NRs masterpris: – Det er en ære

Årets masterpris fra Norsk Regnesentral (NR) er delt ut ved Universitetet i Oslo. Prisen går til Kristian Nekstad Maroni for masteroppgaven «Neural Networks: Bridging Convergence Theory, Convex Optimization, and Practical Implementation», levert ved Institutt for matematikk.

En ære å bli lest – og likt

For prisvinneren betyr anerkjennelsen mye.

– Det er virkelig en ære, og det er hyggelig å vite at andre har lest oppgaven min og likt den, sier Maroni.

Norsk Regnesentral rekrutterer hoveddelen av sine forskere fra UiO og NTNU, og prisen er ment å styrke rekrutteringen til matematikk- og informatikkstudiene. Samtidig ønsker NR å stimulere de beste studentene til ekstra faglig innsats. Prisen består av diplom og 40 000 kroner, som eventuelt deles dersom det er flere vinnere.

Når «umulig» viser seg å være mulig

Maronis masteroppgave kombinerer avansert matematisk teori med sentrale problemstillinger i moderne maskinlæring. Kort fortalt har han vist at mange dataprogrammer som bruker kunstig intelligens og nevrale nettverk faktisk finner den beste løsningen til slutt.

Ifølge Lars Holden, som delte ut prisen, er dette mer oppsiktsvekkende enn det kanskje høres ut som:

– Det er litt overraskende, fordi disse programmene har veldig mange ting de må gjette på samtidig, og problemet som skal løses er så stort at man egentlig skulle tro det ikke gikk an å finne den beste løsningen, forklarte Holden under utdelingen.

For å vise at dette likevel er mulig, måtte Maroni ta i bruk avansert matematikk fra flere ulike fagområder, blant annet optimering, stokastiske differensialligninger og funksjonsanalyse.

– Dette er viktig resultat for forståelse av maskinlæring og kunstig intelligens som brukes i veldig mange ulike områder av samfunnet. Derfor mener vi at dette arbeidet fortjener Norsk Regnesentrals masterpris, sa Holden, og fortsatte:

– Jeg spøkte med at vi som bare ser dette på avstand, tenker: «Dette er altfor komplisert – selvfølgelig fungerer det ikke.» Men når Maroni faktisk har vist at det fungerer likevel, ja, da fortjener han rett og slett en pris.

Dyp læring med bredde

Oppgaven ble skrevet under veiledning av Kenneth H. Karlsen og Geir Dahl, og spenner over flere sentrale matematiske fagfelt. Maroni selv forteller at arbeidet vokste underveis:

– Oppgaven utviklet seg mens jeg jobbet med den og endte opp med å få et mye større omfang enn det jeg først hadde forutsett. Jeg er særlig fornøyd med bredden av fagfelt som er inkludert, sier han.

Etter fullført master har Maroni allerede tatt neste steg.

– Nå i høst begynte jeg på PhD-studiet her ved UiO. Jeg skal jobbe videre med maskinlæring, men nå med koblinger til stokastiske partielle differensiallikninger, forteller prisvinneren.

Dyp læring – forklart og utfordret

Maronis masteroppgave kombinerer avansert matematisk teori med sentrale problemstillinger i moderne maskinlæring. Ifølge ham selv var ambisjonen todelt:

– Oppgaven er delvis et forsøk på å beskrive dyplæring på en klar og tydelig måte, men prøver også å vise noen nye resultater med fokus på optimeringsbiten i maskinlæring – altså det å finne nettverksparametere som minimerer tapsfunksjonen, forklarer han.

Utgangspunktet var en interesse for matematisk optimering, men arbeidet utviklet seg raskt.

– Gjennom arbeidet med oppgaven har jeg også utforsket en del andre områder knyttet til maskinlæring, sier Maroni.

Oppgaven er skrevet under veiledning av Kenneth H. Karlsen og Geir Dahl, og spenner over flere sentrale matematiske fagfelt, blant annet stokastiske differensialligninger, optimeringsteori og funksjonsanalyse.

Og prispengene?

– Det har jeg ikke bestemt meg for ennå, men det blir forhåpentligvis noe fornuftig, sier han.

Én ting er uansett sikkert: Masterprisen er i trygge, matematisk sterke hender.

Mer om prisen og liste over tidligere års vinnere