Tällä viikolla Tiedetuubin Suorana labrasta -twitterhanke on jälleen ulkomailla – tiede kun on hyvin kansainvälistä. Twiittaajana on kasvitautitutkija Petteri Karisto, eli @APKaristo, joka on parhaillaan työssä Zürichissä, Sveitsissä.
Petteri valmistui ylioppilaaksi Lahden yhteiskoulusta vuonna 2010 ja lähti sen jälkeen saman tien opiskelemaan biologiaa Helsingin yliopistossa.
Valmistuttaan kandiksi hän otti työn alle matematiikan, mistä hän valmistui maisteriksi vuonna 2016. Sen jälkeen Petteri lähti perheineen Sveitsiin väitöskirjapaikan perässä ja on edelleen sillä matkalla.
"Teen väitöskirjaa ETH Zürichin kasvitautien tutkimusryhmässä", kertoo Petteri ja täsmentää heti, että ETH (eli Eidgenössische Technische Hochschule Zürich) on luonnontieteisiin ja tekniikkaan keskittyvä vanha ja perinteikäs tutkimuspainotteinen sveitsiläinen yliopisto.
Suomessa sitä ei kenties tunneta laajalti, mutta se on eräs maailman kuuluisimmista teknillisistä yliopistoista – joskin etenkin nykyisin se on levittäytynyt tutkimusaloiltaan aika tavalla perinteistä tekniikkaa laajemmalle.
"Meidän ryhmässämme on hieman yli 20 tutkijaa, joista useimmat tutkii Zymoseptoria tritici -sientä ja sen aiheuttamaa Septoria tritici blotch -tautia".
Suomeksi tämä vehnän pahin tuholainen Euroopassa tunnetaan nimellä harmaalaikku.
"Minä tutkin harmaalaikun epidemiologiaa, eli sen yleisyyteen ja leviämiseen vaikuttavia tekijöitä. Tutkimus yhdistää laajasti erilaisia tekniikoita: peltokokeita, kasvihuonekokeita, labrakokeita ja matemaattista mallinnusta."
Petteri kertoo, että tällä viikolla on luvassa tapaamisia, peltoretki, artikkelin lähettäminen, toisen muokkaaminen ja muutakin, kuten yksinkertaisesti maisemia sekä ulkosuomalaiselämää ETH:ssa ja Zürichissä.
Alla viikon twiitit koosteena:
Uhkakuvien mukaan tekoäly tulee ja korvaa monia ammatteja, mutta näyttää siltä, että taiteilijaksi siitä ei ainakaan vielä ole – ellei tavoitteena ole moderni taide tai renessanssitaulujen parodiat.
Vaikka tämä juttu on kevyt tarina perjantai-iltapäivän iloksi, on takana täysin vakava tutkimus.
GAN, eli generative adversarial networks on hahmontunnistusta ja koneoppimista yhdistävä tekoälyn sovellus, joka on tullut viime aikoina tunnetuksi muun muassa sen käyttämisestä ihmisten kasvojen muuttamisessa videoissa siten, että henkilö näyttää puhuvan jotain aivan muuta kuin puhuu.
Kyse on niin sanotusta ohjaamattomasta oppimisesta, eli siitä, että tekoälyohjelmisto ei tiedä ennalta tietoja, mitä se saa. Se organisoi sille annettua aineistoa, muodostaa siitä erilasia luokkia ja käyttää tietoja hyväkseen.
GANissa on kaksi päällekkäin toimivaa tekoälyalgoritmia, neuroverkkoa, joista yksi tuottaa tuloksia ja toinen koettaa koko ajan haastaa niitä. Näin yhdessä ne tuottavat niin hyvän tuloksen kuin annetusta aineistosta on mahdollista.
Tai siis periaatteessa näin, sillä tutkija Robbie Barrat halusi testata systeemiä alastonkuvien kanssa, ja tulos oli lievästi huvittava.
Barrat syötti neuroverkkojen iloksi tuhansia taideteoksia, joissa oli alastomia ihmisiä, ja katsoi mitä tapahtuu.
"Toinen neuroverkoista tuottaa toiselle neuroverkoista omatekemiään alastonmaalauksia ja koettaa huijata toista neuroverkkoa, joka vertaa niitä tietokannassa oleviin oikeisiin kuviin", selittää Barrat CNETissä olevassa artikkelissa.
"Molemmat saavat koko ajan parempia tuloksia ajan myötä, ja mitä pitempään GANia koulutetaan, sitä realistisempia tulokset ovat."
Joskus kuitekin neuroverkot tuottavat tuloksia, joitka saavat ne jäämään ikään kuin jumiin – maalauksia tekevä neuroverkko onnistuu huijaamaan tietokannan avulla eroja oikeiden ja tekoälyn tuottamien välillä etsivää neuroverkkoa siten, että kumpikaan ei pysty enää haastamaan toista.
Barrat julkaisi muutamia tällaisia teoksia Twitter-tilillään:
Here are some AI generated nude portraits I've been working on
Usually the machine just paints people as blobs of flesh with tendrils and limbs randomly growing out - I think it's really surreal. I wonder if that's how machines see us... pic.twitter.com/tYgzCHGfse
— Robbie Barrat (@DrBeef_) March 27, 2018
Teokset ovat vähän kuin surrealistisia maalauksia muodokkaista naisista.
Alla on muutamia teoksia lisää, ja enemmänkin niitä on Barratin Twitter-tilillä.
A second series of AI generated nude portraits
It's painting with warmer tones and better colours (imo), but still hasn't mastered the human form.
Working on other neural networks to post process these- I have some neat stuff planned with cycleGAN that should be done soon. pic.twitter.com/Ht4zLYhDZ7
— Robbie Barrat (@DrBeef_) April 10, 2018
Some slightly more gruesome portraits from the same series... the dark red bits in between the gaps in skin look oddly like bloodied flesh - there was nothing like that in the training set, though. pic.twitter.com/EJqBidZ1oG
— Robbie Barrat (@DrBeef_) April 10, 2018
Suomessa tekoälyä, kuvantunnistusta ja oppivia systeemejä tutkitaan useissa eri paikoissa. Tiedetuubi kertoi Tampereen teknillisessä yliopistossa tehtävästä työstä tässä jutussa.
Otsikkokuvassa on Robbie Barratin julkaisemia kuvia kuvankäsittelyllä raameihin laitettuna.
Joka vuosi yli seitsemän miljoonaa ihmistä kuolee sydämen rytmihäiriöihin. Mitä aikaisemmin rytmihäiriöt todetaan, sitä paremmin niitä voidaan hoitaa. Jatkuvasti sydäntä tarkkailevat rannekkeet, kellot ja muut laitteet auttavat rytmihäiriöiden aikaisessa tunnistamisessa, mutta ilman rytmiä analysoivaa algoritmia eivät laitteet toimi lainkaan.
Jokaisen sydämen syke on erilainen, ja myös meidän jokaisen pienet poikkeamat normaalista ovat hyvin henkilökohtaisia.
Koneoppimisen menetelmillä voidaan kuitenkin paljastaa terveen sydämen sykkeen pohjalta erilaisia potentiaaliset poikkeamia ja siten tunnistaa rytmihäiriöt heti.
Tampereen teknillisen yliopiston signaalinkäsittelyn tutkijat ovat kehittäneet yhdessä Qatarin yliopiston ja Izmir University of Economicsin tutkijoiden kanssa menetelmän, jolla voidaan havaita jo hyvin varhaiset sydänoireet.
Rytmihäiriöitä on yritetty ennustaa ennenkin, mutta globaalit menetelmät eivät ole osoittautuneet luotettaviksi. Nyt kehitetyn, patentoidun menetelmän tunnistusvarmuus on tällä hetkellä 99,4 prosenttia.
"Terveillä ihmisillä tunnetaan vain heidän normaali sykkeensä. Mistä voidaan tietää, millainen syke on rytmihäiriössä? Tutkimuksessamme selvisi, että terveen sydämen sykkeen pohjalta on koneoppimisen menetelmillä mahdollista generoida kaikki erilaiset potentiaaliset poikkeamat", sanoo professori Serkan Kiranyaz Qatarin yliopistosta.
Hän on tehnyt tutkimusta yhdessä TTY:llä professori Moncef Gabboujin kanssa. Heidän lisäkseen ryhmään kuului myös Izmirin Talousyliopiston Turker Ince.
Tutkijat hyödynsivät työssään aiemmissa ECG-tutkimuksissaan keräämäänsä materiaalia erilaisista sykkeistä ja rytmihäiriöistä.
"Kehittämämme järjestelmä räätälöidään jokaiselle käyttäjälle henkilökohtaisesti", Kiranyaz jatkaa. "Siihen syötetään tiedot terveen ihmisen sydämen sykkeestä sekä sen pohjalta generoidut synteettiset virhelyönnit. Näin järjestelmä opetetaan seuraamaan potilaan sykettä ja havaitsemaan rytmihäiriöt heti sellaisten ilmaantuessa."
Kyse ei ole mistään pikkuasiasta, sillä sydämen rytmihäiriöt ovat yksi yleisimmistä kuolinsyistä maailmassa. Niitä aiheuttavat perinnöllisten syiden lisäksi esimerkiksi korkea verenpaine, diabetes, tupakointi, alkoholi ja stressi. Alkuun rytmihäiriöt ovat usein satunnaisia, mutta voivat muuttua hengenvaaralliseksi myöhemmin.
Professori Moncef Gabbouj TTY:n signaalinkäsittelyn laboratoriosta.
Uusi järjestelmä olisi mahdollista laittaa esimerkiksi nyt käytössä oleviin oman terveydentilan seurantaan käytettäviin rannekkeisiin tai mittareihin.
"Nyt käytössä olevat laitteet saattavat mitata ja seurata sykettä, mutta eivät osaa havaita poikkeamia", toteaa Kiranyaz.
"Käymme tällä hetkellä neuvotteluja eri yritysten kanssa järjestelmän kaupallistamisesta. Kun sopiva yritys on löytynyt, uskon, että järjestelmä saadaan markkinoille hyvinkin nopealla aikataululla."
Käyttäjälle menetelmän käyttö on tutkijoiden suunnitelmien mukaan hyvin yksinkertaista. Omat tiedot ladataan palvelimelle, josta tiedot mahdollisista poikkeamista sykkeessä siirretään kannettavaan laitteeseen. Rytmihäiriön ilmaantuessa käyttäjä saa välittömästi ilmoituksen.
"Tietoja on sitten mahdollista käydä läpi yhdessä lääkärin kanssa", Kiranyaz sanoo.
*
Juttu perustuu Tampereen teknillisen yliopiston tiedotteeseen, jonka on kirjoittanut Sanna Kähkönen.
Heti juttutuokiomme aluksi akatemiaprofessori Matti Lassas haluaa repiä rahaa, mutta tyytyy tavalliseen sanomalehtipaperiin.
Syynä repimisintoon on hänen tämänhetkinen tutkimushankkeensa, missä tutkitaan matematiikan avulla paperia ja pystytään paljastamaan väärät setelit juuri paperin avulla.
"Tutkimme valkoista kohinaa, tai tarkemmin sanottuna satunnaiskentän parametrien estimointia datan avulla", selittää Lassas ja jatkaa selitystä näyttämällä konkreettisesti, mistä on kyse. Hän valaisee paperia edessään laserosoittimella, jolloin valopisteen ympärillä oleva paperi hohtaa sumumaisena pilvenä.
"Tämä sumuuntunut piste on paperin sormenjälki, koska kun jokainen kohinan pikseli muutetaan matemaattiseksi funktioksi ja ne mallinnetaan, on tuloksena jokaiselle paperilaadulle ominainen malli. Paperia voi tutkia myös kohtalaisen tarkasti yksinkertaisesti sitä repimällä, sillä se, miten paperi repeää, kertoo siitä, sen koostumuksesta ja tekotavasta paljon.”
Tämän osoittamiseen Lassas ottaa sanomalehden, ja repii sen sivun hitaasti kahtia.
"Sanomalehtipaperin syyt ovat vain yhteen suuntaan, eli se on hyvin suunnistunutta siksi, että paperi on mennyt paperikoneen läpi ja paperi on varsin erilaista paperikoneen suunnassa ja poikkisuunnassa."
Setelipaperi on hienompaa, eikä siinä ole sanomalehtipaperiin verrattavia syitä. Sen sijaan laservalon avulla valaistaessa siitäkin paljastuu sen oma rakenne. "Siinä näkyy pieniä laikkuja ja myös pienet syyt. Kun niitä analysoidaan matemaattisesti, voidaan päätellä, mistä paperi on peräisin. Paperi, mille setelit painetaan, on erilaista eri maissa ja jopa eri paperikoneissa."
Kyseessä on yksinkertainen ainetta tuhoamaton tutkimus, eli tässä tapauksessa paperia voidaan tutkia hyvinkin tarkasti ilman, että paperia täytyy rikkoa.
"Kiinnostavaa kyllä, muun muassa pörssikurssit noudattavat samanlaisia lakeja kuin paperin kuitujen vaihtelut vaaka- ja pystysuunnassa. Voimme laskea pörssikurssien volatiliteettia samaan tapaan kuin päätellä paperin alkuperää. Tämä matematiikan universaalisuus on kiehtovaa!"
Lassas kertoo aloittaneensa matematiikan opintonsa puhtaan, teoreettisen matematiikan parissa, sillä häntä kiinnostivat ennen kaikkea lukujen ominaisuudet.
"Ajattelin, että mitä vähemmän tekemistä sovellusten kanssa, sitä parempi. Mutta kun törmäsin matematiikan erilaisiin sovelluksiin ja huomasin, että kaikkialla ympärilläni oli hyvin samankaltaista matematiikkaa, niin siirryin askel askeleelta lähemmäksi sovelluksia."
Aivan alussa oli kuitenkin tieteiskirjallisuus, mikä houkutti epäsuorasti Lassaksen matematiikan pariin. Koska scifi-kirjoissa oli paljon fysiikkaa, hän halusi opiskella sitä tarkemmin. Fysiikassa ei kuitenkaan päässyt eteenpäin ilman matematiikkaa, joten tuleva akatemiaprofessori meni kesämökkipaikkakuntansa kunnankirjastoon ja luki sen matematiikan osaston läpi.
"Päätin, että haluan opiskella tätä yliopistossa. Vaikka innostukseni heräsi fysiikan soveltavan matematiikan kautta, imaisi puhdas matematiikka minut siinä määrin mukaansa, että halusin opiskella juuri sitä."
Varsin pian painopiste alkoi kuitenkin siirtyä jälleen sovellusten pariin. Erityisesti Lassas on kiinnostunut niin sanotuista inversio-ongelmista, käänteisongelmista, jotka ovat takana lähes kaikissa hänen tutkimissaan ongelmissa.
"Käänteinen ongelma on sitten nimensä mukaisesti päinvastainen. Se tarkoittaa sitä, että meillä on lopputulos, ja koetamme ymmärtää, miten se on saatu aikaan."
Hyvä esimerkki on maapallon painovoimakenttä. Jos tuntisimme täsmälleen planeettamme rakenteen, olisi mahdollista laskea painovoimalakien avulla, kuinka voimakkaasti Maa vetää meitä puoleensa kussakin paikassa pinnalla. Vetovoimassa on pieniä paikallisia vaihteluita sen mukaan, millainen on maapallon rakenne alapuolella, pinnan alla – erot ovat hyvin pieniä, mutta selvästi mitattavissa.
"Emme kuitenkaan tiedä täsmälleen maapallon rakennetta, mutta voimme mitata ja kartoittaa hyvinkin tarkasti, mikä on vetovoima missäkin kohdassa maapallon pinnalla. Ja näiden havaintojen perustella voimme laskea, millainen maapallon rakenne tuottaisi meille havaitut arvot. Tähän liittyy viime aikoina tehty maanjäristysaaltojen kulkuaikojen analyysi. Tämän avulla voitu päätellä huiman tarkasti Maan ja erityisesti Maan pintakerroksen kolmiulotteinen rakenne."
Nykyaikainen lääketieteellinen kuvantaminen on pitkälti samanlaista. Tietokonetomografiassa otetaan ihmisestä eri puolilta röntgenkuvia ja niiden avulla lasketaan, millainen on ihmisen kolmiulotteinen sisärakenne.
"Olemme tehneet yhteistyötä muun muassa hammaslääkärien kanssa ja onnistuneet kehittämään laskentamalleja, joiden ansiosta suun ja suun alueen hermojen rakenteen yksityiskohdat näkyvät aiempaa paremmin. Näin kuvannus voidaan tehdä vähemmillä röntgenkuvilla ja siten potilaan saama säteilyannos pienenee olennaisesti."
Toinen konkreettinen esimerkki inversio-ongelmamatematiikasta arkikäytössä on ilmakehätutkimus. Eri menetelmin voidaan havaita esimerkiksi ilmassa olevan hiilidioksidin määrä ja jakautuma, ja matematiikan avulla pystytään paljastamaan hiilidioksidin lähteet ja nielut: missä hiilidioksidia syntyy ja missä sitä absorboituu pois.
Lisää esimerkkejä tutkimusaloista, joissa saadaan tietoa epäsuorasti tai havainnot ovat epätäydellisiä, on vaikka kuinka. Lassaksen tutkimusryhmä on muun muassa auttanut malminetsijöitä, vesivarojen kartoittajia ja kosmologeja työssään.
"Taustasäteilyn tutkimus on todella kiinnostavaa ja minulle se on vähän paluuta tieteiskirjallisuuden pariin. Voimme nimittäin saada taivaan taustasäteilyssä olevista pienistä vaihteluista tietoa siitä, millaisia rakenteita oli varhaisessa maailmankaikkeudessa. Vielä jokin aika sitten kosmologien mukaan syntymässä olleessa maailmankaikkeudessa olisi ollut valtavia kosmisia säikeitä, mutta niitä ei vain ole löytynyt. Matematiikan avulla voidaan siis laskea, mikä näkyy – ja mikä tärkeämpää, sitä mikä ei näy."
Nyt Lassas on siirtynyt taustasäteilystä gravitaatioaaltoihin. Ne ovat kuin kosmisen mittakaavan maanjäristysaaltoja ja niissä on paljon mahdollisuuksia inversio-ongelmien käyttöön.
Lassas on mukana Suomen Akatemian huippuyksikkö-statuksen saaneessa inversio-ongelmien tutkimusryhmässä, jonka jäsenet ovat jakautuneet kuuteen yliopistoon ympäri Suomen. Ryhmässä on nykyisin noin 80 jäsentä.
“Tämä verkosto on rakentunut vähitellen”, Lassas kertoo. “Lähtökohtana ovat olleet eri tutkijoiden väliset ystävyyssuhteet, ja kun yksi on saanut professuurin jossain yliopistossa, niin siitä paikasta on tullut kumppani.”
Lassaksen mukaan ryhmän vahvuus on siinä, että mukana on tutkijoita erittäin laajalla rintamalla puhtaasta matematiikan tutkimuksesta sovellusten siirtämiseen start-up-yrityksiin. Yleensä teoreettisen tiedon siirtyminen sovelluksiin kestää vuosikymmeniä, mutta nyt tutkimus saadaan arkikäyttöön hyvin nopeasti.
“Hyvä esimerkki tästä on yhtiö, jonka jatko-opiskelijamme pistivät pystyyn. Se mittaa putkistoissa kulkevia nesteitä kehittämämme matemaattisen kuvantamisalgoritmin avulla. Kuvantamismenetelmien avulla voidaan havaita maakaasuputken sisälle muodostuvia kiteitä. Pahimmassa tapauksessa ne saattavat tukkia putken, jolloin tuloksena on paitsi katko maakaasun toimituksessa, niin myös kallis remontti. Nyt ongelmat voidaan havaita ennalta ja edullisesti putkea avaamatta ja putki voidaan huoltaa ajoissa.”
Kenties kuuluisin – ja myös huikein – tutkimusryhmän hanke on näkymättömyysviitan tekeminen. Tällä viivataan Harry Potterin taikaviittaan, jolla hän pystyy muuttumaan näkymättömäksi. Yllättäen sellainen ei ole enää pelkkää satua.
“Kyse oli aluksi ihan pelkistä pintojen geometrioista. Sen jälkeen asia vain johti toiseen ja lopulta huomasimme tutkivamme näkymättömyyttä.”
Lassas selittää, että kyseessä oli abstrakti ongelma, missä tutkittiin valonsäteen kulkua matemaattisen pinnan, esimerkiksi hyperboloidin reunalta toiselle. Tavoitteena oli ymmärtää, miten yhdeltä reunalta voitaisiin tehdä pintaa pitkin sähkömagneettisen aaltojen avulla mittauksia siitä, miltä toinen puoli näyttää. Tai kuten Lassas sanoo, “Halusimme tietää, onko pinnan topologiassa reikää.”
Lassas oli menossa esitelmöimään lääketieteellisestä kuvantamisesta Yhdysvalloissa pidettyyn konferenssiin, jolloin hän keksi selittää kuvantamismenetelmiään näkymättömyysesimerkin avulla. Siinä oli kaksi kappaletta, yksi tasa-aineinen ja toinen sellainen, jonka sisälle oli kätketty esine ja joka oli vuorattu teoreettisella pinnoituksella, joka hämäsi näkymistä.
“Teimme erilaisia laskelmia, mutta emme valitettavasti puhuneet tekemisistämme materiaalitutkijoiden kanssa. Emme olleet tulleet ajatelleeksikaan, että he olivat jo tutkineet metamateriaaleja, jolla asia voidaan toteuttaa käytännössä. Muutamien vuosien jälkeen huomasimme, että uusien materiaalien, niin kutsuttujen metamateriaalien, tutkijat eri puolilla maailmaa ehdottivat näkymättömyysviitan tekemistä valolle käyttämällä täsmälleen samoja kaavoja, joita olimme itse hahmotelleet!”
Metamateriaaleissa niiden geometria on tärkeämpää kuin niiden materiaali. On siis sama, onko ne tehty puusta tai pellistä, raudasta tai hiilikuidusta, kunhan vain materiaali käyttäytyy eksoottisesti. Materiaalit voivat olla mekaanisia tai sähköisiä, ja ne voivat saada aikaan valolla (ja muulla sähkömagneettisella säteilyllä) varsin omituisia ilmiöitä: esimerkiksi valo voi taittua ihan toiseen suuntaan kuin odotettaisiin. Veden ja ilman rajapinnassa valo heijastuu ja taittuu, mutta metamateriaalia ja jotain tiettyä valon aallonpituutta käyttämällä voi saada aikaan sen, että valo seuraa kappaleen pintaa samaan tapaan, kuin vesi virtaa joessa olevan kiven ympäri. Valo siis palaa kappaleen ohitettuaan alkuperäiselle reitilleen.
“Jos tämän saisi toimimaan suuressa mittakaavassa ja laajalla taajuuskaistalla, niin se toimisi kuin Harry Potterin näkymättömyysviitta. Toistaiseksi on tosin onnistuttu kätkemään vain noin mikrometrin kokoisia kappaleita, eli viitat ovat vielä aika pieniä ja toimivat vain yhdellä aallonpituudella.”
Ensimmäisenä näkymättömyyttä voitaisiin käyttää esimerkiksi skannausmikroskoopeissa, joissa mikroskoopin äärimmäisen pientä kärkeä kannattavat tuet voitaisiin päällystää käytetyn aallonpituuden alueella “näkymättömäksi” muuttavalla aineella. Samoin tutka-antenneissa, jotka nekin toimivat vain tarkasti määrätyillä aallonpituuksilla, voitaisiin antennin kuvakentässä olevat tuet muuttaa näkymättömiksi. Kummassakin tapauksessa havainnot parantuisivat olennaisesti.
Haastattelun kuluessa Lassas pudottelee tutkimuksensa sovelluksia niin innokkaasti, että niitä on vaikea kirjata ylös.
Lassas kertoo niistä innostuneesti, ja toteaakin sen, mikä näkyy päälle: “Tämä on hirveän jännittävää! Yksi asia johtaa toiseen ja tämä saattaa näyttää etenkin näin jälkikäteen katsottuna vain ajautumiselta. Etukäteen ei voi tietää, missä kaikessa kehittämäämme matematiikkaa voi käyttää.”
“Olennaista on se, että meidän pitää olla yhteistyössä muiden alojen tutkijoiden kanssa. Emme saa istua vain kammioissamme, vaan meidän matemaatikkojen pitää mennä tapaamaan muita ihmisiä, kuunnella heitä ja soveltaa tutkimustamme heidän tarpeisiinsa.”
Näkymättömyys on tästä hyvä esimerkki. Lisäksi se on erinomainen esimerkki siitä, miten näennäisesti täysin hyödytön tutkimus tuottaa mullistavia sovelluksia.
Kun Lassas katsoo kymmenen vuoden päähän, niin hän näkee siellä kaikkein kiinnostavimpana uutena alana niin sanotun hybridikuvantamisen. Siinä yhdistetään kaksi erilaista kuvantamistapaa, esimerkiksi sähköinen kuvantaminen ja magneettikuvaus, jolloin saadaan enemmän ja parempaa tietoa.
“Ja sitten on fotoakustinen kuvantaminen! Ihmisen sisälle voidaan lähettää voimakas valopulssi, joka lämmittää hieman ihmisen kehoa, ja tämä pieni, nopea lämpeneminen laajentaa ainetta ja laajentuminen synnyttää ääntä. Koska valo ei mene kovin syvälle ihmiseen, käytetään tätä nyt lähellä ihoa olevassa tutkimuksessa, muun muassa ihosyövän kuvantamisessa.”
“Kun valo korvataan ultraäänellä, saadaan elastografinen kuvantamismenetelmä. Ihmisten sisustaa on vaikea puristaa kasaan siten, että tilavuutemme muuttuu, mutta olemme vastavuoroisesti hyvin vääntyviä ja joustavia. Tämän takia kudoksissamme etenee kaksi eri nopeudella kulkevaa elastista aaltoa, joita voidaan yhdessä käyttää kuvantamisessa: toinen aalto) suunnataan sisällemme kiinnostavaan paikkaan ja ne synnyttävät toisenlaisia aaltoja, joita havaitaan.”
Aaltojen käyttäytymistä voidaan laskea suhteellisuusteorian kaavoilla, joilla esimerkiksi hahmotetaan sähkömagneettisten aaltojen ja gravitaatioaaltojen vuorovaikutusta.
Ei ole mikään ihme, että Lassaksen mielessä asia on myös saanut toisen, aivan erilaiselta tuntuvan, mutta matemaattisesti samankaltainen ajatuksen. Hän miettii, miten havaitsija, joka putoaa avaruudessa vapaasti ja joka lähettää aaltoja ympäriinsä, voi muodostaa kuvan ympärillään olevasta avaruusajasta ja sen rakenteista – vai pystytäänkö siihen lainkaan?
“Artikkelimme tästä on tällä hetkellä viimeisteltävänä ja sen vastaus on, että pystyy. Tämä on sellainen nimenomaan matematiikkaan perustuva kysymys, joka oli henkilökohtaisesti kauhean tärkeä. Ja kuten niin monasti ennenkin, tälle siis löytyi heti käytännön sovelluksia!”
Juttu ja video on julkaistu Suomen akatemian nettisivuilla ja ne uudelleenjulkaistaan Tiedetuubissa luvalla. Tekijänä on Tiedetuubin Jari Mäkinen.
Kvanttikenttiä ja todennäköisyysteoriaa tutkiva Antti Kupiainen on saanut Euroopan tutkimusrahastolta tutkimusryhmälleen mittavan rahoituksen. Ryhmä soveltaa teoreettisessa fysiikassa kehitettyjä menetelmiä stokastisten ilmiöiden matemaattisiin malleihin.
Tiedetuubi esitteli Kupiaisen ja hänen tutkimustaan syksyllä tällä videolla.
Kuten Kupiainen selittää videolla, ovat hänen tutkimusaiheinaan monet luonnossakin nähtävät kaottiset ilmiöt, kuten esimerkiksi virtaavan veden turbulenssi ja salamaniskut.
Yksinkertaisilta ja kauniilta näyttävät ilmiöt ovat itse asiassa hyvin monimutkaisia.
Kvanttikenttäteoria syntyi viime vuosisadan puolivälissä kuvaamaan alkeishiukkasten vuorovaikutuksia. Se on nykyisin hiukkasfysiikassa käytettävä “kaiken teoria”, joka kuvaa esimerkiksi elektroneja, kvarkkeja ja fotoneita.
Sittemmin kvanttikenttäteoriasta on tullut työkalu mitä erilaisimpien monimutkaisten ilmiöiden tutkimiseen; sellaisia ovat aineiden olomuodon muutokset tai nesteiden ja kaasujen turbulenssi.
Luonnon monimutkaisilla ilmiöillä on kaksi tärkeää yhteistä piirrettä.
"Ne ovat universaaleja, ja ne toistuvat samankaltaisina kaikissa mittakaavoissa", Kupiainen sanoo.
"Esimerkiksi turbulenssin lait ovat samat vedelle, ilmalle ja elohopealle."
Näiden kahden ominaisuuden selittämiseksi kehitettiin renormalisaatioteoria, joka kuvaa matemaattisesti sitä, miten systeemin lainalaisuudet muuttuvat, kun siirrymme mittakaavasta toiseen.
"Renormalisaatio on ERC-projektini keskeinen matemaattinen työkalu", toteaa Kupiainen.
Kupiainen soveltaa renormalisaatioteoriaa epälineaaristen osittaisdifferentiaaliyhtälöiden tutkimiseen.
Tällaiset yhtälöt kuvaavat hyvin erilaisia luonnonilmiöitä: lämmön johtumista, nesteen liikettä väliaineessa, aineiden välisten rajapintojen dynamiikkaa ja erilaisia kasvuprosesseja.
Näissä ilmiöissä on yksi olennainen piirre. Niiden stokastisuus. Siis satunnaisuus.
"Luonnolliset systeemit ovat harvoin eristettyjä, vaan niiden ympäristö vaikuttaa niihin satunnaisella tavalla: niissä esiintyy kohinaa. Toisaalta epälineaaristen systeemien dynamiikka on kaoottista, ja niiden lainalaisuudet ovat usein tilastollisia."
"Yleinen teoria näille stokastisille yhtälöille on vielä kartoittamatta, ja tässä kvanttikenttäteorian renormalisaatioteoria on avuksi."
Kvanttikenttäteorian menetelmillä voi tutkia myös satunnaista geometriaa. Siinä pyritään luokittelemaan satunnaisia käyriä, pintoja ja muita geometrisia rakenteita.
"Luonnossa esiintyvät geometriset rakenteet kuten pilvet, kuohuvan kosken pyörteet tai salamaniskut ovat hyvin erilaisia kuin klassisen geometrian kuvaamat suorat viivat, ympyrät ja pallot", jatkaa Kupiainen.
"Vaikka yksittäiset pilvet ovat kaikki erilaisia, ne saattavat kuitenkin tilastollisesti olla samanlaisia."
Tilastollisesti luonnon rakenteissa esiintyy usein kauniita symmetrioita, vaikka yksittäiset rakenteet voivat olla täysin epäsymmetrisiä. Nämä rakenteet ovat usein myös tilastollisesti samanlaisia eri mittakaavoissa, janiiden tilastolliset ominaisuudet ovat universaaleja.
Nyt myönnetty Euroopan tutkimusrahaston (ERC:n) 2,5 miljoonan euron rahoitus antaa akatemiaprofessorille riittävät resurssit tutkia juuri sitä, mitä hän eniten haluaa.
Rahoituksen saamisella on myös toinen puoli:
"Koska se on erittäin kilpailtu, siihen liittyy tietty karisma tai maine. Kokemukseni aiemmalta ERC Advanced Grant -kaudeltani on, että maine auttoi hyvien postdoc-tutkijoiden rekrytoinnissa."
Artikkeli perustuu Helsingin yliopiston tiedotteeseen.
Tampereen teknillisen yliopiston matematiikan laboratorion ja Luonnonvarakeskuksen (Luke) yhteistutkimuksessa kehitettiin uusi menetelmä puulajien tunnistamiseen laserkeilausaineistosta. Sen avulla on mahdollista laskea luokitteluominaisuuksia täysin automaattisesti.
Menetelmää voidaan soveltaa tulevaisuudessa hakkuiden yhteydessä tehtävässä automatisoidussa puuston mittaamisessa ja korjattavien puiden valinnassa sekä katkonnan optimoinnissa.
"Menetelmä mahdollistaa myös metsäekologisessa tutkimuksessa tarvittavien puulajeja ja niiden latvusten kilpailusuhteita koskevien kattavien aineistojen tehokkaan mittaamisen", johtava tutkija Raisa Mäkipää Lukesta kertoo.
Puulajintunnistuksessa käytetään TTY:llä aiemmin kehitettyä menetelmää, jossa metsikkötason pistepilvidatasta pystytään automaattisesti erottelemaan yksittäiset puut ja rekonstruoimaan latvuksen rakenne kattavina 3D-malleina. Menetelmällä tuotetut puumallit koostuvat peräkkäisistä sylintereistä, jotka määrittävät puun rungon ja oksien rakenteen sekä oksien väliset haarautumissuhteet.
"Aiemmin puu on pystytty jakamaan pistepilvestä karkeasti runkoon ja latvukseen", sanoo tutkimusryhmän jäsen, tutkija Markku Åkerblom TTY:ltä.
"Nyt päästään yksittäisten oksien tasolle ja voidaan analysoida niiden läpimittoihin, tilavuuksiin ja oksakulmiin liittyviä ominaisuuksia."
Tutkijat määrittelivät lajintunnistusta varten 15 luokitteluominaisuutta, joiden arvo laskettiin kullekin puulle. Osa ominaisuuksista on täysin uusia ja osaa on käytetty aiemmissa tutkimuksissa. Uutta on, että nyt niiden arvo pystytään laskemaan tarkemmin ja entistä kattavammasta aineistosta, kun käytössä on tieto puun koko latvuksesta.
Tutkimuksessa testattiin kolmea eri luokittelumenetelmää. Mukana olivat Suomen yleisimmät puulajit koivu, mänty ja kuusi.
"Tulostemme mukaan automaattinen lajintunnistus on mahdollista jopa yli 95 prosentin tarkkuudella", jatkaa Åkerblom.
"Tarkoituksena ei ollut löytää parasta mahdollista ominaisuusyhdistelmää, vaan ainoastaan osoittaa, että tarkkoihin puumalleihin perustuva luokittelu on mahdollista. Useat yhdistelmät kuitenkin tuottivat hyviä tuloksia ja myöskin kaikki luokittelumenetelmät ylsivät yli 95 prosentin tarkkuuden. Tulokset osoittivat myös, että luokittelun opetusaineistoksi riittää vain 30 puuta per laji."
Kehitettyä menetelmää testataan jatkossa useammalla puulajilla ja monimuotoisemmista metsistä saaduilla mittauksilla. Laserkeilausdatasta laskettuja puumalleja on mahdollista tallentaa tietokantaan, jota voidaan näytteiden määrän kasvaessa hyödyntää entistäkin tarkemmassa lajintunnistuksessa.
Automatic tree species recognition with quantitative structure models -tutkimus julkaistiin Remote Sensing of Environment -julkaisussa. Kyseessä on kaukokartoitusalan tunnustettu julkaisu, joka keskittyy luontoon ja ympäristöön liittyviin sovelluksiin.
Juttu, jota on toimitettu hieman, ja video ovat Tampereen teknillisen yliopiston tiedotuksen toimittamia.
Suomen Akatemia jakaa kerran vuodessa Akatemiapalkinnot, ja tämänvuotiset palkinnosaajat julkistettiin viime torstaina. Palkinto tieteellisestä rohkeudesta annettiin Turun yliopiston dosentille, akatemiatutkija Kaisa Matomäelle.
Hän on matemaatikko, eräs parhaimmista analyyttisen lukuteorian tuntijoita koko maailmassa.
Matomäki on edennyt määrätietoisesti tutkimusalallaan ja saavuttanut paljon nuoreen ikäänsä nähden. Hänen julkaisuprofiilinsa on erittäin korkea määrällisesti ja laadullisesti: hänen kolmisenkymmentä julkaisuaan ovat saaneet erittäin hyvän vastaanoton ja vieneet olennaisesti eteenpäin monien arvostettujen lukuteoreetikkojen aiempia töitä. Hän valitsee aiheensa rohkeasti ja käyttää epätavanomaisia menetelmiä niitä tutkiessaan.
“Innostuin matematiikasta koulussa 6. luokalla, koska minulla oli silloin hyvä matematiikan opettaja”, kertoo Kaisa.
“Hän antoi jännittäviä lisätehtäviä, kun olin saanut normaalit tehtävät tehtyä. Ne olivat haastavampia ja kiinnostavampia, ne herättivät mielenkiinnon matematiikkaan.”
Innostus matematiikkaan vei Kaisan matematiikkapainotteiseen lukioon, Päivölän kansanopiston matematiikkalinjalle. Siellä hän osallistui myös matematiikan kilpailuvalmennukseen, jossa painotettiin muun muassa lukuteoriaa ja kombinatoriikkaa. Niiden edelleen innostamana Kaisa päätti jatkaa opiskelemaan matematiikkaa Turun yliopistoon.
Hän suoritti maisterin tutkinnon vuonna 2005 ja lähti jatko-opiskelijaksi Lontooseen Royal Holloway Collegeen, missä hän väitteli tohtoriksi vuonna 2009.
“Se oli erittäin kiinnostavaa ja auttoi luomaan kansainvälisiä suhteita, mutta päätin palata perhesyiden vuoksi Suomeen.”
Kaisa toimi Suomen Akatemian tutkijatohtorina vuosina 2011-2014 ja nyt hän on akatemiatutkijana kaudella 2015-2020.
“Tämä tarkoittaa sitä, että opetusvelvollisuuteni ovat varsin vähäisiä ja voin keskittyä kunnolla tutkimukseeni. Voin näin myös osallistua vapaasti kansainvälisiin konfrensseihin.”
Nyt hän toimii Turun yliopistossa myös apulaisprofessorina ja lukuteorian dosenttina.
Alkulukuja!
Kaisan erikoisala on lukuteoria ja erityisesti alkuluvut.
Merkkijärjestelmässämme on kymmenen numeroa: 0, 1, 2, 3, 4, 5, 6, 7, 8 ja 9. Niitä käyttämällä voidaan ilmaista lukuja, joista kaikki tasaluvut ovat kokonaislukuja. Siis esimerkiksi 5 tai 7932.
Näistä osa on alkulukuja, jotka voidaan jakaa vain itsellään ja ykkösellä. Esimerkiksi 7 on vain 7 kertaa 1, mutta esimerkiksi 12 voidaan esittää myös muodossa 3 kertaa 4. Ja 4 puolestaan voidaan esittää muodossa 2 kertaa 2.
Kaikki muut luvut kuin alkuluvut voidaan esittää tulona alkuluvuista, ne voidaan jakaa osiin. Alkuluvut ovat lukujen rakennuspalikoita.
Asia yksinkertaisimmillaan kuulostaa lähes naurettavalta; mitä tutkittavaa on luvuissa sinällään?
“Alkulukujen jakautuminen on yksi avoin, vaikea probleema”, selittää Kaisa.
“Esimerkiksi onko äärettömästi sellaisia alkulukupareja, joiden etäisyys toisistaan on kaksi. Esimerkiksi 11 ja 13, sekä 17 ja 19 ovat sellaisia alkulukupareja, joiden etäisyys on kaksi. Kuuluisassa alkulukukaksoiskonjenktuurissa on äärettömästi tällaisia pareja, mutta kukaan ei ole osannut todistaa tätä.”
Eräs Kaisankin tutkima alkulukuongelma on ns. Goldbachin konjunktuuri, joka väittää, että jokainen viittä suurempi kokonaisluku on kahden tai kolmen alkuluvun summa.
“Tämä on puhdasta perustutkimusta. Alkulukuja kyllä käytetään hyväksi esimerkiksi kryptografiassa, mutta minun tutkimukseni ei liity mitenkään suoraan salausmenetelmiin. Sen sijaan joskus tulevaisuudessa tätä voidaan käyttää johonkin sellaiseen.”
Historiasta on tällaisesta monia esimerkkejä, joita paras lienee Godfrey Hardyn vuonna 1940 julkaisema kirja “Matemaatikon anteeksipyyntö”. Siinä hän toteaa tekevänsä täysin turhaa tutkimusta, ja pyytää anteeksi yleisöltä – mutta nyt hänen lukuteoriaansa hyödynnetään kryptografiassa.
Matematiikassa Kaisaa viehättää sen loogisuus: “Se on eksakti tiede, eikä meillä ei ole mitään oppiriitoja. Jos jotain todistaa, niin se on tosi.”
Ja mitä vielä tulee matematiikkaan, niin tuore Akatemiapalkinnon saaja heittää ehdotuksen kouluihin. “Se aine, mitä koulussa opetetaan, pitäisi nimetä laskennoksi. Laskento on yhteenlaskua, jakolaskuja ja niin edelleen, mutta matematiikka on loogista päättelyä ja ajattelua – se on ihan eri asia kuin laskento.”
“Matematiikka on kiinnostavaa, mutta laskento voi olla tylsääkin.”
Matomäen esittelyvideon on tehnyt Tiedetuubin Jari Mäkinen Suomen Akatemialle.
Pätevälle lääkärille on varmasti aina tarvetta, mutta hyvinkin lähitulevaisuudessa automaattiset systeemit, älykkäät sensorit ja tekoäly pystyy tekemään tarkempia ja parempia diagnooseja kuin tavalliset, kiireiset terveyskeskuslääkärit. Ja mikä parasta: terveyttä voisi tarkkailla näin koko ajan ja hyvin edullisesti.
Yksi askel kohti automatisoituja diagnooseja on hanke, jossa etsittiin joukkoistaen näppärää algoritmia nivelreuman hoidon tehokkuutta. Yllättäen puhdas, käsitelty kliininen tieto tuotti paremman tuloksen kuin kliinisen ja geneettisen tiedon yhdistelmä.
Nivelreuma on krooninen tulehduksellinen autoimmuunisairaus, josta kärsii miljoonat ihmiset maailmassa. Sitä hoidetaan usein ns. TNF-estäjähoidolla, mutta se ei tehoa noin kolmasosaan potilaista.
Ongelmana on paitsi aluksi diagnosoida reuma hyvin epämääräisten oireiden pohjalta, niin myös todeta potilaat, joihin TNF-hoito ei tehoa.
Yksi tapa näiden potilaiden löytämiseen on matemaattinen: analysoidaan useita kliinisesti ja geneettisesti saatavia indikaattoreita erityisen algoritmin avulla. Tässä puolestaan ongelmana on kehittää tarpeeksi tehokas algoritmi, eli matemaattinen ongelmanratkaisumenetelmä, jolla voitaisiin arvioida TNF-estäjähoidon tehokkuutta.
Tätä varten keksittiin julistaa kilpailu, joka oli itse asiassa laaja joukkoistettu tutkimus. Laajan kansainvälisen tutkijajoukon toteuttama DREAM-challenge oli jo vuonna 2014, mutta sen tulokset julkistettiin nyt kilpailua sponsoroineessa Nature Communications -aikakausijulkaisussa.
Yhteensä satoja tutkijoita 73 tutkimusryhmässä eri puolilla maailmaa otti osaa avoimeen haasteeseen ja käytti kattavinta saatavissa olevaa tietoa yli 2700 potilaasta sekä myös laajaa kirjoa maailman parhaita mallinnuskeinoja.
Suomalaisittain tulos on mieltä ylentävä, koska ensimmäisen vaiheen tuloksissa kolmantena oli Aalto-yliopiston ja Helsingin yliopiston Suomen molekyylilääketieteen instituutin (FIMM) tutkijoista koostunut Team MI. Se, kuten seitsemän muuta ennusteissaan parhaiten onnistunutta joukkuetta kutsuttiin mukaan viimeiseen vaiheeseen.
"Käytimme sekä harvaa lineaarista regressiomallia että monen ytimen mallia hoitovasteen ennustamiseen geneettisen ja kliinisen tiedon perusteella", sanoo tutkijatohtori Lu Cheng Aalto-yliopiston tietotekniikan laitokselta.
Viimeisen vaiheen voittanut Team Outlier -joukkue ei käyttänyt yllättäen lainkaan geneettistä tietoa viimeisellä kierroksella.
Johtopäätöksenä on, että tällä hetkellä käytettävissä oleva geneettinen tieto ei lisännyt hoitovasteen ennusteen onnistumista merkittävästi tehokkaammin kuin kliiniset ennustavat muuttujat, kuten sukupuoli, ikä ja sairaustiedot.
"Jos rajallinen määrä geneettisiä variantteja selittäisi hoidon epäonnistumisen joillakin potilailla, tämä laajamittainen tutkimus olisi tuottanut siihen ennustusmallin", kertoo yliopistonlehtori Pekka Marttinen.
"Geneettisten varianttien lukumäärä saattaa olla paljon suurempi ja niiden vaikutukset vastaavasti paljon pienempiä. Toisaalta puuttuva perinnöllisyys voi selittyä paremmin geneettisillä varianteilla, jotka eivät olleet mukana tutkimuksessa, kuten esimerkiksi harvinaisilla varianteilla."
16 viikkoa kestäneen algoritmien opettamisen aikana 73 joukkuetta jätti arvioitavaksi yhteensä 4874 ennustetta. Lisätietoa DREAM-challengesta on sen nettisivuilla.
Artikkeli pohjautuu Aalto-yliopiston tiedotteeseen.
The man who knew infinity (2015) on elokuva, mikä kertoo matematiikkaneron matkasta tuntemattomuudesta kuuluisuuteen
Intian Madrasista kotoisin oleva Srinivasa Ramanujan(Dev Patel) matkustaa köyhistä oloista Englannin Trinity Collegeen, missä nousee lopulta arvostetuksi tutkijaksi ilman minkäänlaista akateemista loppututkintoa. Tietä siloittaa Ramanujanin "löytänyt" G. H. Hardy (Jeremy Irons).
Lue arvostelumme elokuvasta täältä: Pintaraapaisu intuitiivisen neron rankkaan elämään.
The man who knew infinity kertoo matematiikkaneron matkasta tuntemattomuudesta ja köyhyydestä kuuluisuuteen. Se kertoo tieteen tekemisen palosta, tiedeyhteisön toiminnasta, ja keskittyy kahden tieteentekijän etäiseen ystävyyteen.
The man who knew infinity (2015) on elokuva, jossa kerrotaan matematiikkaneron matka tuntemattomuudesta kuuluisuuteen. Intian Madrasista kotoisin oleva Srinivasa Ramanujan (Dev Patel) matkustaa köyhistä oloista Englannin Trinity Collegeen, missä nousee lopulta arvostetuksi tutkijaksi ilman minkäänlaista akateemista loppututkintoa. Tietä siloittaa Ramanujanin "löytänyt" G. H. Hardy (Jeremy Irons).
Helppo Ramanujanin tie ei ole. Vastoinkäymisiä tuottavat Intiaan jäävät mustasukkaiset sukulaiset, Eurooppaa riepova ensimmäinen maailmansota, sekä eritoten kouluttamattomaan mutiaiseen (elokuvasta napattu suomennos) nihkeästi suhtautuvat engelsmannit. Eikä intialaisen terveydentilassakaan ole juhlimista.
Elokuvan helmi on taistelu intuitiivisen nerokkuuden ja tieteessä tarvitun pilkuntarkkuuden välillä. Ramanujanin opin tie on rankka, sillä pelkillä suurilla väitteillä ei pitkälle pötkitä. Tarvitaan todisteita, jotta muutkin voivat olla varmoja. (Tältä osin leffa käy myös hyvästä oppitunnista, jos katsoja luulee omaavansa jotain tiedeyhteisölle tuntematonta tietoa.)
Sekä Patel että Irons tarjoavat uskottavat ja mukaansatempaavat roolisuoritukset. He kertovat pienillä ilmeillään paljon sanattomastikin, ja yhteispeliä on mielenkiintoista seurata. Pääosahahmot jäävät kuitenkin ikävän pintapuolisiksi, ja mielenkiintoisemmat jäävät sivuosiin. Bertrand Russell (Jeremy Northam) on hauska veikko ja John Littlewood (Toby Jones) mukava ja avulias kaveri. Lisäksi Patelin hölmistynyt Keanu Reeves -ilme häiritsee ajoittain, eikä aksenttikaan aina ole täysin uskottava - Patel kun on umpibritti.
Tarina on sykähdyttävä, mutta jää pinnalliseksi. Elokuva kerrotaan ilmeisesti lähinnä Hardyn muistelmien pohjalta, keskittyen siksi ymmärrettävästi Ramanujanin oleskeluun Englannissa. Samalla intialaisen neron elämästä annetaan kuitenkin turhan yksioikoinen kuva. Huomiotta jäävät hänen mittava omatoiminen koulutuksensa matematiikan alalla, huippulahjakkuus koulussa, monet opiskeluyritykset intialaisissa yliopistoissa, sekä jo nuorena ailahdellut terveydentila. Näiden mukaan ottaminen olisi antanut hahmolle paljon enemmän syvyyttä. Ja oli uskonnosta mitä mieltä tahansa, bramiinikulttuurinkin pieni avaaminen olisi auttanut ymmärtämään päähenkilöiden maailmankatsomuksien eroja.
Ramanujanin neronleimausten laatua, sisältöä tai merkitystä ei leffassa juurikaan käsitellä, vaikka pari yritystä onkin. Löytöjen kyllä sanotaan olevan vallankumouksellisia, jopa mahdottomia, mutta kukaan ei kerro miksi, tai edes vastaa kysymykseen "entä sitten?". Vaikeaa se elokuvassa ehkä olisikin, varsinkin kun kyse on abstraktista matematiikasta, muttei mahdotonta. Elokuvan lopussa valkokankaalla hetken pyörivät "mitä sitten tapahtui" -tekstit eivät asiaa juuri auta.
Leffaa on vaikea olla vertaamatta muihin tutkijoiden elämästä kertoviin elokuviin. Ramanujanista kertova tarina ei ole yhtä romanttinen kuin vaikkapa Kaunis mieli (2001) tai Kaiken teoria (2014), joissa John Nash ja Stephen Hawking taistelivat omien tieteidensä, rakkauselämiensä ja terveysongelmiensa kanssa. Tämä elokuva on yksioikoisempi, vailla suuria sivujuonien kiemuroita, ja voi siksi jäädä jollekulle etäisemmäksi. The man who knew infinityssä on kuitenkin hyvin todentuntuinen ote. Se kertoo tieteen tekemisen palosta, tiedeyhteisön toiminnasta, keskittyen kahden tieteentekijän etäiseen ystävyyssuhteeseen.
The man who knew infinity on katsomisen arvoinen elokuva, jos haluaa viihtyä kulttuurierojen ja ihmiskohtaloiden parissa, tai on kiinnostunut tieteen historiasta. Tai jos haluaa tietää tieteen tekemisestä tai Ramanujanista edes jotain. Syvempää tietoa löytyy sitten vaikkapa Wikipediasta.
