Ikke bare har det vært en viktig grunnpilar i mange teknologiske nyvinninger og vitenskapelig gjennombrudd, man det har også skapt helt nye matematisk forskningsområder, verktøy og teknikker. Datamaskiner har spilt en avgjørende rolle i denne transformasjonen og gjør det mulig for matematikere å behandle og analysere enorme mengder data, samt simulere komplekse systemer, for dermed å legge grunnlaget for nye oppdagelser og innsikter.
SINTEF Digital har over hundre eksperter innen matematikk, informatikk og relaterte fagområder. Vi arbeider både med akademisk forskning for å utvikle nye metoder og anvendt forskning for å kunne levere effektiv og brukervennlig programvare våre kunder kan bruke som beslutningsstøtte. Vi legger stor vekt på å utvikle muliggjørende digitale teknologier, og våre forskere er særdeles dyktige til å utvikle programvare ikke bare gir best mulig svar, men også gjør dette på en så effektiv måte som mulig. Denne tilnærmingen skiller oss fra andre og gjør det mulig for oss å tilby våre kunder de mest avanserte og effektive løsningene for deres behov.
Beskrivelse av verden og menneskeskapte systemer
Matematikk er et universelt språk man bruer for å kvantifisere og forstå den fysiske verdenen. Gjennom fysikkbaserte og/eller datadrevne matematiske modeller kan ingeniører innen alle fagområder forutsi oppførselen til fysiske systemer før de blir bygget. Dette optimaliserer design og sparer verdifulle ressurser. Bruksområdene er mangfoldige og omfattende: Ingeniører bruker matematikk for å designe strukturer som broer og bygninger slik at disse kan motstå naturens krefter, eller for å modellere komplekse naturlige systemer som vann- og luftstrømmer. Innen materialvitenskap brukes matematikk til å forutsi materialers oppførsel under ulike trykk, temperatur, og spenningsforhold. Datasimulering er også et nøkkelverktøy for å samle og tolke data fra måleinstrumenter, noe som gjør det mulig for ingeniører å designe kontrollsystemer som opprettholder stabil og presis drift.
Optimere prosesser og design
Optimering er en avgjørende prosess inne produkt- og teknologiutvikling som innebærer å finne den best mulige løsningen på et problem under et sett med beskrankninger. Det brukes for å utvikle fysiske prosesser eller objekter som oppfyller gitte krav samtidig som kostnader minimeres og/eller effektiviteten maksimeres. Optimering har også mange bruksområder innen logistikk, transport og andre områder som krever planlegging, sekvensering eller oppsett av tidtabeller. I våre daglige liv har mange av oss blitt avhengige av digitale reiseplanleggere som hjelper oss med å finne den korteste eller minst kostbare ruten mellom to steder til fots eller på sykkel, med kollektivtransport eller med bil.
Kontroll av prosesser og maskiner
Reguleringsteknikk (eller kontrollteori) er studiet av hvordan man styrer oppførselen til dynamiske systemer i industrielle prosesser og maskiner. Det er et felt der matematikk og matematiske modeller anvendes for å utforme styringsalgoritmer som gjør at systemer opprettholder stabil og presis drift basert på målinger av prosessen. Reguleringsteknikk har et mangfold av bruksområder, fra utvikling og styring av robotsystemer og droner til optimal styring av kjemiske prosesser.
Bygge forståelse ut fra data
Statistisk analyse er en annen gren av matematikken som benyttes til ulike former for beslutningstaking basert på (målte) data. Dette innebærer å analysere og tolke data, identifisere mønstre, og bygge modeller for å kunne forutsi fremtidige utfall, kvantifisere usikkerheter og treffe informerte beslutninger. Statistiske modeller brukes i simuleringer, optimering og prediksjon av fysiske systemer. Ved å anvende statistiske teknikker kan vi avdekke innsikter fra data som ellers ville vært vanskelig å oppdage, og treffe bedre informerte beslutninger basert på usikre data. Innen kunstig intelligens (KI) benyttes statistiske prinsipper ofte for læring, prediksjon og optimal og spiller derfor en sentral rolle i utvikling og forbedring av KI-systemer, mens der maskinlæring i hovedsak handler om å utvikle datasystemer som kan lære og forbedre ytelsen sin basert på erfaring, fokuserer statistikk tradisjonelt på å forstå data og trekke konklusjoner.
