Category: News

Siden 2022 har stipendiat ved OsloMet, Heine Olsson Aabø, undersøkt hvorvidt kvantedatamaskiner kan være nyttige innen helseteknologien, mer spesifikt for å finne optimale behandlinger til en kreftpasient.

Ved behandling av kreftpasienter finnes det mange kombinatoriske muligheter gitt et utvalg av tilgjengelige medisiner. Derfor undersøker han om kvantedatamaskiner kan finne optimale kombinasjoner på en mer effektiv måte enn klassiske datamaskiner.

Trener opp en maskinlæringsmodell

Prosjektet har fire veiledere: UiO-researcher Alvaro Köhn-Luque, OsloMet-professorene Sergiy Denysov og Pedro Lind, og førsteamanuensis ved OsloMet, Hårek Haugerud.

Köhn-Luque lager matematiske modeller av kreft, i dette tilfellet en modell for hvordan en enkelt medisin påvirker veksten av kreftceller i en pasient med beinmargskreft. Aabø har videreutviklet denne modellen for å undersøke hva som skjer når man har mer enn én medisin tilgjengelig som kan brukes i sekvens.

Nå jobber Aabø med å trene opp en maskinlæringsmodell til å behandle de virtuelle pasientene, gjennom det som kalles reinforcement learning (forsterkende læring).

Det er en gren av kunstig intelligens der maskiner finner løsningen på et problem ved å definere den ideelle løsningen innenfor en bestemt kontekst. Deretter lærer maskinen gjennom å få belønning eller straff, som i dette tilfellet er basert på lengden av behandlingen før pasienten enten er kurert eller ikke lenger kan behandles.

Leger er kritiske

Per nå benytter man en prøve-og-feile-metode i kreftbehandling. Da tester man medisiner på pasienten, eller tester et utvalg av medisiner på vevprøver. Det kan ta mye tid.

– For en onkolog er det ikke rett frem hva som er best. Man trenger å gjøre gode valg fort. Da kan dette kanskje brukes som et verktøy, forklarer Aabø.

Likevel har Aabø inntrykk av at mange leger er kritiske til bruk av slike matematiske modeller for å behandle mennesker.

Det er fordi medisiner resulterer i bivirkninger for pasienten, som kan utvikle seg forskjellig på ulike mennesker. Det gjør det også vanskeligere å lage en felles modell, som klarer å fange all nødvendig informasjon.

Kan lette behovet for energi

Aabø peker på flere viktige grunner til forskningen.

På grunn av støy i dagens kvantedatamaskiner, er de ikke gode nok til å kjøre algoritmene som man vet at er nyttige. Derfor ønsker man å finne andre algoritmer som er bedre egnet til dagens maskiner.

I tillegg vil kunstig intelligens i mange tilfeller kreve store mengder energi, fordi det krever mange beregninger. Kvantedatamaskiner er forventet å være mer effektive innen kunstig intelligens, som potensielt kan lette behovet for store datasentre og energien de bruker.

Ikke nødvendigvis bedre

Likevel har man man ofte funnet løsninger på kvantedatamaskiner som ikke er en eksponentiell forbedring fra den klassiske datamaskinen.

– Antallet beregninger som trengs for å løse spesielt vanskelige problemer skalerer ofte eksponentielt med problemstørrelsen, så her ønsker man å finne løsninger på kvantedatamaskiner som har en bedre skalering, forklarer han.

For at det skal ha verdi å benytte kvantedatamaskiner, bør tiden utregningen tar være betydelig mindre enn på en klassisk datamaskin.

Aabø påpeker at det er vanskelig å sammenligne kvantealgoritmer med klassiske motparter.

– En ambisjon med prosjektet mitt har derfor vært å undersøke hvordan man kan sammenligne dem, sier han.

Mye å utforske

Aabø mener at det er store muligheter i Norge for å utvikle ny teknologi, og interesserte seg for dette forskningsfeltet fordi det fremdeles er mye å utforske.

Han studerte fysikk og skrev en master om hvordan kvantedatamaskiner kan brukes til å beregne bølgefunksjonen til små molekyler og atomer. All informasjon om systemet finnes inni denne bølgefunksjonen.

– Og det syntes jeg var veldig gøy, så jeg hadde lyst til å fortsette med det, forteller han.

Nå skal han fortsette å jobbe med forskningsprosjektet til 2026.