Avancerad teknik som bygger på avancerad matematik

Vid årsskiftet 2022-2023 började Adam Andersson i en nyinrättad roll som specialist i teknisk matematik på Saab. Det fanns sedan tidigare specialister inom en rad olika områden, till exempel signalbehandling och målföljning för radar, men också inom Data Science och AI. De senare är områden där Saab för tillfället växer mycket, både genom rekrytering och forskning men även genom förvärv av bolag med stark kompetens inom området.

- Vi har tagit ett steg in i framtiden, kan man säga, och bland annat fått en tydligare riktning mot AI. Det som gör Saab extra intressant för den som vill arbeta med AI är den djupa domänkunskap som byggts inom företaget genom decennier. Det finns en styrka i mötet mellan AI och fysik och statistik, som tillsammans med teknisk spetskompetens blir förmågor som kan hjälpa oss skydda våra samhällen, säger Adam Andersson.

En arbetsplats med spännande dynamik

På Saabs kontor i Göteborg rekryteras kontinuerligt ingenjörer inom AI och maskininlärning. Redan innan man bestämde sig för att inrätta en specialistroll hade verksamheten stärkts upp med flera disputerade matematiker som systemingenjörer. Samtidigt är Saab en arbetsplats där de anställda stannar länge, i genomsnitt 13 år.

- Som nyanställd kommer du till en arbetsplats med ett brett åldersspann, och du får kollegor som varit med sedan 90-talet eller till och med längre. Det är förstås guld värt att kunna ta del av deras erfarenhet och lära av deras kompetens, och åldersblandningen ger också en spännande dynamik nu när vi bygger nästa generation.

Utan en gedigen förståelse för domänen finns det uppenbara risker att misslyckas med AI. Men använd på rätt sätt kan AI skapa unika möjligheter inom områden som sensorautonomi och beslutsstöd.

- När vi ökar användningen av AI och autonoma system är det av yttersta vikt att vi behåller mänsklig kontroll och ser till att systemen är pålitliga och etiska. Det är en viktig del av vårt arbete och något som motiverar mig varje dag.

Som specialist arbetar Adam både med kort och lång tidshorisont. En del utgörs av samverkan med universitet och högskola i olika forskningsprojekt. Samverkan med universitet och högskola är ett av flera verktyg för att stärka kompetens och få nya influenser och insikter. Något annat som Adam brinner för är att stärka användningen av det matematiska språket på arbetsplatsen, både i skrift och taveldiskussioner. Att bli en fullfjädrad systemingenjör med förståelse för domän och teknik i samverkan med annan teknik är en komplex uppgift, och man mognar genom samverkan med andra.

- Det finns gott om radarlitteratur, men den är inte är så precis. Man får läsa väldigt brett, prata med många, experimentera med data och bygga upp en förståelse tills man smält vad det handlar om. Jag vill att när nyanställda kommer så ska det finnas ett matematiskt språk som gör att man inte behöver nöta på det sättet, och vi har redan tagit flera steg i den riktningen.

Hur ser de matematiska utmaningarna ut?

De matematiska utmaningarna inom modern radarteknik är många och varierande. Ett exempel är digitalisering, som påverkar de flesta branscher och sker även inom radarteknik. Moderna radarsystem har mängder av små antennelement som skickar och spelar in reflekterande signaler i alla riktningar. En fulldigital radar har en analog-till-digital omvandlare bakom varje antennelement, så det blir en väldigt stor signal, som ger stora friheter att estimera riktning, hastighet och avstånd till objekt, men också stora utmaningar när data ska bearbetas i realtid. Det krävs sofistikerade statistiska och matematiska metoder för att bearbeta och tolka all data som samlas in.

En annan spännande riktning är adaptivitet i radarsystem, ibland kallat kognitiv radar eller resurshantering. I ett klassiskt system processas information passivt framåt i en kedja från rådata till lägesbild på en operatörsskärm. Med adaptivitet används den uppmätta lägesbilden, eller andra aspekter av radarsvaret såsom statistiken för bakgrundsstörningar, klotter, på ett dynamiskt sätt för att optimera sändningen.

- Föreställ dig en radar som skannar ett område med både hav och land, om man bygger in feedback-loop så att systemet lär sig vad som är vad, så går det att få en tydligare bild av till exempel fartyg på havet eller fordon på land.

Målföljning är ett aktivt forskningsområde, som handlar om hur radarsystem bearbetar data för att skapa en bild av omgivningen utifrån de potentiella mål, så kallade detektioner, som identifierats av radarn. I målföljning kopplas varje detektion till en hypotes, vilket kan leda till en mängd möjliga scenarier.

- För att hitta den mest användbara informationen bland alla hypoteser modellerar man på ett Bayesianskt sätt, med fysikaliska modeller för rörelse och mätning. Genom att sålla bort hypoteser med låg sannolikhet och slå ihop liknande hypoteser hittar man en balans mellan att fokusera på den viktigaste informationen om skarpa mål, samtidigt som man säkerställer att datan kan bearbetas data i realtid.

Adam och hans kollegor forskar kring innovativa metoder för målföljning, och har precis ansökt om medel för en industridoktorand som ska arbeta med en delvis AI-baserad ansats.

• matematik
• AI
• institutionen för matematiska vetenskaper