Titta

UR Samtiden - Material och teknik i en digital framtid

UR Samtiden - Material och teknik i en digital framtid

Om UR Samtiden - Material och teknik i en digital framtid

Föreläsningar om de senaste rönen och forskningsresultaten inom teknik- och materialutveckling för en digital framtid. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Till första programmet

UR Samtiden - Material och teknik i en digital framtid : Att visualisera framtidenDela
  1. De såg omedelbart
    att det var nåt fel på modellen.

  2. Visualisering är väldigt bra
    för att ta reda på vad som är fel.

  3. En sak som måste förbättras här inne
    är ljussättningen.

  4. Av nån anledning får den folk
    att se äldre ut än sina foton.

  5. Det verkar vara nåt slags ålderseffekt
    på ljussättningen.

  6. Jag kommer från University of Utah
    i Salt Lake City-

  7. -och jag är föreståndare för institutet
    för datavetenskap och visualisering.

  8. Vi kallar oss SCI-institutet.

  9. Här ser ni universitetet. Fotot är taget
    bara några kvarter från mitt hem.

  10. Ni ser Wasatchbergen i bakgrunden.

  11. När jag håller föreläsningar brukar jag
    berätta om vår fantastiska historia-

  12. -på avdelningen för datavetenskap
    vid University of Utah.

  13. Vi har varit avgörande för att skapa
    den moderna datorgrafiken-

  14. -vilket har påverkat världen
    på många fantastiska sätt.

  15. Det här är några av våra nuvarande
    och tidigare anställda.

  16. 1965 fick David Evans
    i uppdrag av universitetets rektor-

  17. -att skapa en ny institution
    för datavetenskap. Det var tidigt.

  18. Den första han anställde
    var Ivan Sutherland-

  19. -som precis hade skapat det första
    systemet för interaktiv datorgrafik-

  20. -som kallades Sketchpad. Senare
    fick Ivan Turing-priset för sitt arbete.

  21. De fick lite pengar av USA:s statliga
    forskningsmyndighet ARPA-

  22. -som tänkte
    att det här nya med datorgrafik-

  23. -kanske kunde bli viktigt nån dag,
    så man borde forska på det.

  24. De rekryterade duktiga doktorander,
    vars produkter ni använder varje dag.

  25. John Warnock var doktorand
    och disputerade hos oss.

  26. Han var med och skapade Postscript
    och grundade Adobe.

  27. Han har precis pensionerats
    som vd för Adobe.

  28. Mitt institut ligger på tre våningar
    i en byggnad uppkallad efter honom-

  29. -som tack för hans generösa bidrag.

  30. En som också disputerade hos oss
    är Ed Catmull.

  31. Han var med och grundade Pixar och
    är vd för Pixar och Disney Animation.

  32. Ni kanske har hört talas om
    den här killen, eller vad han har gjort.

  33. Nolan Bushnell skapade Pong,
    det första datorspelet-

  34. -och grundade Atari, som han sålde
    för några hundra miljoner på 80-talet-

  35. -och sen startade han
    restaurangkedjan Chuck E. Cheese-

  36. -som hade robotar,
    så det är ett genomgående tema.

  37. Han har precis skrivit boken
    "Steve Jobs's Only Boss".

  38. Jobs och Wozniak började med
    att jobba på Atari, för Nolan.

  39. Han berättar att Jobs kom till honom
    med en idé för ett nytt datorföretag-

  40. -och frågade om han ville investera,
    men Nolan tackade nej.

  41. Det var kanske inte ett jättebra beslut.

  42. Det här är Jim Clark, som blev
    professor i datavetenskap vid Stanford.

  43. Han lämnade Stanford
    för att grunda Silicon Graphics, SGI.

  44. Efter det grundade han Netscape,
    det första webbläsarföretaget.

  45. Han hade en fantastisk tajming.

  46. Han sålde Netscape till AOL
    för en miljard dollar.

  47. Han har grundat nätdoktorföretaget
    WebMD och mycket mer.

  48. Jag har lärt känna alla här
    och jag har lärt mig mycket-

  49. -bland annat om hur man skapar
    kollaborativa forskargrupper.

  50. Mitt institut består av
    ungefär 200 människor-

  51. -från olika institutioner:
    datavetenskap, matematik, bioteknik...

  52. Vi arbetar främst inom tre områden:

  53. Vetenskaplig visualisering, biologisk,
    medicinsk och geofysisk bildanalys-

  54. -och vetenskaplig
    och biomedicinsk datavetenskap.

  55. Det här är de nationella
    forskningscentrum som vi styr över.

  56. Hos NIH har vi sen länge ett centrum
    för biomedicinsk datavetenskap-

  57. -som jag höll ett föredrag om i går
    för Anders Ynnermans grupp.

  58. Vi har ett centrum för analys och
    visualisering hos energimyndigheten.

  59. Vi har centrum både hos Nvidia
    och hos Intel, vilket är trevligt.

  60. Vi har ett centrum
    för databaserad geovetenskap-

  61. -och ett centrum
    hos försvarsdepartementet-

  62. -för datorutformade effektiva material.

  63. I gårdagens föredrag pratade jag mest
    om det vi gör på vårt center hos NIH-

  64. -med bildbaserad modellering,
    simulering och visualisering.

  65. Vi tar bilder från medicinska skannrar,
    röntgen eller datortomografer-

  66. -eller från biologiska skannrar,
    mikroskop eller elektronmikroskop-

  67. -som vi sen analyserar
    för att skapa personliga datormodeller-

  68. -eller subjektspecifika modeller av
    människor och deras delar, eller möss.

  69. Sen gör vi funktionella simuleringar,
    till exempel av ortopediska implantat-

  70. -eller för att hitta orsaker
    till epileptiska anfall och så vidare.

  71. Visualisering
    är avgörande i hela processen.

  72. Vi visualiserar bilder, modeller
    och resultat från simuleringar.

  73. Vi är tillräckligt bra för att göra
    skillnad både i labbet och på kliniken-

  74. -och vi skriver våra egna verktyg.
    Nyligen har vi börjat med material.

  75. Vi har ett nytt samarbete-

  76. -där vi använder samma arbetssätt
    för visualisering och simulering-

  77. -för reparation av kolfibermaterial.

  78. Det visar sig, av nån anledning som jag
    inte vet, att Utah är ledande i USA-

  79. -inom kolfibersindustrin, så vi
    samarbetar med några såna företag.

  80. Flygvapnet har en flygbas i Utah,
    och vi finns på universitetet-

  81. -med både SCI och institutioner för
    maskinteknik och materialvetenskap.

  82. Tanken är att de här materialen
    ibland blir skadade.

  83. Kolfibrerna kan få
    olika typer av skador-

  84. -och i stället för att behöva
    byta ut hela kolfibersystemet-

  85. -skulle de vilja kunna reparera dem.

  86. Det vi gör är att vi använder
    högupplösta datortomografer-

  87. -och utifrån de bilderna,
    precis som för de medicinska bilderna-

  88. -så väljer vi ut de delar av fibern
    som är intressanta, som är skadade.

  89. Vi väljer ut dem och kan sen skapa
    datormodeller av just de fibrerna-

  90. -och köra
    storskaliga simuleringar på fibrerna.

  91. Vi tar reda på var skadan finns och hur
    vi skulle kunna reparera materialet-

  92. -och sen kan vi reparera materialet-

  93. -och jämföra med simuleringen
    för att se hur bra vi är.

  94. Samtidigt har vi ett annat projekt,
    med stöd av försvarsdepartementet-

  95. -som är ett centrum
    för datorutformade effektiva material.

  96. Det är ett samarbete
    mellan flera universitet-

  97. -och mellan datavetare och forskare
    i experimentell materiallära.

  98. Tanken är att det har blivit
    så dyrt och komplicerat-

  99. -att skapa nya material-

  100. -att vi vill se om vi är tillräckligt
    bra på att simulera nya material först-

  101. -innan vi faktiskt skapar dem.

  102. Vi har ett tillvägagångssätt
    som bygger på kontinuummodellering-

  103. -där vi gör storskaliga simuleringar
    hela vägen ner på molekylnivå-

  104. -och sen jämför vi det vi gör, först
    med kända material som har skapats-

  105. -och sen går vi vidare med att skapa
    nya material utifrån våra beräkningar.

  106. Nåt som många är intresserade av,
    däribland USA:s försvarsdepartement-

  107. -är lättare, mer kraftfulla batterier.

  108. Alla vill ha lätta,
    kraftfulla batterier.

  109. Problemet är,
    som ni kanske har märkt-

  110. -att om det är litiumjonbatterier,
    och om de värms upp eller trycks ihop-

  111. -med för mycket tryck,
    så kan de börja brinna eller explodera.

  112. Det är inte ett bra resultat.

  113. Folk har försökt komma på
    hur vi kan göra det här säkrare-

  114. -och hur vi kan använda
    nya material eller förändra nuvarande-

  115. -för att skapa
    lättare och kraftfullare batterier.

  116. Kisel är ett väldigt lovande
    lagringsmaterial-

  117. -men det har ett problem som gör-

  118. -att det utvidgas och dras ihop,
    och om det blir tillräckligt varmt-

  119. -kan det utvidgas med 300 procent.

  120. När det utvidgas och förminskas
    försvinner det skyddande lager-

  121. -som finns där,
    och det är det som orsakar problemen.

  122. En tanke som materialforskarna hade
    var att man kanske kan skapa-

  123. -kiselelektroder med nanostrukturer,
    som inte har det här problemet.

  124. Det första vi behövde göra
    var att vi behövde kunna simulera-

  125. -den process
    som kiselanoderna genomgår.

  126. Det vi har gjort här är...

  127. Längst upp ser ni
    en konstruerad nanopelare av kisel-

  128. -och här ser ni hur den ser ut
    efter att den har reagerat med litium.

  129. Det ni ser här till vänster
    är de simuleringar som vi har gjort-

  130. -där vi börjar med exakt samma
    parametrar och storlekar-

  131. -och material
    som i den experimentella versionen-

  132. -och sen kan vi göra noggranna
    uträkningar av resultatet-

  133. -och jämföra dem med verkligheten.

  134. Det här är väldigt spännande. Vi börjar
    bli tillräckligt bra och noggranna-

  135. -i våra simuleringar
    för att kunna arbeta prediktivt-

  136. -och utföra många experiment i datorn-

  137. -innan vi gör dem experimentellt
    i ett laboratorium. Okej.

  138. Ett tema som har gått genom
    väldigt mycket av det som vi har gjort-

  139. -är visualisering och bildanalys.

  140. Tanken är att vi har storskaliga,
    komplexa data från många olika källor-

  141. -experiment, simuleringar-

  142. -och vi vill hitta ett sätt
    att få in alla data i vårt syncentrum-

  143. -för att förstå dem bättre. Då måste vi
    hitta nya sätt att förstå visuellt.

  144. Mer än hälften av vår hjärna
    används för bildbehandling.

  145. Det här verkar vara det bästa sättet
    att förstå stora datamängder-

  146. -men vi måste komma på abstraktioner
    för att förstå alla data bättre.

  147. Det här är exempel på visualiseringar.

  148. Uppe till vänster är den största
    simuleringen av en spiralgalax nånsin-

  149. -som har gjorts av Elena D'Onghia.
    Det är flera terabyte data.

  150. Vi har visualiserat miljarder stjärnor
    med hjälp av parallell strålföljning.

  151. Till höger har vi en av de största
    förbränningssimulationerna nånsin-

  152. -av Jacqueline Chen
    vid Sandia National Laboratories.

  153. Varje steg i simuleringen
    tar upp flera terabyte.

  154. I simuleringar med tusentals steg
    får hon flera petabyte data.

  155. Det är en
    av visualiseringens utmaningar.

  156. Här har vi en magnetkarta över solen.

  157. Nere till vänster har vi också
    en visualisering av strömningsdynamik.

  158. Det är ett sätt att jämföra experiment
    med de senaste teorierna-

  159. -med beräkningar som går
    från ett jämnt till ett turbulent flöde.

  160. Andra exempel är
    ett nytt system för konfokalmikroskopi-

  161. -för biologisk visualisering.

  162. Här har vi eldsvådesimuleringar
    och -visualiseringar-

  163. -och lite ortopedi för att göra
    specialbyggda höft- och knäproteser.

  164. Vi ser allt mer flerdimensionella data
    som inte har en 3D-komponent.

  165. Vi har data från epidemiologi,
    hur sjukdomar sprider sig-

  166. -jämförande genetik
    och molekylärbiologi-

  167. -där tanken är att hitta mönster och
    samband i väldigt stora datamängder.

  168. Jag vill berätta om
    några av våra framgångssagor-

  169. -där vi har skapat nya abstraktioner
    och tekniker för visualisering-

  170. -som har hjälp forskare förstå sina data
    bättre och därmed göra nya upptäckter.

  171. Det här är ett problem
    som två av mina kollegor-

  172. -Ross Whitaker och Valerio Pascucci
    jobbade på med förbränningsforskare-

  173. -för att skapa effektivare bränslen.

  174. Problemet är att man har väldigt
    många olika bränslekomponenter-

  175. -och de försöker förstå
    ett tiodimensionellt rum-

  176. -och vilka kombinationer
    som ger det effektivaste bränslet.

  177. Det visar sig att vi inte är så bra
    på att förstå tiodimensionella rum-

  178. -och inte nio-, åtta-, sju-, sex-, fem-
    eller fyrdimensionella heller.

  179. Vi är ganska bra på tre
    och jättebra på två.

  180. Det här är verkligen en utmaning.

  181. Det forskare har gjort i många år-

  182. -och vad många gör
    med flerdimensionella data-

  183. -är att de tar de tio dimensionerna och
    gör en grupp tvådimensionella grafer.

  184. De försöker se på alla de här tio
    tvådimensionella graferna-

  185. -som alla är en funktion av tiden,
    och tar två eller tre samtidigt-

  186. -för att försöka förstå de fenomen
    eller de mönster som finns.

  187. Det är väldigt svårt.

  188. Mina kollegor skapade en ny
    abstraktion, en ny visualiseringsteknik-

  189. -som får med alla de tio dimensionerna
    i en tredimensionell visualisering.

  190. Så vi har färg, vi har riktning...

  191. Vi har ett litet fält i videon
    som visar tiden...

  192. En sak som man kom fram till
    med hjälp av det här-

  193. -var att man kände till grenarna för
    rent oxidationsmedel och rent bränsle-

  194. -men man kände inte till
    lokal utsläckning.

  195. De upptäckte ny vetenskap
    för att vi kunde hjälpa dem-

  196. -att förstå sina data visuellt.
    Jag ska visa hur det ser ut.

  197. Ni får se hur svårt det är att göra
    de tio tvådimensionella varianterna.

  198. Jag försöker igen...

  199. Det fungerade nyss. Så där.

  200. Så här ser det ut i tre dimensioner.
    Vi har ett litet reglage för tid här.

  201. Sen försöker man
    följa vad som händer här borta.

  202. Ni ser hur svårt det är att titta här-

  203. -men nu kan de tydligt se
    bränslet och oxidationsmedlet-

  204. -och så hittade man den här nya
    grenen för lokal utsläckning.

  205. Det är ganska häftigt.

  206. Sättet att göra det här på-

  207. -bygger på metoder
    som används inom topologi-

  208. -som har applicerats
    på datavetenskap och visualisering-

  209. -och som sen i sin tur
    kan användas för olika tillämpningar.

  210. Är inte topologi den där grenen
    av ren matematik som ingen förstår?

  211. Jo, i allmänhet,
    men det finns vissa som förstår-

  212. -och nyligen har datavetare, särskilt
    de som sysslar med visualisering-

  213. -kunnat göra stora framsteg
    med hjälp av topologiska metoder-

  214. -för dataanalys
    och för att lösa viktiga problem-

  215. -inom vetenskap, teknik och medicin.

  216. En av världens ledande experter
    på ämnet, Ingrid Hotz, sitter där.

  217. Ni har tur. Det är ett nytt och väldigt
    spännande fält inom visualisering.

  218. Vad har det då att göra
    med den här konferensen?

  219. Kan vi använda det här
    till annat än att förstå förbränning?

  220. Ja. Vi har ett nytt samarbete
    med några materialforskare-

  221. -som försöker skapa
    nya kompositmaterial.

  222. Som förbränningsforskarna,
    med flerdimensionella data-

  223. -och många olika
    kombinationer av bränslen-

  224. -så ser det likadant ut
    för materialforskarna.

  225. De har sjudimensionella rum-

  226. -där de har alla olika kombinationer
    av olika material-

  227. -och de försöker komma på
    vilka egenskaper olika material får.

  228. I det här fallet har de
    ett sjudimensionellt rum.

  229. När vi analyserade det
    hittade vi tre områden-

  230. -som verkade kunna ge material
    av hög kvalitet utifrån komponenterna.

  231. Där fanns också
    ett område med låg kvalitet-

  232. -så allt som hamnar
    i den här bubblan bör inte tillverkas.

  233. Nu använder de det här
    för att skapa nya material-

  234. -utifrån den här nya visuella analysen.

  235. Det ger dem ett sätt att utforska
    en väldigt komplicerad designrymd-

  236. -för att kunna fatta bättre beslut-

  237. -om vilka sätt som är bäst-

  238. -när det gäller att uppfylla kriterierna
    för det nya materialet.

  239. Det här och de simuleringar
    jag visade är väldigt spännande.

  240. De använder visualisering
    för att skapa nya material.

  241. Okej, andra tillämpningar.

  242. Det här är Miriah Meyer,
    en ung stjärna inom visualisering.

  243. Hon är expert
    på informationsvisualisering-

  244. -att ta flerdimensionella rum
    och hitta mönster i dem.

  245. Hon gör saker
    lite annorlunda än många andra-

  246. -då hon verkligen går in i labbet
    hos de forskare som hon jobbar med.

  247. Jag ska visa
    hennes samarbeten med biologer.

  248. Det var när hon jobbade
    med biologer vid Harvard-

  249. -på Harvards och MIT:s
    Broad Laboratory i Boston.

  250. Hon åkte dit, intervjuade forskarna,
    läste deras artiklar-

  251. -hon såg på den mjukvara
    och de verktyg som de använde nu-

  252. -frågade dem vad som fungerade,
    och sen skapade hon ett nytt system-

  253. -som hon trodde skulle fungera bättre.

  254. Hon gav det till dem, fick feedback,
    åkte hem och byggde om.

  255. Med snabba prototyper byggde hon
    specifika system för deras problem.

  256. Den traditionella modellen
    är mer en-passar-alla-

  257. -där man måste förändra sina data
    för att få det att fungera.

  258. Det här är specialbyggt
    för dina problem.

  259. Här är fyra olika visualiseringssystem
    för fyra olika problem inom biologin.

  260. De ser helt olika ut.
    Det är inte bara en modell.

  261. En favorit är systemet MizBee.

  262. Hon jobbade
    med några jämförande genetiker-

  263. -som hade en modell för att jämföra
    människors kromosomer-

  264. -i den yttre ringen,
    med andra däggdjur, i den inre ringen.

  265. Det var första gången
    de såg på sina data i Miriahs system.

  266. De tjocka röda och gröna banden här
    är rätt. Allt annat är fel.

  267. De såg omedelbart
    att det var nåt fel på modellen.

  268. Visualisering är väldigt bra
    för att ta reda på vad som är fel.

  269. De gick tillbaka
    och jobbade med sin modell-

  270. -och det här var ett mellansteg.
    De hade ändrat på modellen-

  271. -men de insåg att det var nåt
    grundläggande fel på modellen.

  272. De gick tillbaka igen och använde
    Miriahs verktyg flera timmar om dagen.

  273. Efter flera månader
    kom de fram till en ny modell-

  274. -som kunde bekräftas
    experimentellt och publiceras.

  275. Miriah frågade hur lång tid
    det skulle ha tagit att komma dit-

  276. -utan hennes visualiseringsverktyg,
    och de sa att det aldrig hade gått.

  277. Det är ett bra exempel på två grupper-

  278. -där ingen hade kunnat lösa problemet
    själv, utan bara genom att samarbeta.

  279. Det visar hur viktigt det kan vara
    med bra visualiseringar.

  280. Jag ska visa några bilder.
    Det här är en uppsnabbad...

  281. Interaktion är nyckelordet här. Det här
    visar när Miriahs verktyg används.

  282. Där finns analysverktyg,
    statistik, visualiseringen...

  283. Interaktionen och att man kan gå fram
    och tillbaka i verktygen är det viktiga.

  284. Okej... Vissa av er-

  285. -var smarta nog att gå bort
    till Anders Ynnermans laboratorium-

  286. -på andra sidan gatan,
    till planetariet där borta-

  287. -för att få en första blick
    på ett fantastiskt nytt projekt-

  288. -som Anders har hållit i.
    Det är ett internationellt projekt-

  289. -som får stöd av bland andra NASA,
    och det heter OpenSpace.

  290. Tanken är att man ska få se...

  291. Även om ni inte har varit på Anders
    labb har ni nog på varit på planetarium-

  292. -som kan visa allt mer
    sofistikerade bilder på universum.

  293. Anders och några till kom på tanken-

  294. -att vi kanske börjar bli tillräckligt
    bra på storskalig bildanalys-

  295. -att vi faktiskt skulle kunna visa
    bilder utifrån riktiga data i realtid-

  296. -som även astronomer
    skulle kunna använda för sin forskning.

  297. Det var början
    på OpenSpace-projektet.

  298. Här är OpenSpace-gruppen.
    Ni kanske känner igen det här.

  299. Vi ingår i gruppen, och det här är
    den byggnad där jag har mitt kontor.

  300. Jag har jättefin utsikt.
    NYU ingår i gruppen-

  301. -Haydenplanetariet vid USA:s natur-
    historiska museum samt NASA ingår.

  302. Tanken är att utveckla
    mjukvarusystemet OpenSpace-

  303. -som ska vara helt öppet,
    så att alla forskare kan använda det-

  304. -och vi ska ta alla data
    och simuleringar som NASA har gjort-

  305. -och även från andra ställen,
    som Sloan Digital Sky-

  306. -alla planetariska data, alla data från
    stora teleskop, alla mikrovågsdata-

  307. -och skapa ett ramverk
    som astrofysiker och astronomer-

  308. -kan använda i sin forskning. Vissa
    fick se lite av det här i Anders labb.

  309. Jag ska visa en liten variant.
    Vi har inget planetarium hos oss.

  310. Det här är en version av OpenSpace-

  311. -som körs på ett pekbord,
    som Anders faktiskt utformade.

  312. Jag ska visa
    hur lätt och intuitivt det är.

  313. Det här är Gene Payne som åker
    omkring i solsystemet med fingrarna-

  314. -på den här stora skärmen.
    Man kan svänga runt med händerna.

  315. Nu roterar han bilden.
    Det är väldigt naturligt.

  316. Nu zoomar vi in.
    Det vi ser är realtidsdata.

  317. Ni kommer att se hur vi byter mellan
    olika satelliter när vi zoomar in.

  318. Ni kanske ser en liten tidgrej
    längst upp i vänstra hörnet.

  319. Den visar tiden i minuter,
    sekunder och millisekunder.

  320. Nu går vi ner till University of Utah.
    Nu visas det på vår stora skärmvägg-

  321. -som ger sammanlagt
    41 megapixels upplösning.

  322. Där ser ni Salt Lake City,
    och sen tar Gene bort händerna.

  323. Ni ser vad som händer. Det rör sig.
    Vet ni varför? För att jorden snurrar.

  324. Visst är det häftigt?

  325. Det är ett helt otroligt projekt.

  326. Den som håller i projektet
    sitter där borta. Ni har tur.

  327. Okej.
    Jag ska visa lite mer som vi har gjort.

  328. Ni kan tänka er hur mycket data
    vi hämtar från de satelliterna.

  329. Vi pratade med några astronomer
    hemma på universitetet-

  330. -som har ett nytt projekt som ska
    hämta ner 18 terabyte data om dagen.

  331. Analys och visualisering av stora data-
    mängder medför intressanta problem.

  332. En av mina forskare, Valerio Pascucci-

  333. -har arbetat på en strömnings-
    infrastruktur som kallas VISUS-

  334. -som gör att vi kan strömma och
    analysera väldigt stora datamängder.

  335. Det ni ser här
    och det som jag berättar om-

  336. -är den största interaktiva
    visualiseringen som nånsin har gjorts.

  337. NASA har data från lång tid-

  338. -från klimatsimuleringar
    över många år-

  339. -och en datamängd
    innehåller 3,5 petabyte data.

  340. Vi har ju gigabyte,
    terabyte och petabyte, okej?

  341. Det finns en server hos NASA
    där alla data finns lagrade-

  342. -och vi kunde få ut tio terabyte
    förlagrade data från ett laboratorium.

  343. Tio terabyte förlagrade data.
    Vi hade en annan server i Utah.

  344. Det ni ser här är de första bilderna,
    som blev klara för några veckor sen-

  345. -där vi interagerar med
    och visualiserar alla 3,5 petabyte data.

  346. Vi kommer att behöva det här
    för alla data från OpenSpace-projektet.

  347. Jag satt och jobbade med mina bilder
    när Patrick höll sitt föredrag tidigare-

  348. -och när jag hörde vad han sa
    lade jag till några nya bilder-

  349. -som har att göra med
    data från sensorer-

  350. -och från obemannade luftfarkoster
    som samlar in enorma mängder data.

  351. Valerio har kunnat använda
    sitt strömnings- och analyssystem-

  352. -för att hämta data från
    de här drönarna som flyger omkring-

  353. -göra det parallellt
    och väva ihop alla bilder i realtid-

  354. -och dessutom göra beräkningar
    i realtid. Det är riktigt häftigt.

  355. En tillämpning
    är inom precisionsjordbruk.

  356. Just nu håller de här
    jordbruksindustrierna på med-

  357. -bevattning i stor skala, gödsling
    i stor skala, bekämpning i stor skala-

  358. -när de skulle kunna göra det
    mycket mer precist, om de visste var.

  359. Då kan man skicka upp ett antal billiga
    drönare över sina fält samtidigt-

  360. -och samla in alla data
    och visualisera och analysera dem.

  361. Valerio har ett system
    som gör allt det här-

  362. -som samlar in,
    väver ihop, analyserar och visar data.

  363. Han har precis fått stöd för det här
    från USA:s vetenskapsstiftelse-

  364. -och han har rekryterat 201 bönder -
    det kom en till nyligen-

  365. -som ska ingå i testprogrammet.
    Det har precis bara börjat-

  366. -men man flyger samtidigt
    med drönarna, och ni ska få se-

  367. -hur alla data vävs ihop i realtid.
    Då kör vi...

  368. Tror jag. Så, ja. Vi ser hur
    de olika drönarna flyger runt i realtid-

  369. -och så ska vi väva samman alla data
    parallellt så att vi kan analysera dem.

  370. Det här är
    väldigt spännande och användbart-

  371. -med tanke på alla drönare
    och andra sensorer som finns.

  372. Att kunna göra allt det här i stor skala
    kommer att bli väldigt viktigt. Okej.

  373. En sista sak.

  374. Det här är min egen forskning
    på osäkerhetsvisualiseringar.

  375. Jag brukar alltid fråga när nån senast
    såg ett luftflöde visualiserat i 3D.

  376. Nånsin?

  377. Jag lade märke till det för ett tag sen,
    och jag skrev en artikel-

  378. -som var en uppmaning till alla
    som sysslar med visualisering:

  379. När jag ser på artiklar
    med experimentresultat-

  380. -ser jag luftflödesanalys
    och grafer som visar vad luften gör-

  381. -men i 3D-visualiseringar
    ser jag ingen luftanalys. Varför det?

  382. Är det för att simuleringarna
    är perfekta och inte har nån luft?

  383. Nej, det är för att ingen gör det.

  384. Under de senaste åren
    har jag fått svar på mitt upprop-

  385. -och det har dykt upp
    hundratals projekt och artiklar-

  386. -som har handlat om
    att skapa nya visualiseringstekniker-

  387. -för olika tillämpningar
    och att visualisera luft och osäkerhet-

  388. -för de här stora simuleringarna
    med tre eller fler dimensioner.

  389. Jag vill särskilt visa
    den forskning som mina kollegor-

  390. -professorerna Whitaker och Kirby
    har gjort med sin doktorand Masha.

  391. Det de gjorde var
    att komma på ett sätt att utvidga-

  392. -det traditionella låddiagrammet,
    som är en väldigt användbar-

  393. -tvådimensionell visualisering av luft,
    som John Tukey hittade på på 70-talet.

  394. De skapade låddiagram med fler
    dimensioner - konturlåddiagram.

  395. Det var ett sätt att förstå... Om man
    redan hade ett vanligt låddiagram-

  396. -kunde man nu lägga till dimensioner.
    Det fanns solid matematik bakom.

  397. I sin artikel visade de på
    många olika tillämpningsområden.

  398. Det här är konturlåddiagrammet
    av flödet runt en cylinder.

  399. I artikeln var en av tillämpningarna
    att använda det här-

  400. -för att förstå orkaner bättre.

  401. För några år sen flög USA:s nationella
    center för atmosfärforskning ner dem-

  402. -och lät dem presentera sin metod.

  403. Sen dess har man där experimenterat
    med deras olika låddiagram-

  404. -för att spåra orkaner.

  405. Som ni säkert har hört har vi haft
    ett par enorma orkaner i USA.

  406. Det här är visualiseringen
    av ett krökt låddiagram för Harvey-

  407. -och här har vi det för Irma.

  408. De här ligger
    på myndighetens webbsida-

  409. -men de säger
    att det är experimentella diagram.

  410. De har använt dem och vi tror
    att de snart kommer att gå vidare-

  411. -och använda dem som en av de
    visualiseringar de visar allmänheten.

  412. Det är lite ironiskt att Masha,
    doktoranden som höll i projektet-

  413. -nyligen blev tillförordnad professor
    vid University of Miami.

  414. Hon var här
    och gjorde sina diagram från Miami-

  415. -tills hon insåg att hon behövde
    evakuera staden, vilket hon gjorde.

  416. Det är härligt att jobba med nya saker
    och använda dem för viktiga problem.

  417. Jag vill avsluta med att visa
    våra produktivitetsmaskiner.

  418. Vi har fem espressobryggare,
    om fyra går sönder.

  419. Det här är pingpongbordet i vår foajé.

  420. Där är hissen och här är receptionen.

  421. Vi trodde inte
    att vi skulle använda dem så ofta-

  422. -men det visar sig att pingpong
    är den internationella nördsporten.

  423. Datavetare från hela världen
    spelar pingpong, av nån anledning.

  424. Vi har turneringar och allt möjligt.
    Tack så mycket för att jag fick komma.

  425. Översättning: Peeter S. Randsalu
    www.btistudios.com

Hjälp

Stäng

Skapa klipp

Klippets starttid

Ange tiden som sekunder, mm:ss eller hh:mm:ss.

Klippets sluttid

Ange tiden som sekunder, mm:ss eller hh:mm:ss.Sluttiden behöver vara efter starttiden.

Bädda in ditt klipp:

Bädda in programmet

Du som arbetar som lärare får bädda in program från UR om programmet ska användas för utbildning. Godkänn användarvillkoren för att fortsätta din inbäddning.

tillbaka

Bädda in programmet

tillbaka

Att visualisera framtiden

Produktionsår:
Längd:
Tillgängligt till:

Hur kan vi ta oss an mer komplexa data? Chris R Johnson, forskare i datavetenskap och visualisering vid Universitetet i Utah, USA, menar att visualisering kommer att vara ett av våra viktigaste verktyg för detta. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Ämnen:
Teknik
Ämnesord:
Bildbehandling, Databehandling, Datavisualisering, Datorer, Teknik
Utbildningsnivå:
Högskola

Alla program i UR Samtiden - Material och teknik i en digital framtid

Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

KWA-Stipendiater på Linköpings universitet

Mille Millnert, före detta vice rektor vid Linköpings universitet, berättar om tidigare forskningsprojekt som fått stöd av Knut och Alice Wallenbergs stiftelse. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

Organisk elektronik inspirerad av hud

Elektronisk hud som berättar för dig hur du mår? Enligt Zhenan Bao, professor i kemiteknik vid Stanford University, är detta snart verklighet. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

Organisk elektrooptik

Hur lågt kan man pressa vikten i ett fotovoltaiskt material, det vill säga material som omvandlar ljusenergi från solen till elektrisk energi? Feng Gao och Olle Inganäs, båda forskare i biomolekylär och organisk elektronik vid Linköpings universitet, arbetar bland annat med perovskit som är ett mineral. De berättar att man snart har ett material där en kvadratkilometer väger lika mycket som två vuxna män. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

Bioelektronik och elektroniska växter

Kan bioelektronik förlänga livet? Magnus Berggren, professor i fysik och elektroteknik, och Eleni Stavrinidou, forskare i fysik och elektroteknik, båda vid Linköpings universitet, berättar om hur de arbetar med att få elektronik att kunna kommunicera med nervsystemet. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

Sociala robotar

Kan robotar bli mänsklighetens nya bästa vänner? Nadia Magnenat Thalmann, NTU i Singapore samt Miralab, är en av världens ledande forskare inom utvecklingen av sociala, interagerande robotar. Hon menar att den bild av robotar som förmedlas i underhållningsindustrin är felaktig. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

Robotar som samarbetar

Kan robotar bli lika bra som människor på att arbeta i team? För detta arbetar Patrick Doherty, professor i datavetenskap vid Linköpings universitet, som berättar att han redan har kommit en bra bit på vägen. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

Att visualisera framtiden

Hur kan vi ta oss an mer komplexa data? Chris R Johnson, forskare i datavetenskap och visualisering vid Universitetet i Utah, USA, menar att visualisering kommer att vara ett av våra viktigaste verktyg för detta. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

Biomolekylär programmering med dna

Vilka trender råder inom biotekniken? Professor Richard M Murray från Caltech redogör för vad som är hett just nu. Murray hoppas att man inom tio-femton år kommer att ha framställt genetiskt programmerade celler och maskiner som kan utföra meningsfulla sysslor. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Spelbarhet:
UR Skola
Längd:
TittaUR Samtiden - Material och teknik i en digital framtid

Ljus, materia och volym

Hur skapar man fotorealistiska bilder av syntetiska miljöer? Jonas Unger, forskare i datorgrafik och bildbehandling, och Anders Ynnerman, professor i vetenskaplig visualisering, båda vid Linköpings universitet, berättar om sina arbeten med ljus, materia och volymer. Inspelat den 13 september 2017 på Linköpings universitet. Arrangörer: Knut och Alice Wallenbergs stiftelse, Kungliga Vetenskapsakademien och Linköpings universitet.

Produktionsår:
2017
Utbildningsnivå:
Högskola
Beskrivning
Visa fler

Mer högskola & teknik

Spelbarhet:
UR Skola
Längd
Titta UR Samtiden - Robotdagen 2015

Vems är skulden när en robot gör fel?

Vilka beslut ska robotar programmeras att tas i vilka situationer? Hur ska till exempel en självkörande bil bestämma när det råder en värdkonflikt? Vems är ansvaret? Kan en robot fatta moraliska och etiska beslut? Michael Laakasuo, doktor i filosofi vid Helsingfors universitet och Anders Sandberg, forskare vid Future of Humanity Institute, University of Oxford, diskuterar ämnet. Moderator: Gustaf Arrhenius. Inspelat den 9 oktober 2015 på Clarion Sign Hotell i Stockholm. Arrangörer: Institutet för framtidsstudier, Dagens Arbete och Forskning och framsteg.

Spelbarhet:
UR Skola
Längd
Titta UR Samtiden - Robotdagen 2015

När roboten tar över

Kommer roboten att bli smartare än människan? Hur ska vi agera om en superintelligens tar över jorden? Är det ren science fiction eller ett tänkbart scenario? Anders Sandberg, forskare vid Future of Humanity Institute vid University of Oxford berättar om hur intelligenta robotarna kan bli. Moderatorer: Helle Klein och Patrik Hadenius. Inspelat den 9 oktober 2015 på Clarion Sign Hotell i Stockholm. Arrangörer: Institutet för framtidsstudier, Dagens Arbete och Forskning och framsteg.