Jesús Pineda tilldelas fakultetens avhandlingspris

Hur känns det att få årets pris för bästa avhandling?
– Jag är väldigt tacksam för den här utmärkelsen. Doktorandtiden var en otroligt viktig period för mig, både professionellt och personligt. Jag är särskilt glad över att arbetet, och förhoppningsvis även några av idéerna bakom det, har fått gensvar hos andra. Att få den här utmärkelsen känns både hedrande och uppmuntrande, och jag är verkligen tacksam.

Vad handlar din forskning om?
– De senaste framstegen inom AI har varit anmärkningsvärda, men en stor del av utvecklingen har drivits av mer data, större modeller och mer beräkningsresurser. Min avhandling undersöker hur det tillvägagångssättet fungerar inom mikroskopi, där data varierar mellan experiment och stora annoterade datamängder ofta är svåra att få tillgång till.

Jag undersöker hur modeller kan utformas med inbyggda antaganden, det som AI-forskare kallar induktiva bias. Det kan hjälpa modellerna att lära sig mer effektivt och bättre överföras till nya vetenskapliga sammanhang. Den övergripande frågan är om AI för mikroskopi bara ska utvecklas genom större modeller, eller om de också kan utformas smartare utifrån de vetenskapliga problem vi vill lösa.

Hur kan din forskning komma samhället till nytta?
– Jag tror att den främsta nyttan är att göra avancerad AI mer användbar och tillgänglig inom vetenskaplig forskning. Om AI är beroende av enorma datamängder och mycket stora beräkningsresurser är det i praktiken bara ett fåtal aktörer som kan använda tekniken. Genom att utforma modeller som lär sig mer effektivt och kan generalisera bättre går det att sänka den tröskeln.

Men det finns också en viktig hållbarhetsaspekt. Att träna och köra allt större AI-system kräver betydande mängder energi, vilket har en miljöpåverkan. Jag tycker inte att effektivitet bara ska ses som en teknisk detalj, utan som en del av hur vi definierar framsteg.

För mig ligger värdet i det här arbetet i att bidra till en utveckling mot AI som åstadkommer mer med mindre. Mindre data, färre beräkningar, mindre energi, men fortfarande tillräckligt kraftfull för att ta sig an stora vetenskapliga frågor.

Vad gör du nu?
– I dag arbetar jag vidare med många av de idéer som formade min avhandling, men för dem närmare verkliga problem.

Jag är medgrundare och forskningschef på IFLAI, där vi utvecklar AI inom flera olika sektorer, bland annat livsvetenskaper, medicinteknik, tillverkningsindustri och säkerhet.

Det som är särskilt spännande för mig är att se hur några av principerna bakom min forskning kan tillämpas i väldigt olika industriella sammanhang. Inom industrin är data- och energieffektivitet inte bara teoretiska ambitioner, utan också praktiska begränsningar. Data kan vara dyrt, beräkningsresurserna är inte obegränsade och lösningarna måste vara tillräckligt effektiva för att fungera tillförlitligt i de miljöer där de ska användas.

Motivering

Jesús Pinedas doktorsavhandling, Inductive Biases for Efficient Deep Learning in Microscopy, behandlar en central utmaning inom artificiell intelligens: hur kraftfulla metoder för djupinlärning kan utvecklas utan att vara beroende av allt större datamängder och beräkningsresurser. Med fokus på mikroskopi, där annoterade data ofta är begränsade och heterogena, visar Pineda hur noggrant utformade induktiva bias kan göra AI mer dataeffektiv, beräkningsmässigt tillgänglig, tolkningsbar och vetenskapligt relevant.

Avhandlingen presenterar tre nyskapande metodologiska bidrag. MAGIK tillämpar geometrisk djupinlärning på mikroskopisk rörelse och utnyttjar relationsstrukturen i partikelbanor för att utvinna dynamiska egenskaper ur begränsade datamängder. MIRO utvecklar rekurrenta grafneuronnätverk för lokaliseringsmikroskopi av enskilda molekyler och integrerar klustring, klassificering och analys på flera skalor i ett resurssnålt ramverk som kan lära sig från få exempel. GAUDI utvidgar dessa principer till oövervakad representationsinlärning och skapar tolkningsbara representationer av komplexa system.

En särskild styrka är avhandlingens konceptuella sammanhållning: bidragen bildar en tydlig vetenskaplig progression snarare än fristående studier. Avhandlingen är skriven med exceptionell tydlighet och innehåller effektiva visuella förklaringar som gör avancerade koncept tillgängliga över ämnesgränserna.

Genom sin originalitet, metodologiska innovation, sammanhållning och tydlighet utgör Pinedas avhandling ett framstående bidrag i skärningspunkten mellan AI, mikroskopi och komplexa system och är väl förtjänt av Fakulteten för naturvetenskap och tekniks pris för bästa avhandling 2026.