Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Toward Efficient Federated Learning over Wireless Networks : Novel Frontiers in Resource Optimization
No full textWith the rise of the Internet of Things (IoT) and 5G networks, edge computing addresses critical limitations in cloud computing’s quality of service . Machine learning (ML) has become essential in processing IoT-generated data at the edge, primarily through distributed optimization algorithms that support predictive tasks. However, state-of-the-art ML models demand substantial computational and communication resources, often exceeding the capabilities of wireless devices. Moreover, training these models typically requires centralized access to datasets, but transmitting such data to the cloud introduces significant communication overhead, posing a critical challenge to resource-constrained systems. Federated Learning (FL) is a promising iterative approach that reduces communication costs through local computation on devices, where only model parameters are shared with a central server. Accordingly, every communication iteration of FL experiences costs such as computation, latency, bandwidth, and energy. Although FL enables distributed learning across multiple devices without exchanging raw data, its success is often hindered by the limitations of wireless communication overhead, including traffic congestion, and device resource constraints. To address these challenges, this thesis presents cost-effective methods for making FL training more efficient in resource-constrained wireless environments. Initially, we investigate challenges in distributed training over wireless networks, addressing background traffic and latency that impede communication iterations. We introduce the cost-aware causal FL algorithm (FedCau), which balances training performance with communication and computation costs through a novel iteration-termination method, removing the need for future information. A multi-objective optimization problem is formulated, integrating FL loss and iteration costs, with communication managed via slotted-ALOHA, CSMA/CA, and OFDMA protocols. The framework is extended to include both convex and non-convex loss functions, and results are compared with established communication-efficient methods, including heavily Aggregated Quantized Gradient (LAQ). Additionally, we develop ALAQ(Adaptive LAQ), which conserves energy while maintaining high test accuracy by dynamically adjusting bit allocation for local model updates during iterations . Next, we leverage cell-free massive multiple-input multiple-output (CFm-MIMO) networks to address the high latency in large-scale FL deployments. This architecture allows for simultaneous service to many users on the same time/frequency resources, mitigating the latency bottleneck through spatial multiplexing. Accordingly, we propose optimized uplink power allocation schemes that minimize the trade-off between energy consumption and latency, enabling more iterations under given energy and latency constraints and leading to substantial gains in FL test accuracy. In this regard, we present three approaches, beginning with a method that jointly minimizes the users’ uplink energy and FL training latency. This approach optimizes the trade-off between each user’s uplink latency and energy consumption, factoring in how individual transmit power impacts the energy and latency of other users to jointly reduce overall uplink energy consumption and FL training latency. Furthermore, to address the straggler effect, we propose an adaptive mixed-resolution quantization scheme for local gradient updates, which considers high resolution only for essential entries and utilizes dynamic power control. Finally, we introduce EFCAQ, an energy-efficient FL in CFmMIMO networks, with a proposed adaptive quantization to co-optimize the straggler effect and the overall user energy consumption while minimizing the FL loss function through an adaptive number of local iterations of users. Through extensive theoretical analysis and experimental validation, this thesis demonstrates that the proposed methods outperform state-of-the-art algorithms across various FL setups and datasets. These contributions pave the way for energy-efficient and low-latency FL systems, making them more practical for use in real-world wireless networks.Framväxten av sakernas Internet (IoT, Internet of Things) och 5G-nät begränsas av tjänstekvaliteten i molnet, men kantberäkningar kan adressera dessa problem. Maskininlärning (ML) kommer bli avgörande för att bearbeta IoT-genererad data vid kanten av nätet, främst genom att använda distribuerade optimeringsalgoritmer för prediktion. Dagens ML-modeller kräver dock stora beräknings- och kommunikationsresurser som ofta överstiger kapaciteten hos enskilda trådlösa enheter. Dessutom kräver träningen av dessa modeller vanligtvis centraliserad åtkomst till stora datamängder, men överföringen av denna data till molnet har betydande kommunikationskostnader, vilket är en kritisk utmaning för att driva resursbegränsade system. Federerad inlärning (FL) är en lovande iterativ ML-metod som minskar kommunikationskostnaderna genom att genomföra lokala beräkning på lokalt tillgänglig data på enheterna och endast dela modellparametrar med en central server. Varje iteration i FL har vissa kostnader när det gäller beräkningar, latens, bandbredd och energi. Även om FL möjliggör distribuerad inlärning över flera enheter utan att utbyta rådata, begränsas metoden i praktiken av den trådlösa kommunikationstekniken, t.ex. trafikstockningar i nätet och energibegränsningar i enheterna. För att adressera dessa problem presenterar denna avhandling kostnadseffektiva metoder för att göra FL-träning mer effektiv i resursbegränsade trådlösa miljöer. Inledningsvis löser vi forskningsproblem relaterade till distribuerad inlärning över trådlösa nätverk med fokus på hur annan datatrafik och kommunikationslatensen begränsar FL-iterationerna. Vi introducerar den kostnadsmedvetna kausala FL-algoritmen FedCau som balanserar träningsprestanda mot kommunikations- och beräkningskostnader. En viktig del av lösningen är en ny termineringsmetod som tar bort det tidigare behovet av att ha information om framtida beräkningar vid termineringen. Ett flermålsoptimeringsproblem formuleras för att integrera FL-kostnader med kommunikation som genomförs med ALOHA-, CSMA/CA- eller OFDMA-protokollen. Ramverket omfattar både konvexa och icke-konvexa förlustfunktioner och resultaten jämförs med etablerade kommunikationseffektiva metoder, inklusive Lazily Aggregated Quantized Gradient (LAQ). Dessutom utvecklar vi A-LAQ (adaptivLAQ) som sparar energi samtidigt som hög ML-noggrannhet bibehålls genom att dynamiskt justera bitallokeringen för de lokala modelluppdateringarna under FL-iterationerna. Därefter analyserar vi hur cellfri massiv multiple-input multiple-output (CFmMIMO) teknik kan användas för att hantera den höga kommunikationslatensen som annars uppstår när storskaliga modeller tränas genom FL. Denna nya nätarkitektur består av många samarbetande basstationer vilket möjliggör att många användare kan skicka modelluppdateringar samtidigt på samma frekvenser genom rumslig multiplexing, vilket drastiskt minskar latensen. Vi föreslår nya upplänkseffektregleringsscheman som optimerar avvägningen mellan energiförbrukning och latens. Denna lösning möjliggör fler FL-iterationer under givna energi- och latensbegränsningar och leder till betydande vinster i FL-testnoggrannheten. Vi presenterar tre tillvägagångssätt varav det första är en metod som minimerar en matematisk avvägningen mellan varje användares upplänkslatens och energiförbrukning. Metoden tar hänsyn till hur de individuella sändningseffekterna påverkar andra användares energi och latens för att gemensamt minska den totala energiförbrukningenoch FL-träningsfördröjningen. Vårt andra bidrag är en metod för att hantera eftersläpningseffekter genom ett adaptivt kvantiseringsschema med blandad upplösning för de lokala gradientuppdateringarna. I detta schema används hög kvantiseringsupplösning endast för viktiga variabler och vi använder även dynamisk effektreglering. Slutligen introducerar vi EFCAQ som är en energieffektiv FL-metod för CFmMIMO-nätverk. EFCAQ kombinerar ett nytt adaptivt kvantiseringsschema med att samoptimera eftersläpningseffekten och användarens totala energiförbrukning så att FL-förlustfunktionen minimeras genom att använda ett adaptivt antal lokala iterationer hos varje användare. Genom omfattande teoretisk analys och experimentell validering visar denna avhandling att de föreslagna metoderna överträffar tidigare kända algoritmer i olika FL-scenarier och för olika datauppsättningar. Våra bidrag banar väg för energieffektiva FL-system med låg latens, vilket gör dem mer praktiska för användning i verkliga trådlösa nätverk.QC 20250115</p
Quantifying Variable Contributions to Bus Operation Delays Considering Causal Relationships
No full textBuses in public transit networks often face operational delays due to dynamic conditions such as traffic congestion, which can propagate through transit routes, affecting overall system performance. Understanding the causes of bus arrival delays is crucial for effective public transport management and control. Moreover, understanding the contribution of each factor to bus delays not only aids in developing targeted strategies to mitigate delays but is also crucial for effective decision-making and planning. Traditional research primarily focuses on correlation-based analysis, lacking the ability to reveal the underlying causal mechanisms. Additionally, no studies have considered the complex causal relationships between factors when quantifying their contributions to outcomes in public transport. This study aims to analyze the factors causing bus arrival delays from a causal perspective, focusing on quantifying the causal contribution of each factor while considering their causal relationships. Quantifying a factor's causal contribution poses challenges due to computational complexity and statistical bias from the limited sample size. Using a causal discovery method, this study generates a causal graph for bus arrival delays and employs the causality-based Shapley value to quantify the contribution of each variable. The study further uses the Double Machine Learning (DML) approach to estimate the causal contributions, which provides a consistent and computationally feasible method. A case study was conducted using Google Transit Feed Specification (GTFS) data, focusing on high-frequency bus routes in Stockholm, Sweden. To validate the model, cross-validation was performed by comparing variable importance rankings with traditional models, including Linear Regression (LR) and Structural Equation Modeling (SEM). The comparison shows that results from the causality-based Shapley value significantly differ from those obtained by traditional methods in terms of importance rankings and influence magnitudes. The findings underscore the significant impact of origin delays on bus punctuality, a factor often underestimated in previous studies. Additionally, it demonstrates that employing a causal discovery model can not only infer causal relationships but also reveal direct and indirect effects, which can provide more intuitive explanations. Finally, although the causal results are mathematically and intuitively sound, it is important to further investigate the real causality impact in practice using lab experiments or A/B tests in real-world settings.QC 20241206</p
Automatisk testning på djupet av datainsamlingssystem för fotoakustisk avbildning
No full textOptoacoustic imaging is revolutionizing medical diagnostics by enabling early detection ofconditions such as peripheral artery disease. These systems rely on high-performance dataacquisition systems (DAQs) to ensure precise data collection and effective pre-processing ofprobe-acquired information. Maintaining the reliability and efficiency of these components iscritical to preserving the accuracy and functionality of the imaging process.This project involves the development of a fully automated test bench designed to rigorouslyassess the robustness and functionality of DAQs. Key contributions include the identificationof critical performance metrics, the design of custom electronic boards, and the implementationof advanced automation through tailored software solutions. This innovative approach optimizes testing procedures and significantly enhances the reliability and performance of ITheraMedical’s optoacoustic imaging technologies.Optoakustisk bildbehandling revolutionerar medicinsk diagnostik genom att möjliggöra tidig upptäckt av tillstånd såsom perifer artärsjukdom. Dessa system är beroendeav högpresterande datainsamlingssystem (DAQ) för att säkerställa noggrann datainsamling och effektiv förbehandling av information som erhålls från sondens mätningar.Att upprätthålla pålitligheten och effektiviteten hos dessa komponenter är avgörandeför att bevara noggrannheten och funktionaliteten i bildbehandlingsprocessen.Detta projekt handlar om utvecklingen av en fullt automatiserad testbänk som ärdesignad för att noggrant utvärdera DAQ:ernas robusthet och funktionalitet. De viktigaste bidragen inkluderar identifiering av kritiska prestandamått, design av skräddarsydda elektroniska kretskort samt implementering av avancerad automation genomskräddarsydda mjukvarulösningar. Denna innovativa metod optimerar testprocedurerochförbättrar avsevärt pålitligheten och prestandan hos IThera Medicals optoakustiskabildbehandlingstekniker
Restaurant As Tenant : A Study on the rental relationship between restaurateur and property owner
No full textRestauranger utgör en viktig del av det kommersiella lokalbeståndet. Denna studie undersöker hyresförhållandet mellan fastighetsägare och restauratör ur ett integrerat perspektiv som kombinerar juridiska, ekonomiska och praktiska aspekter. Fokus ligger särskilt på de särdrag som skiljer restaurangverksamhet från andra verksamheter som konkurrerar om liknande lokaler, samt vilka faktorer som påverkar fastighetsägares beslut att upplåta lokaler till restauranghyresgäster. Studien baseras på en kvalitativ flerfallsstudie där fem intervjuer genomförts med representanter från såväl större fastighetsbolag som branschorganisationen Visita. Intervjuerna har kompletterats med statistiska data kring hyresnivåer och konkursutveckling inom restaurangbranschen, samt en rättslig analys av relevanta delar i hyreslagstiftningen och hygienkrav för livsmedelslokaler. Resultatet visar att restaurangsektorn skiljer sig tydligt från andra kommersiella verksamheter. Restauranglokaler kräver ofta betydande tekniska anpassningar och investeringar, vilket påverkar utformningen av hyresavtalet, ansvarsfördelningen samt hyresvärdens riskexponering. Förvaltningen är mer komplex, med särskilda krav på ventilation, fettavskiljare och myndighetsanpassningar. Hyresavtal för restauranger innefattar därför mer detaljerade gränsdragningslistor och särskilda klausuler för att hantera exempelvis störningar och driftansvar. Samtidigt framkommer att restauranger trots dessa utmaningar även uppfattas som attraktiva hyresgäster. De bidrar till att öka en fastighets eller ett områdes attraktionskraft, särskilt i tider då traditionell handel minskar. Restaurangverksamheter skapar liv i gatuplan och bidrar till synergieffekter med andra verksamheter. Den sociala nyttan i form av trygghet, rörelse i stadsmiljön och levande stadsdelar lyfts också fram som ett skäl till att fastighetsägare väljer restauratörer som hyresgäster. En annan slutsats som studien har klargjort är att valet av hyresgäst spelar en central roll för att hantera risker som konkurs, störningar och verksamhetsöverlåtelser. Fastighetsägarna genomför ofta noggranna bakgrundskontroller och kräver ekonomiska garantier för att säkerställa långsiktiga hyresförhållanden. Miljöcertifieringar och energiklassificeringar har viss påverkan, men är i nuläget inte avgörande för beslutet att hyra ut till restauranger. Sammanfattningsvis bidrar studien med ny kunskap om hur restauranger fungerar som kommersiella hyresgäster, och vilka faktorer som formar hyresförhållandet.Restaurants represent an important part of the commercial property landscape in urban centers. This study examines the landlord-tenant relationship between property owners and restaurant operators from an integrated perspective that combines legal, economic, and practical aspects. Particular focus is placed on the unique characteristics that distinguish restaurant businesses from other types of tenants competing for similar premises, as well as the factors influencing property owners’ decisions to lease space to restaurants. The study is based on a qualitative multiple case study, including five interviews with representatives from major real estate companies and the industry organization Visita. The interviews are supplemented with statistical data on rental levels and bankruptcy trends in the restaurant sector, along with a legal analysis of relevant aspects of tenancy law and hygiene regulations for food establishments. The findings indicate that the restaurant sector differs significantly from other commercial operations. Restaurant premises often require substantial technical adaptations and investments, which affect the structure of lease agreements, the division of responsibilities, and the landlord’s exposure to risk. Property management is more complex, involving specific requirements for ventilation, grease separators, and regulatory compliance. Lease agreements for restaurants therefore tend to include more detailed demarcation lists and specific clauses addressing issues such as disturbances and operational responsibilities. Despite these challenges, restaurants are also perceived as attractive tenants. They contribute to enhancing the appeal of a property or neighbourhood, especially as traditional retail declines. Restaurant operations generate street-level activity and create synergies with surrounding businesses. Their social value—through increased safety, urban vibrancy, and the activation of public spaces—is also highlighted as a reason why landlords actively seek restaurant tenants. Another key conclusion is that the choice of tenant plays a critical role in managing risks such as bankruptcy, disturbances, and business transfers. Property owners often conduct thorough background checks and require financial guarantees to ensure long-term tenancies. While environmental certifications and energy ratings have some influence, they are currently not decisive factors in leasing decisions for restaurant premises. In summary, this study contributes new knowledge about restaurants as commercial tenants and the key factors shaping landlord-tenant relationships.
Certifierade kontorsfastigheter i Milano: En analys av marknadsprestanda och investeringsbeteende
No full textThe purpose of this study is to examine how ESG certification affects investment behavior and valuation within the office real estate market in Milan. The study addresses three central research questions: How do sustainable buildings influence transaction volumes and investor interest? How can non-certified buildings be adapted to meet current sustainability standards? And how does improved energy efficiency contribute to increased property values? By combining qualitative methods, through semi-structured interviews with industry professionals, and quantitative analysis of transaction data, the study finds that ESG-certified office buildings generally sell at higher prices and are more attractive, particularly to foreign investors. Certifications such as LEED and BREEAM serve as quality indicators and help reduce investment risks by enhancing energy efficiency and future-proofing assets. The study also shows that transitioning from so-called “brown” to “green” buildings is both technically and economically challenging, yet increasingly necessary due to rising regulatory demands such as those introduced in the EU’s ESRS E1 standard. At the same time, the findings suggest that upgrading older buildings requires both technical and strategic efforts to meet current demands for energy efficiency and climate performance. Overall, the study indicates that sustainability certification has become a strategic factor in Milan’s office market, with growing importance for both valuation and investment decisions. The results reflect a broader market shift in which environmental performance and energy efficiency play an increasingly central role in determining a building’s attractiveness, suggesting that ESG considerations will be essential for the future of real estate investment.Syftet med denna studie är att undersöka hur ESG-certifiering påverkar investeringsbeteende och värdering inom kontorsfastighetsmarknaden i Milano. Studien utgår från tre centrala forskningsfrågor: Hur påverkar hållbara byggnader transaktionsvolymer och investerarintresse? Hur kan icke-certifierade byggnader anpassas till dagens hållbarhetskrav? Och hur bidrar förbättrad energieffektivitet till ökade fastighetsvärden? Genom en kombination av kvalitativa metoder, i form av semistrukturerade intervjuer med branschaktörer, och kvantitativ analys av transaktionsdata, visar studien att ESG-certifierade kontorsbyggnader generellt säljs till högre priser och upplevs som mer attraktiva, särskilt bland utländska investerare. Certifieringar som LEED och BREEAM fungerar som kvalitetsindikatorer och bidrar till att minska investeringsrisker genom ökad energieffektivitet och framtidssäkring av fastighetstillgångar.Studien visar även att omställningen från så kallade ”bruna” till ”gröna” byggnader är både tekniskt och ekonomiskt krävande, men allt mer nödvändig till följd av ökade regulatoriska krav, såsom de som införts i EU:s ESRS E1-standard. Samtidigt framgår det att uppgradering av äldre byggnader kräver både tekniska lösningar och strategiskt arbete för att möta dagens krav på energieffektivitet och klimatprestanda. Sammanfattningsvis indikerar studien att hållbarhetscertifiering har blivit en strategisk faktor på Milanos kontorsmarknad, med växande betydelse för både värdering och investeringsbeslut. Resultaten speglar ett bredare marknadsskifte där miljöprestanda och energieffektivitet spelar en allt mer central roll för en byggnads attraktivitet, vilket tyder på att ESG-aspekter kommer att vara avgörande för framtidens fastighetsinvesteringar
Utmaningar i operatörsutbildning inom läkemedelstillverkning : En fallstudie
No full textIn pharmaceutical manufacturing, a structured onboarding and training process of operators is essential to ensure regulatory compliance and efficient production. This case study analyzes the operator training process at a Swedish pharmaceutical company, from onboarding to full certification, in order to address the research question: What are the key challenges in operator training within the pharmaceutical industry? The focus lies on identifying factors that contribute to operators not completing their certification within the planned time frame. The study is based on a mixed-methods approach, including a preliminary study with unstructured interviews and observations, a literature review, a survey answered by 53 operators and nine semi-structured interviews with line managers, trainers and a director. The empirical study identified six key challenges: theory overload, standardized training, lack of structure, insufficient support, resistance to digital tools and lack of ownership. The study presents improvement suggestions for each challenge, focusing on increased individualization, improved structure and clearer division of responsibilities.Inom läkemedelstillverkning är en strukturerad introduktion och utbildning för operatörer avgörande för att säkerställa regelefterlevnad och effektiv produktion. Denna fallstudie kartlägger operatörsutbildningen vid ett svenskt läkemedelsföretag från introduktion och vidareutbildning till full certifiering, i syfte att besvara forskningsfrågan: Vilka är de huvudsakliga utmaningarna i operatörsutbildningen inom läkemedelsindustrin? Fokus ligger på att identifiera faktorer som bidrar till att operatörer inte slutför sin certifiering inom den planerade tidsramen. Studien bygger på en kombinerad metodansats bestående av en förstudie med ostrukturerade intervjuer och observationer, en litteraturstudie, en enkätundersökning med svar från 53 operatörer samt nio semistrukturerade intervjuer med linjechefer, utbildare och en sektionschef. Utifrån den empiriska studien identifierades sex huvudsakliga utmaningar: teoriöverbelastning, standardiserad utbildning, bristande struktur, otillräckligt stöd, digitalt motstånd och brist på ägarskap. Studien presenterar förslag på förbättringar kopplade till varje utmaning, med fokus på ökad individualisering, förbättrad struktur och tydligare ansvarsfördelning
Utvärdering av prestandan hos Node.js-ramverken Express, Fastify och NestJS i moderna molnmiljöer : En jämförande analys av skalbarhet, effektivitet och lämplighet för högbelastade applikationer år 2025
No full textThe choice of backend framework can significantly impact the performanceand reliability of cloud-based applications, especially in serverless environmentswhere startup time, resource usage, and scalability become critical. Thisstudy presents a comparative evaluation of three popular Node.js frameworks:Express, Fastify, and NestJS, all deployed on AWS Lambda. Using controlledbenchmarking and performance testing tools such as Artillery and AWSCloudWatch, this study evaluates cold start duration, latency metrics, memoryusage, and response stability across varying traffic loads. The results show thatwhile Express is the most lightweight and consistent under low to moderateload, it degrades rapidly at scale. Fastify demonstrates strong performanceand low overhead, but with occasional instability under stress. NestJS, thoughheavier in terms of cold starts and memory use, offers structured architectureand maintains stable execution patterns in moderate traffic. No single frameworkwas universally optimal, but each demonstrated distinct strengths dependingon workload type and system requirements. This thesis provides deeperinsight into backend framework performance on serverless platforms, whichsupports better decision-making in designing scalable and efficient cloud-nativeapplications. Valet av backendramverk kan ha en betydande inverkan på prestanda ochtillförlitlighet hos molnbaserade applikationer, särskilt i serverlösa miljöer däruppstartstid, resursanvändning och skalbarhet blir kritiska faktorer. Dennastudie presenterar en jämförande utvärdering av tre populära Node.js-ramverk:Express, Fastify och NestJS, samtliga distribuerade på AWS Lambda. Medhjälp av kontrollerade benchmarktester och prestandaanalysverktyg som Artilleryoch AWS CloudWatch utvärderas kallstartstider, latens, minnesanvändning ochsvarsstabilitet under varierande belastningsnivåer. Resultaten visar att Express ärdet mest resurseffektiva och konsekventa ramverket vid låg till måttlig belastning,men att dess prestanda snabbt försämras vid högre skala. Fastify uppvisar starkprestanda och låg overhead, men med viss instabilitet under hård belastning.NestJS, som kräver mer resurser vid kallstart och högre minnesanvändning,erbjuder en strukturerad arkitektur och bibehåller stabil exekvering under måttligtrafik. Inget av ramverken var optimalt i alla situationer, men samtliga visadetydliga styrkor beroende på belastningstyp och systemkrav. Detta examensarbetebidrar med fördjupad förståelse för hur backendramverk påverkar prestandai serverlösa plattformar och stödjer mer välinformerat beslutsfattande vidutformning av skalbara och effektiva molnapplikationer
Utvärdering av extraktions och analysmetoder för lipider och fettsyror från kiselalger
No full textDet finns idag ett växande hållbarhetsrelaterat incitament att ersätta fossilbaserade och ohållbara råvaror för materialproduktion med biobaserade råvaror. Kiselalger verkar vara en lovande kandidat då de inte kräver plats på odlingsbar mark och kan odlas i restvatten eller saltvatten. Syftet med denna studie är att utvärdera lösningsmedelsextraktionprotokoll av lipider och fettsyror från Swedish Algae Factorys kiselalger, samt att undersöka hur cell lysering påverkar kvaliteten på frustulerna, eftersom dessa är företagets huvudprodukt. Fyra mekaniska metoder för cell lysering – vortex med glaspärlor, sonikering, malning med flytande kväve och krossning med metallkula via snabbt skakande – kombinerades med två lösningsmedel system: diklormetan:metanol (DCM:MeOH) och 2-metyltetrahydrofuran:isoamylalkohol (2-MeTHF:IAA). Frustulernas kvalitet bedömdes med ljusmikroskop (LM) och svepelektronmikroskop (SEM). Lipid- och fettsyra analys genomfördes med gaskromatografi med flammansjonisationsdetektor (GC-FID), tunnskiktskromatografi (TLC) samt vägning av totala lipid- och fettsyra vikten med våg. Torrvikten för cell lyseringsmetoderna varierade mellan 4.1–12.0% medan de två icke-lyserade metoderna hade en torrvikt på 7.6% och 10.4%. Cell lyseringsmetoderna hade 11–12 synliga band på TLC plattorna medan det icke-lyserade provet hade 8 band synliga, vilket kan indikera att cell lyseringen förbättrar antalet lipider och fettsyror som kan extraheras. Karaktäriseringen genomfördes genom att identifiera de större grupperna polära lipider, fria fettsyror och triacylglyceroler (TAGs). Den högsta vikten av lipider och fettsyror erhölls från provet taget efter den huvudsakliga frustule extraktionen (86.2 %), men kvaliteten på dem föreningarna undersöktes inte i denna studie. I projektet var det möjligt att extrahera lipider och fettsyror från kiselalgerna både innan och efter extraktionen av frustulerna. Resultaten behöver bekräftas med GC i framtida arbete, eftersom den analysmetoden inte gav några resultat i denna studie.There is a growing sustainability-related incentive to replace fossil-based and unsustainable feedstocks for material production with biobased feedstocks. Diatoms seem to be a promising candidate because they don’t take up arable land and can be cultivated on wastewater and saltwater. The aim of this study is to evaluate solvent extraction protocols of lipids and fatty acids from the Swedish Algae Factory’s diatoms, alongside assessing the impact of cell disruption on the frustule quality since that is the main product of the company. Four mechanical disruption techniques, vortexing with glass beads, sonication, liquid nitrogen grinding, and single‑bead beating (SBB), were combined with the two solvent systems dichloromethane:methanol (DCM: MeOH) and 2‑methyltetrahydrofuran: isoamyl alcohol (2-MeTHF: IAA). The frustule quality was assessed with light microscopy (LM) and scanning electron microscope (SEM). The lipids and fatty acids were assessed using gas chromatography equipped with a flame ionization detector (GC-FID), thin-layer chromatography (TLC) and total dry weight. The dry weight for the disruption methods ranged from 4.1–12.0% while the two non-disrupted samples had a dry weight of 7.6% and 10.4%. The disrupted samples had 11-12 visible bands on the TLC plates while the non-disrupted sample had 8 visible bands, which may indicate that cell lysis enhances the number of lipids and fatty acids that are extracted. Characterisation could be made by identifying polar lipids, free fatty acids and TAGs. The lipid yield was highest for the sample taken after the main frustule extraction (86.2%), though the quality of the compounds were not investigated. The present study shows that it is possible to extract lipids and fatty acids from the diatoms before and after extracting the frustules. Further confirmation of the results with GC needs to be performed in the future, since it did not give any results in this study
Molekyldynamiska Simuleringar av Karbanhydras Termostabilitet för Koldioxidavskiljning
No full textEtt ökat utsläpp av CO2 har resulterat i den globala uppvärmningen, vilket utsätter hela mänskligheten för fara. Avskiljning och lagring av koldioxid (CCS) är en av de mest konventionella metoderna för koldioxidavskiljning. Möjligheten att tillsätta karbanhydras (CA) till dessa system har undersökts då de har en hög katalytisk aktivitet för koldioxidhydrering. Dock så måste dessa enzym klara av de höga temperaturer för att kunna tillämpas. Därmed eftersöktes mutanter med hög termostabilitet. Rekonstruktion av förfäderssekvenser (ASR) har använts för detta ändamål. I syfte att hitta en förundersökningsmetod för att identifiera mer termostabila mutanter före karakterisering av dem på laboratoriet, så har molekyldynamiska simuleringar (MD) undersökts. Ett fylogenetiskt träd med hjälp av ARS skapades från gensekvenser av CA från termofila mikroorganismer. Totalt simulerades 11 mutanter och en vildtyp-CA under 100 ns vid 363 K och 393 K. Root mean square deviation (RMSD), root mean square fluctuation (RMSF), antal vätebindningar inom monomererna av enzymerna samt emellan monomererna av dimerena undersöktes. Inga fastställda resultat kunde bestämmas angående vilka mutanter som var mest termostabila. Förslag på de minst termostabila angavs (S_N3, S_N4, N2 och PmCA).An increase in CO2 emission has led to global warming which puts the whole of humanity at risk. Carbon capture and storage (CCS) has become one of the most conventional methods for reversing global warming. Addition of carbonic anhydrase (CA) to these systems have been investigated due to their high catalytic activity of CO2 hydration. However these enzymes need to be able to withstand high temperatures in order to be applicable and therefore new thermostable mutants are searched for. Ancestral sequence reconstruction (ASR) was used for this purpose. In search of a pre screening method to identify more thermostable mutants before laboratory characterization, molecular dynamics (MD) has been investigated. A phylogenetic tree by ARS was created from genome sequences of CA from thermophilic microorganisms. In total 11 mutants and one wild type CA were simulated for 100 ns at 363 K and 393 K. Root mean square deviation (RMSD), root mean square fluctuation (RMSF), number of hydrogen bonds within the enzymatic monomer and in the interphase of the monomers in the dimers were investigated. No conclusive results regarding the most thermostable mutants could be drawn. Suggestions of the least thermostable mutants were given (S_N3, S_N4, N2 and PmCA)
Adoption av Generativ Artificiell Intelligens i Professionella Tjänster : en Fallstudie av ett Etablerat Bolag
No full textThis study explores the adoption of Generative Artificial Intelligence within an established Professional Service Firm, focusing on its implementation in tax operations through a single case study. The findings reveal that while Generative Artificial Intelligence automates some menial tasks, its primary function is to augment the capabilities of tax professionals across various use cases. Despite a gradual transformation and anticipated disruptions yet to fully materialize, improvements in efficiency and quality of deliverables are reported. As professionals navigate challenges such as hallucinations, potential data breaches and difficulties allocating time, two distinct strategies emerge: implementation-methods and learning-methods. Implementation-methods involve procedures for integrating AI into workflows, characterized by validating and revising AI inputs and outputs. Learning-methods instead describe how professionals develop expertise in using AI through experimentation and collaboration, highlighting the significance of social support in the adoption process. Ultimately, while the integration of AI enhances client deliverables and offers valuable learning opportunities for the firm, concerns arise regarding the acquisition of domain knowledge by junior staff, potentially impacting their future effectiveness in leadership roles.Denna studie utforskar adoptionen av Generativ Artificiell Intelligens inom ett etablerat professionellt tjänsteföretag, med fokus på dess implementering i skatteverksamheter genom en fallstudie. Resultaten visar att även om Generativ Artificiell Intelligens automatiserar vissa rutinuppgifter, så är dess främsta funktion att komplementera arbetet hos skattejuristerna inom olika arbetsområden. Trots en gradvis transformation och förväntade förändringar som ännu inte har fullständigt materialiserats, rapporteras förbättringar i effektivitet och kvalitet på leveranserna. När juristerna navigerar svårigheter relaterat till hallucinationer, potentiellt dataintrång och svårigheter att avsätta tid, framträder två distinkta strategier: implementationsmetoder och lärandemetoder. Implementationsmetoder involverar procedurer för att integrera AI i arbetsflöden och kännetecknas av validering och revidering av AI-inmatningar och -utmatningar. Lärandemetoder handlar istället om hur juristerna utvecklar expertis i användningen av AI genom experimentering och samarbete, vilket framför vikten av socialt stöd i adoptionsprocessen. Trots att integrationen av AI förbättrar kundleveranser och erbjuder värdefulla lärandemöjligheter för företaget, uppstår det även oro kring lärandet av kunskap inom skatteområdet för juniora skattejurister, vilket kan påverka deras framtida effektivitet i ledarskapsroller