11 KJEMI 4 2024 tekniske måledata oppfører seg relativt pent: Selv om de ser forvirrende ut, og det er mange av dem, styres de nemlig ofte av et begrenset antall uavhengige variasjonsårsaker. Og fra et begrenset antall årsaker følger det et begrenset antall pålitelige variasjonsmønstre i måledataene. De er relativt lett å finne, enten ut fra forkunnskaper eller ut fra matematisk «klang-analyse» (egenverdier) i super-enkel maskinlæring. Men suksessen avhenger av 1) At treningsmaterialet spenner ut de relevante variasjonsårsakene. 2) At målevariablene reagerer litt forskjellig på disse se variasjonsårsakene. 3) At programvaren selv sier fra, automatisk, dersom nye, uventede variasjonsfenomener dukker opp. Kjemometriens alternative maskinlæring er basert på minimalistisk hybridmodellering av mange-kanals måledata. Stordata-kybernetikk kombinerer dette med dynamisk modellering og styring. Her kan man enten starte fra ingenting, eller med en enkel matematisk oppsummering av hva allerede vi forventer å se i måledataene – det være seg kjente stoffers spektra, kjente kinetiske modeller eller kjente fysiske lover (oppsummert via simuleringer). Så bruker man en enkel matematisk teknikk til automatisk oppdagelse og oppsummering av alle klare variasjonsmønstre i måledataene. Etter denne kvantitative modelleringen av de kjente og ukjente mønstrene, etterlates bare abnorme outliere, små ulineariteter og tilfeldig målestøy i dataene. Denne typen maskinlæringen er enkle å beregne og relativt lett å tolke for mennesker, i lys av deres bakgrunnskunnskap. For eksempel, i praktisk spektroskopi gir Beer- Lamberts lov nyttig innsikt, som illustrert tidligere her i Kjemi: Hvorfor mynten ikke lenger forsvinner i trøndernes moderne, sylindriske karsk-kopper [1], hvorfor vi mennesker er den eneste menneskeapen med hvite øyeepler [2] og hvordan man kan omforme grisete spektrale hurtigmålinger fra den Virkelige Verden til overraskende ren, kausal informasjon [3]. Dermed bygger man en to-vegs bro over Mattegapet (figur 1b). Den kan kjemikere, biologer, medisinere, journalister og andre ikke-matematikere/ ikke-statistikere /ikke-informatikere bruke, trygt og effektivt. 2. Hyperspektrale bilder: Eksempel på fremtidens måleteknikker Figur 2 viser to eksempler på komplekse tekniske stordata, i form landskapsanalyse fra fly og fra satellitt (hyperspektral billedanalyse). Variasjon er hovedkilden til naturvitenskapelig og teknisk informasjon. Det kan være variasjon mellom ulike egenskaper, ulike steder og/eller ulike tidspunkter. Hyperspektral video gir variasjon i alle tre domener samtidig. Men pikslenes spektra varierer med en salig blanding av kjemisk absorbansfenomener, fysiske lysspredningsfenomener og tekniske belysningsfenomener. Så utfordringen er å skille disse fenomenene fra hverandre. Spektral skyggefjerning: Figur 2a) viser et forstørret utsnitt av et flyfoto av et norsk landskap tatt med et verdenskjent, norsk hyperspektralt vis/NIR kamera fra Norsk Elektrooptikk NEO AS. Store trær bades i varm kveldssol, men gir lange skygger innover en parkeringsplass. Skygger gir komplikasjoner i standard billedanalyse. Men ikke for kjemometrikere: Siden gulhvit sol og blå himmel har ulike spektra, kan man med vår pragmatiske modellering [4] fjerne det meste av skyggene, som illustrert i figur 2b). Pilen viser at man nå ser diverse kjøretøy parkert i skyggen bak trærne. Denne skyggefjerningen er bare et eksempel på hvordan skitne, overveldende tekniske stordata kan omformes til ren, tolkbar informasjon, med en Figur 2: Hyperspektral fjernmåling modellert med kjemometrisk maskinlæring: Data-fenomikk. a) En romlig, mange-kanals «fenotype»: Utsnitt av et flyfoto med NEOs hyperspektrale HYSPEX kamera, vist i RGB. Skygger fra trær gir kvantifiserings- og tolknings-problemer. b) Etter spektral skyggekorreksjon er det enklere å se kjøretøyene bak trærne (pil). c) Trondheim m/omgivelser avbildet fra et hyperspektralt kamera i NTNUs lille Hypso-1 satellitt. Pila i viser mot Trondheim. d) Samme «fenotype»-landskap, men målt med samme satellitt- kamera, men en annen dag og fra en annen satellitt-vinkel. LANDSMØTE 2024
RkJQdWJsaXNoZXIy MTQ3Mzgy