SAISis avaldust esitades tuleb valida projekt, millele soovitakse kandideerida. Kandideerida saab ainult ühele projektile. Kandidaatidel tuleb koostada lühike motivatsioonikiri (eesti või inglise keeles, maksimaalselt 6000 tähemärki koos tühikutega), tuginedes järgmistele punktidele:

1. Miks teid huvitab see doktoriprojekt, selgitage oma valikut.
2. Millised on teie varasemad kogemused selles valdkonnas? Selgitage, kuidas teie haridus- ja ametialane taust on seotud projektiga, kuhu kandideerite.
3. Millised on analüütilised/teaduslikud meetodid, mida te valdate?
4. Kirjeldage lühidalt oma magistritöö meetodeid ja peamisi tulemusi.
5. Esitage oma varasemad uurimistegevused, sealhulgas teaduspublikatsioonid ja konverentsiettekanded, kui need on olemas.

Motivatsioonikirja puhul hinnatakse:

• kandidaadi motivatsiooni ja oskuste argumenteerimist ning projekti valiku põhjendust
• asjakohast õppe- ja töökogemust ning teisi asjakohaseid tegevusi (artiklid, projektijuhtimine jne), nagu on nõutud motivatsioonikirja esitamisel.

Intervjuu

Kandidaat peab komisjoni poolt läbi viidud sisseastumisvestluse käigus kirjeldama doktoriprojekti laiemat teaduslikku tausta ja tulemuste võimalikku rakendatavust ning oma motivatsiooni asuda doktoriõppesse valitud projektiga. Intervjuule kutsutakse kandidaadid, kelle motivatsioonikirja on hinnatud positiivselt (vähemalt 35 punkti 50st).

Intervjuu käigus hinnatakse:

• teadmisi projekti laiemast teaduslikust taustast ja oodatavate tulemuste võimalikust rakendamisest
• kandidaadi motivatsiooni jätkata doktoriõpinguid vastavas teadusvaldkonnas ja sellel alal töötada
• laiemaid analüüsi- ja üldistamisoskusi õpingutes ja uurimisteemadel.

Intervjuud ja motivatsioonikirja hinnatakse 50-punkti skaalal, minimaalne positiivne tulemus mõlema vastuvõtutingimuse eest on 35 punkti. Kokku on võimalik saada maksimaalselt 100 punkti. Vastuvõtutingimused täidab üliõpilaskandidaat, kelle kummagi vastuvõtutingimuse hindamise tulemus on vähemalt 70 protsenti võimalikust punktide hulgast. Vastuvõtt toimub paremusjärjestuse alusel.

Juhendajad: Karl Kruusamäe, Robert Valner

Katastroofidele reageerimise stsenaariumid nagu metsatulekahjud, maavärina tagajärjed, otsingu- ja päästetööd kuuluvad kõige nõudlikumate operatiivkeskkonnade hulka. Need on ohtlikud, ajakriitilised ja oma olemuselt ettearvamatud. Autonoomsete robotite (maasõidukid, õhusõidukid) meeskondade kasutamine koos inimoperaatoritega võib päästa elusid, kiirendades otsingu ulatust, pakkudes reaalajas olukorra ülevaadet ja vähendades inimeste kokkupuudet ohtlike tingimustega. Siiski jääb heterogeense robotipargi koordineerimine välitingimustes endiselt oluliseks väljakutseks. Suured keelemudelid LLM-id näitavad tugevaid võimeid arutlemises, loomuliku keele mõistmises ja probleemide samm-sammulises lahendamises, mis muudab need veenvaks inimese kavatsuste struktureeritud mitme roboti missiooniplaanideks tõlkimisel. Selles doktoritöös arendatakse AI-põhiseid metoodikaid ülesannete planeerimiseks ja koordineerimiseks inimeste ja robotite meeskondades, mis tegutsevad struktureerimata keskkondades, järgides kahte eesmärki: (1) edendada LLM-põhist taktikalist planeerimist reaalajas mitme roboti ülesannete jaotamiseks ja koordineerimiseks; (2) arendada strateegilise tasandi missiooni planeerimist, mis toetub LLM-i arutlemisele robotite võimekuste ja olukorra teadlikkuse alusel.

Juhendajad: Tuul Sepp, Raul Vicente Zafra, Mart Jüssi, Richard Meitern

Projekt keskendub tehisintellekti rakendamisele loomade telemeetriaandmete tõhusamaks töötlemiseks, analüüsimiseks ja modelleerimiseks looduskaitselistes ning rakenduslikes kontekstides. Lähtudes pikaajalistest ja liigiti mitmekesistest telemeetriaandmestikest (eeskätt enam kui 30 aasta jooksul kogutud hülgeandmetest, aga ka merelindude ja lagritsate uuringutest) arendatakse üldistatavaid ja ülekantavaid TI-põhiseid tööriistu loomade liikumise, elupaigakasutuse ja käitumise analüüsimiseks. Projekt kasutab juhendatud masinõpet telemeetriaandmete bioloogiliseks annoteerimiseks ning süvaõpet keerukate mittelineaarsete seoste mudeldamiseks, võimaldades automatiseerida seni ajamahukat andmeanalüüsi ja luua ennustavaid mudeleid looduskaitseliste ning arendusotsuste toetamiseks. Projekti eesmärk on vähendada telemeetriaandmete analüüsi pudelikaela ruumilises planeerimises, liigikaitses ja keskkonnamõju hindamises ning arendada otsustusprotsessi toetavaid tööriistu, mida saaksid kasutada nii teadlased, riigiasutused kui ka keskkonnasektori
praktikud. Projektil on tugev interdistsiplinaarne mõõde, ühendades ökoloogia, statistika, mudeldamise, inseneeria ja arvutiteaduse teadmised ning tehes koostööd rahvusvaheliste teadus- ja arenduspartneritega.

juhendajad: María José Guzmán Monsalve, Laxmipriya Pati (University of Salamanca, Spain)

Gravitatsioonilainete astronoomia esiletõus pärast mustade aukude paari ühinemise esimest detekteerimist on andnud märkimisväärse tõuke relatiivsusteooria numbriliste arvutuste valdkonnale ja gravitatsiooniteooriate numbrilisele modelleerimisele väljaspool üldrelatiivsusteooriat. Modifitseeritud teooriate numbrilise modelleerimise teoreetiline raamistik piirdub põhiliselt meetriliste gravitatsiooniteooriatega ja selle mõistmine tetraadil või lineaarsel seostusel põhinevate teooriate kohta pole kaugeltki täielik. Seetõttu on huvitav arendada gravitatsiooni numbriliste arvutuste teoreetilisi aluseid formalismis, kus meetrika asemel kasutatakse tetraadivälja. Tetraadi kasutamine põhimuutujana võib pakkuda mitmesuguseid eeliseid, alates selle paremast sobivusest vaadeldavate füüsikaliste suuruste määratlemiseks kuni võimaluseni lihtsustada ajaks ja ruumiks jagunemist liikumisvõrrandites. Oluline aspekt, mida tuleb uurida, on ka tetraadiformalismi võimalus hõlbustada aegruumi käitumist dikteerivate diferentsiaalvõrrandite süsteemi tugeva hüperboolsuse hindamist, mis on stabiilsete numbriliste simulatsioonide oluline nõue. Seda uurimissuunda on plaanis välja arendada tetraadil põhineva üldrelatiivsusteooria ja üldrelatiivsusteooria teleparalleelse ekvivalendi jaoks.

Juhendajad: Anneli Kährik, Tiit Tammaru, Anto Aasa

Doktoriprojekt keskendub AI-põhiste ruumilise prognoosimise metodoloogiate ja selgitatava tehisintellekti (Explainable AI, XAI) rakendamisele sotsiaal-ruumiliste linnamuutuste ja planeerimisotsuste mõjude analüüsimisel linnaregioonides. Linnaregioonide planeerimisotsuseid tehakse endiselt valdavalt killustatud andmestike ja staatiliste mõjuhindamiste põhjal, mis ei võimalda hinnata arendusotsuste pikaajalisi ja kumulatiivseid mõjusid eluasemete taskukohasusele, segregatsioonile, liikuvusele ja teenuste kättesaadavusele. Samal ajal on linnaregioonid muutunud üha dünaamilisemaks ning seotud mobiilsusvoogude, eluasemeturgude ja muutuvate sotsiaalmajanduslike protsesside kaudu.

Projektis integreeritakse ruumi-, rahvastiku-, mobiilsus-, eluaseme- ja planeeringuandmed AI-põhiseks sotsiaal-ruumilise prognoosimise raamistikuks, mis võimaldab modelleerida linnaregioonide arengutrajektoore ning hinnata planeerimisstsenaariumide võimalikke mõjusid enne nende rakendamist. Projekti keskmes on küsimus, kuidas elamuarendused, linnauuendus ja liikuvuse muutused mõjutavad eluasemete taskukohasust, segregatsioonidünaamikat, väljatõrjumisriske ja teenuste kättesaadavust.

Doktoritöö on interdistsiplinaarne ja sektoriteülene, integreerides inimgeograafia, linnauuringute, ruumilise andmeteaduse, liikuvusuuringute ja AI-põhise modelleerimise lähenemised ning lõimides avaliku ja erasektori praktilised vajadused reaalseid kaasuseid kasutavasse modelleerimisraamistikku. Metodoloogiliselt kasutatakse ruumilise regressiooni meetodeid, ruumilise masinõppe lähenemisi (XGBoost, LightGBM), mobiilsusanalüüsi ning Explainable AI meetodeid, sealhulgas SHAP-põhist mudelite tõlgendamist. Projekti üheks oluliseks teaduslikuks panuseks on Explainable AI rakendamine linnauuringutes ja ruumilise planeerimise analüüsis, et muuta AI-põhised prognoosimudelid läbipaistvamaks ja tõlgendatavamaks avaliku sektori otsustusprotsessides.

Doktoritöö panustab linnageograafia, ruumilise andmeteaduse ja AI-põhise planeerimisuuringu arengusse, arendades interpreteeritavaid AI-metodoloogiaid sotsiaal-ruumiliste linnamuutuste modelleerimiseks. Projekti tulemused toetavad tõenduspõhisemat ja sotsiaalselt kestlikumat ruumiplaneerimist ning AI-põhiste ruumilise prognoosimise ja otsustustoe lahenduste edasiarendamist Eestis ja rahvusvaheliselt.

Juhendajad: Kadri Leetmaa, Kadri Kangro, Braley Loewen (külalisprofessor, majandusteaduskond)

Doktoritöö eesmärk on uurida ettevõtete võrgustike rolli sotsiaalse innovatsiooni kujunemisel ja kestlikkuse toetamisel perifeersetes maapiirkondades. Kuigi maapiirkondi nähakse võtmetähtsusega piirkondadena, et leida lahendused praeguse aja suurtele ühiskondlikele väljakutsetele (kliimamuutused, looduse taastamine, toidujulgeolek, taastuvenergia, elanikkonnakaitse jm), seisavad maapiirkonnad silmitsi rahvastiku vähenemise, teenuste kadumise ja institutsionaalse võimekuse nõrgenemisega. Senine teaduskirjandus on keskendunud eelkõige kogukondlikele algatustele, avaliku sektori sekkumistele ja ettevõtlusele, samas kui ettevõtete ja ettevõtlusvõrgustike panus maapiirkondade sotsiaalsesse innovatsiooni on jäänud tahaplaanile. Doktoritöö täidab seda teadmuslünka, uurides, kuidas ettevõtted panustavad sotsiaalsesse innovatsiooni koostöö, teadmussiirde ja üldhuviteenuste pakkumise kaudu ning kuidas see aitab tugevdada ääremaa piirkondade vastupanuvõimet. Doktoritöö teoreetiline taust kujuneb maaelu-uuringute, sotsiaalse innovatsiooni ja majandusgeograafia kokkupuutepunktis, käsitledes ettevõtete võrgustikke kui maapiirkondade innovatsiooniökosüsteemide olulisi toimijaid. Empiiriline uurimistöö viiakse läbi Euroopa Horisondi projekti REROOTED raames, kasutades ühtset rahvusvahelist metoodikat, et võrrelda maapiirkondade kogukondi Euroopa eri riikides.

Juhendajad: Kairit Sirts, Helen Uusberg
Projekt uurib, kuidas luua struktureeritumaid ja paremini kontrollitavaid tehisintellektil
põhinevaid psühholoogilisi sekkumissüsteeme. Fookuses on eelkõige nende süsteemide
arhitektuuri ja hindamisega seotud küsimused. Kuigi suured keelemudelid suudavad
tänapäeval vestlustes genereerida sidusaid, asjakohaseid ja empaatilisi vastuseid, ei
tähenda hea vestlusvõimekus veel efektiivset psühholoogilist sekkumissüsteemi.

Projekt keskendub kolmele omavahel seotud uurimisküsimusele. Esiteks käsitletakse
seda, kuidas kasutaja kohta käivat infot korduvate interaktsioonide jooksul
representeerida ja säilitada ning kuidas sellised aja jooksul moodustatud kasutaja
seisundit kajastavad representatsioonid saaksid toetada sekkumiste valikut ja
kohandamist. Teine küsimus käsitleb seda, kuidas psühholoogilisi sekkumisi üles
ehitada modulaarsel viisil, selle asemel et tugineda üksnes monoliitsetele viipadele või
mudelite peenhäälestamisele, nagu on tehtud paljudes senistes töödes. Kolmandaks
uuritakse, kuidas sekkumise vastavust etteantud sekkumispõhimõtetele automaatselt
hinnata.
Nendele küsimustele vastamiseks kasutatakse lihtsustatud eksperimentaalset
raamistikku, mida rakendatakse laboritingimustes või muul viisil mittekliinilises
keskkonnas. Uuritavad sekkumised keskenduvad emotsiooniregulatsioonile ning
hõlmavad näiteks emotsionaalset valideerimist, emotsionaalset ümbertõlgendamist ja
kognitiivset restruktureerimist. Projekti raames arendatakse minimaalne
prototüüpsüsteem, mis võimaldab neid küsimusi kontrollitud tingimustes uurida.
Projekti käigus väljatöötatavad lähenemised võivad osutuda kasulikuks ka teiste
tehisintellektil põhinevate piiritletud eesmärkide ja suhtlusreeglitega vestlussüsteemide
puhul.

Juhendaja(d): Huber Flores, Zhigang Yin, Margit Kõiv-Vainik

Toidukadu ja toidujäätmed süvendavad kliimamuutust, nälja levikut ning toiduga kindlustamatuse kasvu. Nende probleemide leevendamiseks on vaja kergesti kasutatavaid ja skaleeritavaid lahendusi, mis võimaldaksid jälgida toodete kvaliteeti kogu tarneahela ulatuses ning anda aegsasti märku esilekerkivatest probleemidest. See omab erilist tähtsust värskete toodete, näiteks puu- ja köögiviljade puhul, mille säilivusaeg on lühike ning mille kvaliteet võib tootmis-, transpordi-, ladustamis- ja jaemüügietappide käigus kiiresti langeda. Praegused kvaliteedi määramise meetodid on kulukad ja raskesti skaleeritavad, mistõttu on praktikas endiselt levinuim viis manuaalne visuaalne kvaliteedi hindamine. Selle projekti käigus uuritakse tehisaru-põhiseid lahendusi, mis ühendavad taskukohase andurtöötluse andmepõhiste mudelitega, et toidutooteid iseloomustada ja nende kvaliteeti hinnata. Meie eesmärk on arendada lahendus, mida saab soodsalt ja lihtsalt rakendada igas tarneahela etapis.

Juhendaja: Marina Lepp

Käesolev doktoritöö uurib, kuidas erinevad inimese ja tehisintellekti koostöömudelid mõjutavad tööpõhise õppimise efektiivsust andmeinseneeria kontekstis. Generatiivse tehisintellekti kiire areng on loonud uusi võimalusi teadmiste omandamise ja probleemilahenduse toetamiseks, kuid praegused AI-toega õppimispraktikad on sageli ebasüstemaatilised ning teaduslikult vähe uuritud. Projekti eesmärk on luua ja empiiriliselt valideerida inimese ja tehisintellekti koostöömudelite tüpoloogia, mis erineb AI autonoomia, inimese kontrolli ja kognitiivse vastutuse jaotuse poolest. Uurimus ühendab generatiivse tehisintellekti, õppimisteaduse, inimese-arvuti interaktsiooni, kognitiivse koormuse teooria ja organisatsioonilise õppimise perspektiivid. Metoodiliselt ühendab töö süstemaatilise kirjanduse ülevaate ja eksperimentaalse uuringu, milles professionaalsed andmeinsenerid õpivad uusi tehnoloogiaid ning lahendavad praktilisi ülesandeid generatiivse AI toel. Õppimise tulemuslikkust hinnatakse teadmiste ülekande, ülesannete lahendamise kvaliteedi, kognitiivse koormuse ja kasutajakogemuse põhjal. Uurimistöö loob uusi teadmisi selle kohta, kuidas AI autonoomia ja inimese aktiivne osalus mõjutavad teadmiste konstrueerimist ning jätkusuutlikku oskuste arengut tehnoloogiamahukas töös. Tulemused on otseselt rakendatavad organisatsioonides, mis soovivad kujundada efektiivseid AI-toega tööpõhise õppimise lahendusi ja parandada tööjõu kohanemisvõimet kiiresti muutuvas tehnoloogilises keskkonnas.

Juhendaja(d): Mark Fišel, Kalev Koppel

Projekti eesmärk on uurida lähenemisi viipekeele automaatsele genereerimisele, eesmärgiga arendada täpsemaid ja usaldusväärsemaid lähenemisi masintõlkele tekstist eesti viipekeelde. Täpsemalt keskendub projekt viipekeele genereerimise

(1) töötlusahela (pipeline) ja vahepealsete esituste optimeerimisele ja uurimisele,

(2) sünteetiliste andmete loomisele ja kasutamisele ning

(3) mitmekeelsete andmete kasutamisele ja mitme viipekeele õppimisele ühes mudelis ja siirdeõppe analüüsile ja kasutamisele.

Käesolev töö kuulub viiplemisroboti arendamise projekti raamesse ning aitab tõsta ligipääsetavust rühmadele inimesi, kelle suhtlemine on raskendatud.

Kandidaadilt oodatakse

- head kirjutamis- ja suhtlemisoskust eesti ja inglise keeles,

- magistrikraadi arvutiteaduses/informaatikas, andmeteaduses, arvutuslingvistikas vm seotud alal

- Pythoni ning transformers teegi tundmist väga heal tasemel, samuti kaasaegse masinõppe tundmist piisaval määral, et töödelda teksti-, heli- ja videoandmeid, treenida ja testida mudeleid

- uudishimu ning valmidust tegelema eksploratiivsete uurimistööga

Juhendaja: Jaan Aru

Kuidas arendada tehisarusüsteeme, mis toetaksid õppimist? Eesti riik on käivitanud TI-Hüppe programmi, aga hetkel on ebaselge, mis on selle mõju. Antud doktoritöös uuritakse TI-Hüppe mõju, mille üks komponent on ka tehisaru-põhine õpirakendus. Selle projekti raames arendatakse süsteem, mis võimaldab automaatse analüüsi abil uurida tehisaru-põhise tuutori mõju õpilase käitumisele. Seda süsteemi valideeritakse ja rakendatakse TI-Hüppe andmete peal, analüüsides neid, et mõista, millised osad õpirakenduse käitumisest toetasid õppimisprotsessi. Projekti käigus tekib parem arusaam TI-Hüppe mõjust. Samuti luuakse projekti raames soovitusi, kuidas tehisaru-põhiseid tuutoreid paremini kasutada. Projektil on ka lai rahvusvaheline olulisus ja nähtavus.

Juhendaja: Nadezda Kongi

Doktoriprojekti eesmärk on arendada tehisintellektil põhinevaid abimeetodeid ja teadustarkvara, mis võimaldavad õppida elektrokeemia andmetest ning kasutada saadud teadmisi edasistes elektrokeemia, elektrokatalüüsi ja materjaliuuringutes. Töö keskendub eelkõige instituudi uuematele katseandmetele, käimasolevate uuringute andmetele ja publikatsioonidega seotud kättesaadavatele andmetele. Varasemaid andmeid kasutatakse seal, kus need aitavad tulemusi võrrelda ja teadmusbaasi järjepidevalt kujundada.
Projekti keskne tulemus on tehisintellekti toega elektrokeemia uurimisandmete ja katseplaneerimise tarkvaraplatvorm. Platvorm aitab süstematiseerida katseandmeid, säilitada metaandmeid ja andmete päritolu, analüüsida andmekvaliteeti ning seoseid, leida asjakohaseid varasemaid katseid ja toetada uute uuringute kavandamist kontrollitava tõendusmaterjali põhjal. Doktoritöös uuritakse, kuidas muuta heterogeensed katseandmed tehisintellekti jaoks kasutatavaks teadusressursiks, kuidas tuvastada süsteemseid mustreid ja määramatusi ning kuidas teadlasega koostöös toimiv tehisintellekti tugi parandab olemasoleva teadmusbaasi taaskasutamist.

Lähenemist hinnatakse valitud juhtumiuuringutes teadusrühma praeguste ja arenevate uurimissuundade põhjal. Hapniku redutseerimisreaktsioon ja süsinikdioksiidi redutseerimine on tugevad lähtekontekstid, sest nendes valdkondades on instituudil olemas kättesaadavad andmed ja väljakujunenud teadustöö. Vajaduse korral saab sama lähenemist rakendada ka teistele sobivatele uurimisteemadele. Töö põhifookus on andmete süstematiseerimisel, andmeanalüüsil, tehisintellekti toel ja taaskasutataval teadustarkvaral. Projekti oodatavad tulemused on teaduspublikatsioonid, taaskasutatavad andme- ja tarkvaralahendused ning ülekantavad meetodid andmemahukaks eksperimentaalseks teadustööks.

Juhendaja(d): Ivo Leito, Stefan Kuhn, Lauri Toom

Kavandatav doktoritöö projekti keskne eesmärk on kohanduvate ja arvutuslikult toetatud TMR‑metoodikate arendamine tõhustamaks struktuuranalüüsi bio-farma valdkonnas. Töös ühendatakse kõrgtasemelised TMR mõõtemeetodid, täiendav MS‑informatsioon ning tehisintellektil põhinev andmeanalüüs integreerituna analüütilisteks töövoogudeks lisandite, laguproduktide, metaboliitide ja keerukate segude uurimisel.

Keskne hüpotees on, et kohanduvad töövood, kus vahetulemuste interpreteerinud suunavad järgnevaid mõõtmisetappe, parandavad struktuuranalüüsi tõhusust ja usaldusväärsust. Projektis uuritakse mitmemõõtmelisi TMR‑meetodeid, nagu HSQC, HMBC, TOCSY, DOSY ning ebatraditsioonilised signaalikogumisvõtted, kombinatsioonis MS andmete ja arvutusliku toega.

Konkreetsed eesmärgid hõlmavad kohanduvaid TMR‑andmekogumise töövooge, integreeritud TMR‑MS‑metoodikaid keerukate segude analüüsiks ning eksperimentaalselt juhitud suletud tsükliga töövoogusid, mis ühendavad analüütilised mõõtmised ja arvutusliku interpreteerimise. Loodud lähenemisviiside valideerimine viiakse läbi reaalsest elust pärit andmete põhjal, sealhulgas lisandiprofiilide määramine ja metaboliitide iseloomustamine. Projektis luuakse eksperimentaalselt valideeritud analüütilised töövood ja korduvkasutatavad arvutuslikud tööriistad. Doktorikandidaat saab korraliku interdistsiplinaarse väljaõppe analüütilise keemia, TMR‑spektroskoopia, farmatseutilise analüüsi ja tehisintellektipõhise andmeanalüüsi alal.

Juhendaja(d): Heikki Junninen, Pilleriin Peets

Doktoriprojekti eesmärk on selgitada lenduvate orgaaniliste ühendite auto-oksüdatsiooniradu atmosfääris, rakendades nii tehisintellektil põhinevat modelleerimist kui ka kaasaegset pehme ionisatsiooniga massispektromeetriat (IMS‑VOCUS ja AIM‑VOCUS). Projekti käigus arendatakse tehisintellektipõhine andmetöötlusahel, mis tuvastab automaatselt eri reagentidega mõõdetud spektripiike, lahutab kattuvaid isotoopprofiile ja lahendab seadmes tekkivad fragmentatsioonimustreid. CERN CLOUD eksperimentide mahukate andmete põhjal luuakse ennustavad keemilised mudelid, mis kaardistavad radikaalide ahelreaktsioone varieeruvates tingimustes. Üks peamisi eesmärke on kasutada seda tehisintellektil põhinevat raamistikku, et kanda laboritingimustes saadud tulemused üle seni vähe uuritud ülemise troposfääri tingimustesse. Lõppkokkuvõttes loob projekt skaleeritava töövoo, mis võimaldab keerukad, mitmemõõtmelised massispektromeetrilised andmed teisendada mehhanistlikuks arusaamaks kõrgelt oksüdeerunud, madala lenduvusega, klimaatiliselt oluliste orgaaniliste ühendite tekkest.

Juhendaja(d): Mihkel Pajusalu, Aditya Savio Paul

Selle doktoritöö eesmärgiks on arendada ja katsetada isejuhendatud masinõppemeetodeid, mis võimaldaks planeetaarkulguritel ja kaitsevaldkonna mehitamata maismaasõidukitel efektiivsemalt struktureerimata keskkonnas (keskkonnas, mis pole tavaline linnakeskkond või teed) navigeerida, kasutades selleks passiivseid andureid.
Masinõppemudelite sisendiks saab kasutada erinevaid andmeid: maastiku kuju ja selles olevate takistuste kohta saab infot sõiduki kaamerapiltidest ning läbitavust mõjutavaid omadusi saab hinnata propriotseptiivsete anduritega, nagu näiteks inertsiaalmõõteseadmed ja rattakooderid. Tulemuseks on masinõppemudel, mis loob keskkonnast 3D mudeli koos läbitavuse informatsiooniga.
Loodud raamistikku katsetatakse nii simuleeritud andmetega kui ka sõidukite liikumise käigus kogutud struktureerimata maastikuandmetega, et katta võimalikud kasutusjuhud Maa pinnal ja teistel taevakehadel.

Juhendaja: Valdis Laan

See projekt kuulub algebra, täpsemalt öeldes poolrühmateooria, valdkonda. Projekti eesmärk on uurida teatud loomulikul viisil defineeritud polügoonide kategooriate omadusi üle poolrühmade ja võrrelda saadavaid tulemusi tulemustega vastavate moodulite kategooriate jaoks üle ühikelemendita ringi. Me soovime aru saada, kas need kategooriad võiks sobida paremini Morita ekvivalentsuse seose defineerimiseks kõigi poolrühmade klassil võrreldes kõigi püsivate polügoonide kategooriaga. Meid huvitab kõigi kinniste polügoonide kategooria ja kõigi unitaarsete mittesingulaarsete polügoonide kategooria. Muuhulgas on plaanis uurida järgmisi probleeme: kas need kategooriad on kõigi polügoonide kategooria reflektiivsed alamkategooriad, kuidas konstrueeritakse neis piire ja kopiire, millised on projektiivsed ja vabad objektid, kas nendes leidub (ko)tekitavate objektide hulk jne.

Juhendajad: Hannes Kollist, Pawel Roszak, Yuh-Shuh Wang

Taimede rakukestad on dünaamilised struktuurid, mis kohandavad pidevalt oma koostist vastavalt taime arengule ja keskkonnast tulenevatele signaalidele. Kalloos, β-1,3-glükaanpolüsahhariid, on üks rakukesta komponente, mis mängib olulist rolli raku kesta moodustumisel, tolmutoru kasvus ning

plasmodesmide regulatsioonis floeemi diferentseerumise käigus. Lisaks arengulistele funktsioonidele näitavad hiljutised uuringud, et kalloosi ektoopiline lisamine sekundaarsetesse rakukestadesse võib vähendada biomassi vastupanu keemilisele töötlemisele ja parandada ensümaatilist ligipääsetavust, avades uusi võimalusi puitmaterjali molekulaarsel väärindamisel. Vaatamata selle olulisusele on meie arusaam kalloosi ladestumist, paiknemist ja lagundamist reguleerivatest mehhanismidest endiselt puudulik.

Oleme tuvastanud väikese transkriptsioonifaktorite perekonna, mis soodustab kalloosi moodustumist. Nende loomulikus ekspressioonikontekstis reguleerivad need faktorid kalloosi ladestumist küpsevates floeemi sõeltoruelementides; ektoopilise aktivatsiooni korral käivitavad nad aga laiema geneetilise programmi, mis on piisav kalloosi akumulatsiooni esilekutsumiseks rakukestas ja plasmodesmides. Uurides taimeliine kus antud transkriptsioonifaktorite avaldumist on kas võimendatud või alla surutud on andnud ulatusliku nimekirja potentsiaalsetest regulaatoritest, mis võivad kontrollida kalloosi sünteesi, suunamist ja lagundamist.

Käesoleva doktoritöö eesmärk on selgitada kallooosi dünaamikat reguleerivat molekulaarset võrgustikku. Selleks (i) iseloomustame funktsionaalselt peamisi kandidaatgeene, mis on vajalikud kalloosi ladestumiseks arenevates raku kompartmentides; (ii) viia läbi geneetiline sõeluuring NAC020 üleekspressiooni liinidega (kalloosi ladestumine) ja karakteriseerida leitud mutantsed liinid; ning (iii) loome skaleeritava Arabidopsise ksüleemi rakukultuuri platvormi, et testida Põhja- ja Baltimaade kasepopulatsioonidest tuvastatud looduslike geneetiliste variantide mõju rakukesta koostisele ja puidu biomehaanilistele omadustele.

Kokkuvõttes aitab see töö selgitada kallooosi ladestumist kontrollivaid mehhanisme ning rakendada saadud teadmisi puidu omaduste ja kvaliteedi parandamiseks jätkusuutlikes biopõhistes rakendustes.