Hoppa till huvudinnehåll
RISE logo

Martin Nilsson

Tel +46 70 775 15 74

E-post martin.nilsson@ri.se

Ort Kista

Enhet Datorsystem (102402)

ORCID 0000-0002-7504-0328

Matematisk fysiker, Docent. Min forskning fokuserar på maskininlärning och AI, men jag arbetar ofta multidisciplinärt med bl.a. signalbehandling, mekatronik, robotik, datavetenskap och biofysik. Jag är särskilt intresserad av neurobiofysik och hur hjärnan kan tipsa oss om hur kunskap kan representeras och behandlas på ett effektivt sätt i datorer.

I februari 2021 publicerade jag tillsammans med neurofysiologen Henrik Jörntell från Lunds universitet en artikel i Physical Review E, som beskriver hur signaleringen mellan biologiska neuroner fungerar. Artikeln visar en spektakulär överensstämmelse mellan en ny teoretisk modell och experimentella mätningar, trots att modellen är mekanistisk och endast innehåller det minimala antalet (tre) fria parametrar. Att modellen är mekanistisk innebär att den är byggd på underliggande biofysikaliskt maskineri, och inte på "kurvanpassning". Detta gör att vi kan betrakta modellen som en förklaring av hur signaleringen fungerar i verkligheten.

Genombrottet som gjorde att vi kunde hitta modellen var lösningen på första-passage-problemet som jag publicerade i Journal of Physics A: Mathematical and Theoretical i oktober 2020. Denna artikel handlar om hur man beräknar sannolikheten för att en stokastisk process passerar en given tidsvariabel gräns, och kan direkt tillämpas på neuronen, där den stokastiska processen representerar neuronens interna spänning.

Resultaten i Physical Review E innebär konkret att beteendet hos neuroner är betydligt enklare än man tidigare trott. I slutänden innebär det att det blir lättare att hitta matematiska abstraktioner av neuroner, och att vägen ligger öppen för att hitta abstraktioner av hela ensembler av neuroner, vilket potentiellt kan accelerera maskininlärning och andra AI-tekniker. Detta är viktigt då dagens metoder för maskininlärning kräver oerhört mycket data, medan den mänskliga hjärnan kan uppnå imponerande resultat med avsevärt färre data genom att istället utnyttja dess struktur. Hur detta går till är för närvarande okänt, men artikeln är ett viktigt steg på vägen till att lösa detta problem.

För mer detaljerad information och illustrationer, var god se min privata webbsida.

Se även gärna följande video från ett RISE-seminarium där jag ger en populärvetenskaplig presentation av min forskning: Beyond Deep Learning - What can biology teach us?