Jeg er seniorforsker ved NORCE Research AS, med spesialisering i maskinlæring og dens anvendelser innen infrastrukturovervåking, helseteknologi og akvakultur. Forskningen min fokuserer på å utvikle KI-systemer som fungerer pålitelig med sensordata fra virkeligheten, fra fiberoptisk sensing i rørledninger til computer vision for undersjøisk inspeksjon. Nylige retninger inkluderer fysikkinformerte metoder for energisystemer, LLM-verktøy, og internasjonale forskningssamarbeid med institusjoner i Europa og Sørøst-Asia.
Forskningsinteresser
Maskinlæring · Deep Learning · Computer Vision · Distribuert Fiberoptisk og Seismisk Sensing · Fysikkinformerte Nevrale Nettverk · Knowledge Distillation · Large Language Models og Tool-Calling Agents · 3D Point Cloud Processing · Helseteknologi
Pågående Arbeid
- AQUAROM: Sykdomshåndtering i Akvakultur — Internasjonalt samarbeid med partnere i Norge, Filippinene og Indonesia, som undersøker om smarte algoritmer med få sensorer kan måle seg med dyrere overvåkingssystemer for tidlig sykdomsdeteksjon i fiskeoppdrett. Konsortiet omfatter syv institusjoner og inkluderer tre doktorgradsstillinger i Norge og Sørøst-Asia, og bygger langsiktig forskningskapasitet i regioner som er avhengige av akvakultur.
- NOR-DMT: Digital Musikkterapi — KI-drevet plattform for virtuell musikkterapi, fullstendig testet og klar for utrulling på en sikker, GDPR-tilpasset infrastruktur. Plattformen kombinerer videokonferanse i sanntid med maskinlæring som analyserer pasientengasjement, og gir terapeuter strukturerte kliniske rapporteringsverktøy. Stack: Jitsi Meet (Prosody, Jicofo, JVB) for video, NestJS og PostgreSQL i backend, React-frontend over Socket.IO, Docker Compose for utrulling.
- Distribuert Sensing for Infrastruktur og Undergrunn — Maskinlæring bygget på distribuert akustisk og temperatursensing (DAS/DTS) for lekkasjedeteksjon i vannledninger og estimering av flerfasestrøm i industrielle anvendelser. Nyere arbeid utvider dette til passiv seismisk sensing for grunnvannsspeilestimering ved hjelp av fiberoptisk instrumentering (S-TRANET). Stack: PyTorch og scikit-learn for modellering, ObsPy og SciPy for seismisk og akustisk signalbehandling, dispersjonskurve-analyse med disba, HPC for trening og ensembler.
- Computer Vision for Offshore Inspeksjon — Sanntids deep learning som oppdager og klassifiserer objekter i undersjøiske bilder, fra rørledninger og utstyr til marint liv, inkludert en streaming inspection pipeline utviklet sammen med industripartnere. Stack: RT-DETR for deteksjon, SAM-3 for svaksupervisert annotering, PyTorch for trening, FastAPI med Server-Sent Events for live streaming.
- Fysikkinformert ML og Tungregning (NAIC) — Bidrag til Norsk Kunstig Intelligens-Sky, inkludert analyse av climate teleconnections, fysikkinformerte nevrale nettverk for energisystemer som grønne hydrogen-elektrolysører, og hybride optimaliseringsalgoritmer. Datasett og demonstratorer fra dette arbeidet er publisert åpent. Stack: PyTorch og scikit-learn for ML, knowledge distillation (teacher–student) for fysikkinformerte nettverk, Butler-Volmer og Nernst-elektrokjemi for fysiske begrensninger, hybrid optimalisering som kombinerer Deterministic Crowding GA med CMA-ES, NetCDF og HPC for klimaensembler.
- LLM Tooling for Datautforskning og Digitale Tvillinger — Chat-baserte grensesnitt som kobler naturlig språk til datautforskning, visualisering og digital twin-systemer. Modellene kaller verktøy fra en avgrenset katalog og returnerer typede, etterprøvbare utdata heller enn ustrukturert tekst. Stack: Modeller: lokalt hostede Mistral for tekst og Qwen Vision for multimodal input; Tool integration: Model Context Protocol (MCP) for tool catalogs og strukturerte render specifications; Data og transport: NetCDF for vitenskapelige datasett og Protocol Buffers for service-to-service-kommunikasjon; Frontend: typede React-komponenter rendret fra tool outputs. Relatert arbeid ser på å oppdage og redusere hallusinasjoner i utdata fra LLM-er.
Utdanning
Ph.D. i Anvendt Informatikk, Norges Miljø- og Biovitenskapelige Universitet (2020) M.Sc. i Informatikk, Bandung Institute of Technology (2016) B.Sc. i Datavitenskap, Sepuluh Nopember Institute of Technology (2011)
Publikasjoner
- HA Arief, PJ Thomas, W Li, C Brekken, M Hjelstuen, IE Smith, S Kragset, AK Katsaggelos. Nonlinear interpolated Variational Autoencoder for generalized fluid content estimation. Geoenergy Science and Engineering, 2025
- F Hasan, H Ali, HA Arief. From Mesh to Neural Nets: A Multi-method Evaluation of Physics Informed Neural Network and Galerkin Finite Element Method for Solving Nonlinear Convection–Reaction–Diffusion Equations. International Journal of Applied and Computational Mathematics, 2025
- HA Arief, PJ Thomas, T Wiktorski. Better modeling out-of-distribution regression on distributed acoustic sensor data using anchored hidden state mixup. IEEE Transactions on Industrial Informatics, 2022
- HA Arief, PJ Thomas, K Constable, AK Katsaggelos. Towards Building a Distributed Virtual Flow Meter via Compressed Continual Learning. Sensors, 2022
- HA Arief, T Wiktorski, PJ Thomas. A survey on distributed fibre optic sensor data modelling techniques and machine learning algorithms for multiphase fluid flow estimation. Sensors, 2021
- HA Arief, M Arief, G Zhang, Z Liu, M Bhat, UG Indahl, H Tveite, D Zhao. SAnE: Smart annotation and evaluation tools for point cloud data. IEEE Access, 2020
- HA Arief, UG Indahl, GH Strand, H Tveite. Addressing Overfitting on Point Cloud Classification using Atrous XCRF. ISPRS Journal of Photogrammetry and Remote Sensing, 2019
- HA Arief, GH Strand, H Tveite, UG Indahl. Land cover segmentation of airborne LiDAR data using stochastic atrous network. Remote Sensing, 2018
Lenker
Google Scholar · ResearchGate · Cristin · GitHub
Sist oppdatert: mai 2026 — tone og grammatikk redigert av KI
