssä aloitettu neurotieteen infrastruktuurin kehittäminen jatkuu nyt EBRAINS-verkostossa Euroopassa.
Mikko Lehtimäki on laskennallisen biologian ja signaalinkäsittelyn diplomi-insinööri. Hän on Softlandia-yhtiön perustajajäsen. Yhtiö tarjoaa deep-tech-ohjelmistokonsultointia ja Lehtimäki johtaa yhtiön data- ja koneoppimisprojekteja.
Väitöstilaisuus perjantaina 16. kesäkuuta 2023
Diplomi-insinööri Mikko Lehtimäen biolääketieteellisen tekniikan alaan kuuluva väitöskirja Model Order Reduction for Modeling the Brain tarkastetaan julkisesti Tampereen yliopiston lääketieteen ja terveysteknologian tiedekunnassa perjantaina 16.6.2023 klo 13 alkaen, Festia-rakennuksen auditoriossa FA032, (Korkeakoulunkatu 8, Tampere). Vastaväittäjänä toimii tohtori Jennifer S. Goldman, Ernst Strüngmannin Institute for Neuroscience. Kustoksena toimii dosentti Marja-Leena Linne, Tampereen yliopisto.
Seuraa väitöstilaisuutta etäyhteydellä
Mikko Lehtimäki Twitterissä: @mikkolehtimaki ja LinkedInissä.
Kuva: Anni Koskela/Studio Kuje