Tillit i en digital värld
Jennifer Ryan utvecklar matematiken bakom säkra prognoser
Bakom varje väderprognos, digital tvilling och avancerad AI-modell finns matematiska beräkningar som försöker beskriva verkligheten. Men alla modeller innehåller osäkerheter. Jennifer Ryan är professor i numerisk analys vid Matematiska institutionen på KTH. Hennes forskning fokuserar på hur osäkerheter i simuleringar och beräkningar kan identifieras och hur modeller kan göras mer tillförlitliga.
– För att kunna lita på resultaten måste vi också förstå hur de har tagits fram och testats, säger Jennifer Ryan, professor i numerisk analys vid Matematiska institutionen på KTH.
AI har gjort datorgenererade svar och prognoser till en del av vardagen. Vi möter dem i allt från chattbotar och bildgeneratorer till avancerade beslutsstöd. Men själva kärnfrågan är betydligt äldre än AI: Hur kan vi avgöra om ett resultat som en dator räknat fram går att lita på? Det är en fråga som forskare inom beräkningsvetenskap har arbetat med i decennier.
Bortom AI: matematiken bakom tillförlitliga resultat
För Jennifer Ryan står just den frågan i centrum för forskningen. Hon utvecklar matematiska metoder som gör datorsimuleringar mer exakta och tillförlitliga. Hennes forskning kan tillämpas inom många olika områden, bland annat inom klimatmodellering, energisystem, strömningslära och flygteknik.
Hennes forskning handlar inte om ett specifikt fenomen eller teknikområde. I stället utvecklar hon de matematiska verktyg som används i allt från klimatmodeller till energisystem och flygteknik.
– Fysiska processer kan beskrivas med matematiska ekvationer och simuleras i datorer. Utmaningen är att minimera felen i beräkningarna och göra förutsägelserna så tillförlitliga som möjligt, förklarar Ryan.
När det gäller traditionella datorsimuleringar finns etablerade metoder för att testa resultaten mot kända lösningar, experiment och verkliga data. Det gör det möjligt att bedöma hur tillförlitliga modellerna är, vilket är en central del av Ryans forskning.
Därför är simuleringar viktiga
Datorsimuleringar används i dag inom forskning, industri och samhällsplanering. De hjälper forskare att förstå komplexa processer, undersöka olika scenarier och analysera vad som kan hända under förändrade förutsättningar. Det kan handla om allt från luftflöden runt ett flygplan till utvecklingen av framtidens energisystem.
Simuleringar gör det också möjligt att testa situationer som skulle vara svåra, dyra eller till och med omöjliga att undersöka i verkligheten. Ryan arbetar just nu i ett projekt tillsammans med Hitachi Energy där en digital tvilling används för att studera fuktdynamiken i stora krafttransformatorer. Målet är att bättre förstå hur fukt påverkar prestandan och livslängden hos kritisk infrastruktur.
– Datorsimuleringar är ett kostnadseffektivt verktyg. De gör det möjligt att testa många olika parametrar och förstå bättre vad som händer i ett system, tillägger hon.
Så testas simuleringarnas tillförlitlighet
En dator kan utföra avancerade beräkningar på mycket kort tid. Men det innebär inte automatiskt att resultaten är korrekta. För att avgöra om en simulering är tillförlitlig krävs flera steg.
Forskarna börjar med att testa sina metoder på problem där svaret redan är känt. Därefter undersöker de om resultaten förbättras när modellen förfinas. Slutligen jämförs simuleringarna med verkligheten genom experiment, observationer och uppmätta data.
– Vi testar mot kända lösningar och bygger gradvis mer komplexa modeller. Därefter validerar vi mot verkliga data och experiment, förklarar Ryan.
Processen hjälper forskarna att förstå både styrkorna och begränsningarna hos en modell. Målet är inte att eliminera all osäkerhet, utan att avgöra hur stor den är och om resultaten är tillräckligt tillförlitliga för det syfte de ska användas till.
Tillit blir allt viktigare
Oavsett om det handlar om framtidens energisystem, klimatanpassning eller AI används modeller i allt större utsträckning för att förstå komplexa problem och stödja beslut. Det gör tilliten till resultaten allt viktigare.
För att forskare, företag, myndigheter och allmänhet ska kunna använda modellerna måste det gå att förstå hur resultaten har tagits fram. Lika viktigt är det att förstå modellernas begränsningar.
Enligt Ryan handlar arbetet därför inte bara om att skapa bättre modeller, utan också om att förstå när de faktiskt går att lita på.
Att förstå osäkerhet
En av de viktigaste insikterna från Ryans forskning är att osäkerhet inte är ett misslyckande. Tvärtom är den en naturlig del av vetenskapen. Alla modeller är förenklingar av verkligheten, och ingen simulering kan ta hänsyn till varje detalj i ett komplext system.
Därför är det viktigt att förstå var osäkerheten kommer ifrån och hur den påverkar resultaten. I takt med att AI, simuleringar och datadrivna modeller får en allt större roll i samhället blir dessa frågor också mer betydelsefulla.
Att förstå osäkerheten är en viktig del av att skapa förtroende för vetenskapliga resultat.
– För att kunna lita på resultaten måste vi också förstå hur de har tagits fram och testats, tillägger hon.
Grunden för framtidens beslut
Kraftfullare datorer gör det möjligt att analysera större och mer komplexa system än någonsin tidigare. Men snabbare datorer räcker inte. Tillförlitliga prognoser kräver fortfarande robust matematik, noggranna beräkningar och metoder som kan verifieras och valideras.
För Ryan handlar forskningen i grunden om att hjälpa människor att fatta bättre beslut med hjälp av modeller och simuleringar.
– Det är viktigt för mig att kunna omsätta all denna analys till något som är användbart i praktiken. Men först måste jag lyssna på vad användarna faktiskt behöver för att lösa sina problem, säger Ryan.
I takt med att användningen av simuleringar, algoritmer och AI fortsätter att öka växer också behovet av att förstå hur tillförlitliga resultaten är. Ryans forskning bidrar till att göra datorbaserade beräkningar mer exakta och ger forskare bättre verktyg för att bedöma osäkerheter i sina modeller.
Modeller används i dag inom allt från klimatforskning och energisystem till industriella processer och ny teknik. För att resultaten ska kunna användas behöver deras styrkor, begränsningar och osäkerheter vara kända.
Text och bild: Jelina Khoo