Artificiell intelligens och integrerade datorsystem (AIICS)

Artificiell intelligens och integrerade datorsystem är en avdelning vid Institutionen för datavetenskap. Verksamhetens huvudfokus är forskning och undervisning inom artificiell intelligens, dess teoretiska grunder och dess tillämpningar.

Robothunden Spot överlämnar en första hjälpen väska till en knäböjande man

Foto Fredrik Streiffert

Avdelningen har cirka 60 medarbetare och består av fem enheter (forskningslaboratorier):

  • Artificiell intelligens (AILAB)
  • Maskinresonemang (MR)
  • Naturligt språkbehandling (NLP)
  • Resonerande och lärande (ReaL)
  • Teoretisk datalogi (TCSLAB)


För en presentation av varje enhet, se nedan.

Enheten Artificiell intelligens (AILAB)

Forskningen i AILAB är fokuserad på teoretiska och praktiska aspekter relaterade till kunskapsrepresentation, och tekniker för resonemang och slutledning för bearbetning av kunskap som används i både robotsystem och mjukvarusystem.  

Forskargrupper

I AILAB ingår följande tre forskargrupper med fokus på olika ämnen:

  • Kognitiva robotsystem
  • Tillämpad logik
  • Planering och diagnos

Forskningsämnen

Exempel på nuvarande forskningsämnen inom enheten är:

  • Autonoma intelligenta system: Forskningsperspektivet är att autonoma system är mänskligt konstruerade system innehållandes datorer och mjukvara som ger dem förmågor att tolka och förstå sensordata samt att resonera och utföra rationella handlingar i sin omgivning, oberoende av mänsklig inblandning. Graden av oberoende från människor varierar beroende på uppgift och syfte. Så system kan vara mer eller mindre autonoma. Fokuset är på studier och utveckling av hårdvara, mjukvara och algoritmer för autonoma intelligenta system som interagerar med andra agenter och mänskliga operatörer. AILAB har mer än två decenniers erfarenhet av utveckling av luft- och markbundna autonoma robotsystem som använts som demonstrationsplattformar för labbets forskningsresultat.
  • Multi-agent-system: Studier och utveckling av AI-baserad problemlösnings- och styrningsparadigm för system med en agent eller multi-agent-system där aspekter relaterade till interaktion, samarbete, autonomi och distribution är särskilt viktiga.
  • Kognitiva robotsystem: Forskning om kognitiva robotsystem inbegriper studier och utveckling av kognitiva funktioner på en hög nivå, samt testning av sådana funktioner på robotsystem som används för att lösa verkliga problem. Centralt för denna aktivitet är ett effektivt användande av modeller av roboten och dess omgivande miljö, samt att grunda modellerna i den aktuella miljön genom sensorer och system för perception. Logik används ofta som modelleringsspråk för detta.
  • Tilllämpad logik: Forskningen inbegriper studier och användning av logik för att bygga modeller, samt studier och användning av resonemangsmetoder för att använda modellerna i intelligenta artefakter, så som mjukvaruagenter eller robotsystem.
  • Planering och diagnos: Forskning inom automatisk planering inbegriper studier och utveckling av algoritmer för att generera strategier eller sekvenser av handlingar för att uppnå olika mål. Forskning inom automatisk diagnos inbegriper studier och utveckling av algoritmer som använder kausal information om ett system eller ett systems omgivning för att felsöka, ge förklaringar och lösningar för trasiga system eller beteenden som är kognitivt felaktiga.

    AILAB, tidigare Knowledge Processing Laboratory (KPLAB), grundades 1996. Enheten leds av Patrick Doherty, professor. För närvarande (2024) består AILAB av två professorer, två forskningsassistenter och tre forskningsingenjörer, varav en bedriver doktorandstudier

 

Enheten Maskinresonemang (MR)

I vårt forskningslaboratorium utvecklar vi maskiner som kan resonera och agera i komplexa miljöer. Vårt primära forskningsområde är automatiserad planering som vi kompletterar med tekniker från maskininlärning, kombinatorisk optimering och operationsanalys (Operations research).

Forskningsämnen

Våra huvudsakliga forskningsämnen inkluderar:

  • Planeringsteori: Vi bidrar till de teoretiska grunderna i automatiserad planering med studier av komplexiteten i planeringsproblem och algoritmer.
  • Inlärningsplaneringsmodeller (Learning Planning Models): Vi utvecklar algoritmer som extraherar  dynamiken i en observerad miljö för att lära oss komprimerade beskrivningar av planeringsuppgifter.
  • Effektiva planeringsalgoritmer: Vi designar och implementerar skalbara planeringsalgoritmer, huvudsakligen baserade på heuristisk sökning i tillståndsrymden (heuristic state-space search).
  • Generaliserad planering: Vi skapar metoder för att lära oss hur man löser en hel klass av uppgifter effektivt.
  • Planering och förstärkningsinlärning: Vi kombinerar tolkningsbarheten inom planering med flexibiliteten hos förstärkningsinlärning.

Sammanfattningsvis strävar vi efter att skapa AI-system som effektivt löser intrikata sekventiella beslutsfattande problem utifrån solida teoretiska grunder och praktiska algoritmer.

Enheten leds av Jendrik Seipp, universitetslektor.

Enheten Naturligt språk-behandling (NLP)

Vi utvecklar och analyserar datormodeller för mänskligt språk. Vårt arbete sträcker sig från grundforskning om algoritmer och maskininlärning till tillämpad forskning inom språkteknologi och computational social science.

Vårt nuvarande fokus ligger på att analysera och förbättra neurala språkmodeller. Konkret arbetar vi med metoder för att förbättra modellernas effektivitet, pålitlighet och användbarhet för språk med begränsade resurser. Vi har också ett långvarigt intresse i arbete vid skärningspunkten mellan naturligt språk-behandling och teoretisk datavetenskap.
 

Vi deltar i flera nationella och internationella forskningssamarbeten, däribland Wallenberg AI, Autonomous Systems and Software Program (WASP), det EU-finansierade projektet TrustLLM – Demokratisera pålitlig och effektiv teknik för stora språkmodeller för Europa, och Swedish Excellence Centre for Computational Social Science (SweCSS).

Vår undervisningsportfölj omfattar kurser och examensarbeten inom naturligt språk-behandling och text mining på grundläggande, avancerad och forskarutbildningsnivå. 

Enheten leds av Marco Kuhlmann, professor.

 

Enheten Resonerande och lärande (ReaL)

Vi bedriver grundläggande AI-forskning om algoritmer, tekniker och metoder för maskinresonemang, maskininlärning och integration av resonemang och inlärning. Vårt fokus är på AI som är pålitlig, robust och transparent. Utöver teoretiska bidrag tar ReaL itu med högaktuella tekniska och samhälleliga utmaningar med stor inverkan på samhället, och gör framsteg inom praktiskt användbar AI för tillämpningar i relevanta verkliga sammanhang.

Forskningsämnen

Våra forskningsämnen inkluderar:

  • Kombinatorisk tilldelning
  • Generativ AI för tidsserier
  • Stora språkmodeller
  • Resonemang och lärande
  • Förstärkningsinlärning
  • Inkrementellt resonemang och lärande över strömmande data
  • Generering av syntetisk data
  • Effektiva autonoma system

ReaL leder många av AI-aktiviteterna vid Linköpings universitet, inklusive ett av de fyra EU-finansierade nätverken av AI-forskningscenter (TAILOR), EU-projektet TrustLLM som utvecklar pålitliga och faktabaserade stora språkmodeller, och Wallenberg AI and Transformative Technologies Education Development Program (WASP-ED).

Finansiering

Forskningen finansieras av Knut och Alice Wallenberg Stiftelse (KAW), Wallenberg AI, Autonomous Systems and Software Program (WASP), Marcus och Amalia Wallenberg Stiftelse (MAW), WASP Humanities and Society (WASP-HS), Vinnova, Horizon 2020, ELLIIT, Trafikverket, Forskarskolan i datavetenskap (CUGS, LiU), och Zenith (LiU).

Samverkan

ReaL samarbetar med och stödjer aktivt den svenska industrin, statens samtliga nivåer, samt både den privata och offentliga sektorn. ReaL tillhandahåller den bredd och det djup som är nödvändigt för att fullt ut dra nytta av modern, pålitlig AI. Vårt fokus ligger på AI-lösningar för beslutsstöd som inte bara är användbara och tillförlitliga, utan även bevisats vara effektiva i att leverera nytta i verkliga sammanhang.

Vi gör AI praktiskt, pålitligt och verkligt. Vi gör det ReaL.

Enheten leds av Fredrik Heintz, professor.

Enheten Teoretisk datalogi (TCSLAB)

Kontakta oss

Aktuellt vid AIICS

Nyheter och reportage

Omslagsbilden från avhandlingen

Nybliven doktor i Datalogi: Fredrik Präntare

Fredrik Präntare försvarade den 27 maj sin avhandling som utforskar fördelningen av odelbara enheter för att optimera värde, rättvisa och samhällelig välfärd. Nu ser han fram emot att arbeta vidare med de bolag han byggt upp vid sidan av studierna.

Två män längst fram i föreläsningssal tar i hand, den ena med diplom i handen

Utmärkelse till AI-exjobb vid LiU

Swedish Artificial Intelligence Society (SAIS) delar varje år ut ett pris till bästa examensarbete, så kallat exjobb. I år gick priset till Emil Wimans och Ludvig Widéns gemensamma exjobb vid LiU.

Två män på en scen tar i hand och ler mot publiken, den ena håller i papper

Internationellt erkännande till AI-forskare vid LiU

Den europeiska AI-organisationen EurAI, har utsett pris till postdoktor Mattias Tigers avhandling. Han kan vara den första svenska forskaren att få en sådan utmärkelse.

Forskning vid AIICS

Senaste publikationerna

2024

Blai Bonet, Hector Geffner (2024) General Policies, Subgoal Structure, and Planning Width The journal of artificial intelligence research, Vol. 80, s. 475-516 Vidare till DOI
Emil Wiman, Ludvig Widén, Mattias Tiger, Fredrik Heintz (2024) Autonomous 3D Exploration in Large-Scale Environments with Dynamic Obstacles
Dominik Drexler, Jendrik Seipp, Hector Geffner (2024) Expressing and Exploiting Subgoal Structure in Classical Planning Using Sketches The journal of artificial intelligence research, Vol. 80, s. 171-208 Vidare till DOI
Daniel de Leng, Pieter Bonte (2024) Last Night in Sweden: A Vision for Resource-Intelligent Stream Reasoning Proceedings of the 18th ACM International Conference on Distributed and Event-based Systems (DEBS ’24)
Blai Bonet, Dominik Drexler, Hector Geffner (2024) On Policy Reuse: An Expressive Language for Representing and Executing General Policies that Call Other Policies Proceedings of the Thirty-Fourth International Conference on Automated Planning and Scheduling (ICAPS 2024)
Katarina Sperling, Carl-Johan Stenberg, Cormac Mcgrath, Anna Akerfeldt, Fredrik Heintz, Linnéa Stenliden (2024) In search of artificial intelligence (AI) literacy in teacher education: A scoping review COMPUTERS AND EDUCATION OPEN, Vol. 6, Artikel 100169 Vidare till DOI
Jorke de Vlas (2024) On the Parameterized Complexity of the Perfect Phylogeny Problem SOFSEM 2024: THEORY AND PRACTICE OF COMPUTER SCIENCE, s. 169-182 Vidare till DOI
Pieter Bonte, Jean-Paul Calbimonte, Daniel de Leng, Daniele Dell'Aglio, Emanuele Della Valle, Thomas Eiter, Federico Giannini, Fredrik Heintz, Konstantin Schekotihin, Danh Le-Phuoc, Alessandra Mileo, Patrik Schneider, Riccardo Tommasini, Jacopo Urbani, Giacomo Ziffer (2024) Grounding Stream Reasoning Research Transactions on Graph Data and Knowledge (TGDK), Vol. 2, s. 1-47, Artikel 2 Vidare till DOI
Resmi Ramachandranpillai, Md Fahim Sikder, David Bergström, Fredrik Heintz (2024) Bt-GAN: Generating Fair Synthetic Healthdata via Bias-transforming Generative Adversarial Networks The journal of artificial intelligence research, Vol. 79, s. 1313-1341 Vidare till DOI
George Osipov (2024) On Infinite-Domain CSPs Parameterized by Solution Cost

Fler initiativ inom AI vid AIICS, IDA och LiU

Om institutionen