Projekti CRASHLESS eesmärgiks on radikaalselt uus adaptiivne kihtideülese töökindluse ja enesetervise teadlikkuse tehnoloogia homsete arukate autonoomsete süsteemide ja värkvõrgu jaoks Eestis ja Euroopas. Tänaste küberfüüsikaliste ja süsteemidest koosnevate süsteemide ülikeerukus mitmekordistub üha kasvava heterogeensuse ja tehisintelligentsusel põhineva autonoomsuse tõttu. Autonoomsed robotisüsteemide parved on ukselävel ja nõuavad usaldusväärsuse tagamiseks uudset lähenemist üle kõikide süsteemikihtide. Süsteemide enesetervise teadlikkus ja kohapealne enesetervendamise infrastruktuur on muutumas uute süsteemide ja värkvõrkude turule jõudmise eelduseks ja seda võimaldavaks teguriks. CRASHLESSi toetatav uus süvatehnoloogia pakub inseneridele disainilahendusi ja kohapealset instrumentaariumi tööstuslike süsteemide jaoks ning hõlbustab lõppkokkuvõttes süsteemi kasutajakogemuse põhist tõrgete haldamist. Projektitulemusi valideeritakse koostöös Eesti ettevõtetega.
Erinevate rakutüüpide vaheline suhtlus munasarjas on munaraku küpsemise, ovulatsiooni ja kollaskeha funktsioonide aluseks. Häired rakkudevahelises kommunikatsioonis võivad olla polütsüstiliste munasarjade sündroomi (PCOS) või viljatusravis ebapiisava hormoonstimulatsiooni vastuse põhjustajaks. Käesolev projekt adresseerib rakkudevahelise suhtluse tähtsust inimese munasarjas interdistsiplinaarselt, ühendades teise ja kolmanda põlvkonna ning ühe raku RNA sekveneerimise meetodid (RNA-seq) ja süsteemibioloogilise analüüsi. Koostatakse munasarja granuloosrakkude populatsioone kirjeldav mRNA isovormide kaart, kirjeldatakse rakkude ja follikulaarvedeliku mikroRNA profiilid ning määratakse immuunrakkude osakaal ovulatsioonieelse folliikuli rakkudest. Saadud andmestike ühendamine võimaldab koostada rakkudevahelise suhtluse mudeli selgitamaks, millised signaalirajad on häiritud PCOS ja ebapiisava hormoonstimulatsiooni vastusega patsientide munasarjades.
Koostööprojekti eesmärk on võimaldada usaldusväärset AI riistvara selgitatavate ja efektiivsete süvanärvivõrkude (SNV) abil. Peamise panusena eesmärgi saavutamiseks luuakse projektiga EnTrustED raamistik SNV riistvara disaini analüüsi jaoks, mis järgib uudset disainivoogu. Esiteks pakutakse kavandamise etapis SNV järgi kohandatud lähendamistehnikate (AxC) kombinatsiooni, et suurendada SVN-i ennustusriistvara arvutustõhusust. Raamistik võimaldab simulatsioonipõhist analüüsi, et tuvastada neuronid, mis pole optimeerimiseks otstarbekad ja peavad säilitama oma esialgse täpse arvutamise (ExC), vastasel juhul tuleks lähendamist vähendada. Eesmärk on varustada tehisintellekti riistvara enesetestimismehhanismidega, et tuvastada riistvara rikkeid ja tõrketaluvuse mehhanisme tekkinud veast taastumiseks ja seeläbi AI-algoritmi katkestusteta jätkamiseks. Ühe uuendusena käsitleb see projekt selgitatavat AI-d (XAI) riistvara vaatenurgast. Kavatseme selgitada AxC-d ja seega tagada SNV tehtud otsuste õiget selgitust. Kui oleme garanteerinud riistvara õige käitumise ja oleme AxC-d korrektselt rakendanud, saame SNV implantatsiooni profileerimiseks SVN sisendispetsiifiliste oluliste neuronite tuvastamiseks ohutult käivitada. Projekti eksperimentaalne iseloom ning EC-Lyoni ja TalTechi panuste suur vastastikune sõltuvus muudavad kavandatud visiidid koostöö eesmärkide saavutamiseks hädavajalikuks.