Wednesday, June 27, 2012

De mathematica van de zoetwaterpoliep

Alan Turing is het bekendst van de Turingmachine, het kraken van de Enigma en de Turingtest. Veel minder bekend is dat hij ook een van de grondleggers is van de wiskundige biologie.

Wiskundig bioloog Hans Meinhardt vertelt hier over Turings baanbrekende wiskundig-biologische werk 
aan de zoetwaterpoliep (te zien op de afbeelding op de achtergrond)

Dit artikel is gepubliceerd in NRC Handelsblad van zaterdag 23 juni 2012

In 1922 krijgt de dan tienjarige Alan Turing een jeugdboek cadeau dat hem voor het eerst in contact brengt met de wetenschap: Natural Wonders Every Child Should Know, geschreven door de Amerikaan Edwin Brewster. Het boek zou hem zijn leven lang beïnvloeden. Het draait om de vraag wat mensen gemeen hebben met andere levende wezens en waarin ze verschillen. Hoe weet een bevrucht kikkereitje hoe het moet uitgroeien tot een kikker? Hoe komt de kip in het ei terecht? Waarmee denkt de mens? Dat soort vragen. Brewster beschrijft levende wezens als ingewikkelde machines. En zo zou Turing als wetenschapper zelf gaan aankijken tegen de mens en zijn brein: als een ingewikkelde machine.

De informatiebasis van die biologische machine, het erfelijke materiaal gegoten in de vorm van een DNA-molecuul, werd in 1953 ontdekt door Watson en Crick. Dat was een jaar voor Turings zelfmoord. Turing heeft veel te kort geleefd om zich te laten inspireren door die grote ontdekking. Het is zelfs maar de vraag of hij heeft beseft hoe zeer zijn eigen universele Turingmachine ook van toepassing is in de biologie. In 1936 had Turing een baanbrekende machine bedacht: de universele Turingmachine. Deze hypothetische machine bestaat uit een oneindig lange tape, een kop die symbolen op de tape kan lezen, schrijven en wissen en een controle-eenheid die aan de hand van een instructietabel bepaalt wat de kop moet doen. Elk probleem dat kan worden berekend, kan worden berekend op een universele Turingmachine.

In een speciale Turing-editie van het wetenschappelijke tijdschrift Nature (23 februari 2012) schrijft Sydney Brenner, Nobelprijswinnaar geneeskunde in 2002: “De beste voorbeelden van Turing- en Von Neumann-machines zijn te vinden in de biologie. Nergens anders zijn er zulke ingewikkelde systemen, waarbij elk organisme een interne beschrijving bevat van zichzelf. Het concept van een gen is de symbolische voorstelling van het organisme [...] Biologen stellen slechts drie vragen over een levend organisme: Hoe werkt het? Hoe is het gebouwd? En hoe is het op die manier ontstaan? [...] en in de kern liggen de tapes die een beschrijving bevatten om deze speciale Turingmachines te bouwen.”

In de jaren dertig was Turing een theoretisch wiskundige geweest, tijdens de Tweede Wereldoorlog een codekraker en net na de oorlog de pionier van de kunstmatige intelligentie. In 1951 had Turing het roer van zijn carrière weer eens radicaal omgegooid. Hij was zich gaan verdiepen in de vraag hoe een organisme weet hoe het moet groeien. Precies de vraag die Brewster in Turings lievelingsboek uit zijn jeugd ook al had gesteld. In de negentiende eeuw hadden de ontwikkelingsbiologen Hans Driesch en Hans Spemann aangetoond dat een embryo zich vormt uit één enkele symmetrische cel in plaats van uit een miniatuurlichaam met miniatuurledematen (de ‘homunculus’). Ze kwamen er echter niet achter welk mechanisme dit kon verklaren.

Turing beet zich vast in dit ontwikkelingsprobleem en keek er met de blik van een wiskundige naar. Hij koos als rekenmodel de zoetwaterpoliep, een langwerpig wormpje met tentakels aan het uiteinde, dat ook al in Natural wonders figureerde. Als kind had hij gelezen hoe de zoetwaterpoliep een nieuwe kop en staart ontwikkelt wanneer je hem doormidden snijdt. Voor zijn rekenwerk versimpelde Turing de poliep door alleen de doorsnede van zijn kopje te beschouwen en deze nog verder te reduceren tot niet meer dan een ring van cellen. Vervolgens stelde hij een wiskundig model op dat de reactie en verspreiding van twee hypothetische chemische stofjes langs die ring beschreef. Turing noemde die stoffen ‘morfogenen’, letterlijk ‘vormscheppers’. Hij voerde ze in als een wiskundige truc die patronen laat ontstaan.

Voor de oplossing van het wiskundige model gebruikte hij de Mark 1-computer van de universiteit van Manchester, waar hij vanaf 1948 werkte. Dit kersverse elektronische brein was de eerste commercieel verkrijgbare elektronische computer, waarvan er acht zouden worden verkocht. De oplossing van Turings rekenmodel liet zien dat er langs de ring een soort uitstulpingen konden ontstaan, die het begin konden vormen van de tentakels van de zoetwaterpoliep.

In 1952 publiceerde Alan Turing zijn bevindingen in een van de eerste wetenschappelijke publicaties die de wiskunde combineerde met de biologie en de scheikunde: het 35 pagina’s tellende ‘The chemical basis of morphogenesis’. Hij liet zien hoe complexe, asymmetrische patronen kunnen ontstaan uitgaande van een symmetrische oercel. Aan de wiskundige basis hiervan lagen de ‘morfogenen’ die Turing zelf had verzonnen en die van het wormpje een niet-lineair biologisch systeem maakten. (Bij een lineair systeem hangt de uitvoer rechtevenredig af van een verandering in de invoer. Bij een niet-lineair systeem is dat niet meer het geval, waardoor het veel moeilijker te berekenen is. Veel alledaagse verschijnselen zoals wrijving of het weer zijn niet-lineair.)

In dezelfde aan Turing gewijde Nature-special van afgelopen februari schrijft wiskundig-bioloog John Reinitz van de Universiteit van Chicago: “Turings grote verdienste is dat hij de deur heeft geopend naar de ontwikkelingsbiologie [...] Hij was zijn tijd ver vooruit.” Pas rond de jaren tachtig werden de biologische mechanismen ontdekt die de embryonale ontwikkeling aansturen. Edward Lewis, Christiane Nüsslein-Volhard en Eric Wieschaus hadden niet de zoetwaterpoliep, maar de fruitvlieg als experimenteel diermodel gebruikt. Zij ontdekten dat de zogeheten homeobox-genen in het hele dierenrijk essentieel zijn voor de groei van embryo. In 1995 ontvingen het drietal hiervoor de Nobelprijs voor geneeskunde.

De biologische werkelijkheid zat anders in elkaar dan in Turings eenvoudige wiskundige model. Het bleken genen te zijn die eiwitten produceren en die op hun beurt de embryonale ontwikkeling bepalen. Die eiwitten spelen de rol van Turings hypothetische ‘morfogenen’. Toch had hij de juiste vragen gesteld en ook nog een baanbrekende rekenaanpak gekozen. En vooral: hij had wiskundig aangetoond hoe de asymmetrie van een biologisch organisme verklaard kon worden.

Turing beschouwde zijn wiskundig-biologische werk als zeker zo belangrijk als zijn publicatie over de Turingmachine, dat aan de basis van de theoretische informatica kwam te liggen. Net als in 1936 had hij een geheel nieuw vakgebied aangeboord: dit keer de wiskundige biologie en in het bijzonder die van de niet-lineaire processen. Voor het doorgronden van zulke processen biedt de computer uitkomst. Turing gebruikte een oercomputer terwijl wiskundigen nog enkele decennia zouden neerkijken op het bedrijven van wiskunde met de computer. Zijn dood in 1954 maakte helaas een vroegtijdig einde aan zijn wiskundig-biologische pionierswerk.

Omdat Turing nog niets wist van genetica, hebben wetenschappers zijn bijzondere en enige publicatie in de wiskundige-biologie volgens Reinitz lang onderschat. Hij hoopt dat daar in dit internationale Alan Turing-jaar 2012 definitief een einde aan komt: “Zijn artikel bevat een berg aan interessante ideeën [...] Het vormde de overgang van het tijdperk van de analytische wiskunde naar dat van de computationele wiskunde.”

[Biografietje:]
Alan Turing in vogelvlucht
Op 23 juni 2012 is het precies honderd jaar geleden dat Alan Turing werd geboren. Turing was een Britse wiskundige en computerpionier. In 1936 bedacht hij een hypothetische machine − de Turingmachine − die de theoretische basis is van ons moderne begrip van een computer die niet alleen kan rekenen, maar alle soorten gedigitaliseerde informatie kan verwerken. Al in 1946 voorzag Turing de grote rol van software “voor elk bekend proces”: we bouwen niet voor elke taak een nieuwe machine, maar het volstaat om steeds nieuwe software te schrijven die op dezelfde hardware kan draaien.

Tijdens de Tweede Wereldoorlog speelde Turing een cruciale rol bij het kraken van de geheime Duitse Enigmacodes. De Britten ontcijferden zo vele tienduizenden Duitse berichten per maand, wat een belangrijke bijdrage leverde aan de winst op de Duitsers in de strijd op de Atlantische Oceaan. Historici schatten dat het kraken van de Enigma de Tweede Wereldoorlog met twee jaar heeft bekort. In 1950 stelde hij de Turingtest voor als een manier om te bepalen of een computer kan denken.

In 1952 werd Turing opgepakt voor het hebben van een homoseksuele relatie, destijds nog een misdaad in Groot-Brittannië. Hij werd veroordeeld tot een hormoontherapie van een jaar om zijn homoseksualiteit te onderdrukken. Op 7 juni 1954 werd Turing dood in bed gevonden. Geïnspireerd door een scène uit Sneeuwwitje had hij zelfmoord gepleegd door een appel in cyanide te dopen en daar een paar happen uit te nemen. 2012 is uitgeroepen tot het internationale Alan Turing-jaar, vanwege zijn honderdste geboortedag.

Computer leert kijken als arts

Software om medische scans te analyseren werkt vaak slecht als scannerinstellingen veranderen of als beelden van verschillende typen scanners met elkaar worden vergeleken. Marleen de Bruijne van het Erasmus MC zoekt naar technieken die zichzelf kunnen aanpassen aan zulke technische veranderingen. 

Dit artikel is gepubliceerd in I/O Informatica-onderzoek van juni 2012

Dagelijks worden in Nederlandse ziekenhuizen duizenden scans gemaakt waarmee artsen onderzoeken wat er aan ons lichaam schort. Voor het stellen van een diagnose is het de arts zelf die het beeld beoordeelt, soms trouwens geholpen door een computerdiagnose. De arts geeft dan een kwalitatief oordeel. Daarnaast worden scans ook veelvuldig gebruikt in het klinische wetenschappelijke onderzoek. Onderzoekers proberen dan kwantitatieve informatie uit een grote dataset met beelden te halen. Zo gebruiken diverse grootschalige longonderzoeken wel tienduizend scans om de precieze invloed van roken op de longen te onderzoeken. Dat aantal is zo groot dat automatische beeldanalyse noodzakelijk is. Automatische beeldanalyse is ideaal voor kwantitatief onderzoek, bijvoorbeeld om te meten in welke mate de wanden van de luchtwegen verstijven en dikker worden of bij welke patiënten een bepaald medicijn wel of niet werkt.

Universitair hoofddocent Marleen de Bruijne van het Erasmus MC in Rotterdam werkt al sinds het begin van haar promotieonderzoek in 1998 aan medische beeldanalyse. Geregeld zag zij dat een nieuw algoritme weliswaar goed werkte voor de beelddata waarvoor het ontwikkeld was, maar niet meer voor de beelden van een ander ziekenhuis, die gemaakt waren met een ander type scanner. De Bruijne: “Een scan van dezelfde hersenen kan er bij verschillende scannerinstellingen heel anders uitzien. Dat verschil zit bijvoorbeeld in het contrast, de intensiteiten, de ruis en de grootte van de pixels. Zo kan hersenvocht op de ene scan donkerder en op de andere scan juist lichter zijn dan het hersenweefsel. Daarnaast zien de hersenen van jonge patiënten er anders uit dan die van ouderen. Daarom is het lastig om automatische technieken te ontwikkelen die op al deze beelden goed werken. En schaft een ziekenhuis een nieuwe scanner aan, dan kunnen de scans van eenzelfde patiënt gemaakt op de nieuwe scanner niet meer automatisch worden vergeleken met die gemaakt op de oude scanner.”

Volgens de Bruijne is dit een van de grootste problemen in de automatische medische beeldanalyse. Binnen een NWO-Vidi-project (zie kader) werkt ze daarom sinds oktober 2011 aan een oplossingsmethode. Ze richt zich op het ontwikkelen van beeldanalysetechnieken die zichzelf aanpassen aan veranderingen in scannerinstellingen of scannertype. “Daarvoor gebruiken we een tak van de patroonherkenning die in het Engels ‘transfer learning’ heet”, zegt de Bruijne, “in het Nederlands zoiets als ‘leeroverdracht’. Het idee is vergelijkbaar met het leren van een nieuwe taal. Het leren van een nieuwe taal gaat gemakkelijker als je al vijf talen spreekt dan wanneer je aan je eerste nieuwe taal begint. Je gebruikt daarbij de kennis van de talen die je al kent en de ervaring van hoe je het best een taal kunt leren. Op dezelfde manier ontwikkelen wij technieken die leren van de automatische beeldanalyses van verschillende typen beelden. Met deze kennis kan de automatische beeldanalyse van een nieuw type scanner of een nieuwe scannerinstelling sneller van nieuwe voorbeelden leren.”

Kennis van een bekend probleem gebruikt de Bruijne dus voor de toepassing op een nieuw, maar vergelijkbaar probleem. Dat gaat eigenlijk net zoals mensen het balgevoel dat ze opdoen met volleybal bijvoorbeeld ook weer kunnen gebruiken bij handbal. Technieken uit de leeroverdracht worden bijvoorbeeld al gebruikt op het terrein van tekstclassificatie, maar voor het eerst nu ook in de medische beeldanalyse. “Lerende modellen die gebaseerd zijn op patroonherkenning werken vaak veel beter dan modellen waarbij vooraf precies wordt beschreven hoe een bepaalde structuur in het lichaam eruit ziet”, zegt de Bruijne. “Om een voorbeeld te geven: in oude modellen werd een bloedvat beschreven als een cilinder. Maar hoe gedetailleerder je naar een bloedvat kijkt, hoe meer het afwijkt van een ideale cilinder. Het is gekromd. Er zit ruis in het beeld. Het bloedvat is hier wat dunner en daar wat dikker. Patroonherkenning gaat met zulke variaties beter om.”

Eerste resultaat 
Sinds oktober 2011 onderzoekt promovenda Annegreet van Opbroek onder leiding van de Bruijne verschillende manieren van leeroverdracht voor de beeldanalyse van MRI-scans van de hersenen. “Veranderingen van de vorm of structuur van weefsels en structuren kunnen een aanwijzing zijn voor een ziekte”, zegt van Opbroek. Hoewel ze pas iets meer dan een half jaar bezig is, heeft ze al een interessant resultaat geboekt. “Stel, een ziekenhuis koopt een nieuwe scanner. Idealiter zou je, om de scans van patiënten met de oude en de nieuwe scanner met elkaar te vergelijken, eerst een heleboel patiënten met de nieuwe scanner moeten scannen en handmatig door een arts moeten laten beoordelen. Dat is tijdrovend. Ik heb laten zien dat je al heel wat wint wanneer je slechts één patiënt op de nieuwe scanner scant. Als een arts handmatig aangeeft welke hersenstructuren waar op de nieuwe scan zijn te zien, en je combineert die kennis met de kennis van de scans op de oude scanner, dan geeft dat al een behoorlijke verbetering.”

Het met de hand analyseren kan enkele uren tot soms zelfs wel enkele dagen duren voor een driedimensionale hersenscan. Zo’n scan bestaat namelijk uit honderden doorsneden die een arts dan allemaal handmatig moet doorwerken. “Het interpreteren van een tweedimensionaal beeld doet een arts vaak nog veel beter dan een computer”, vertelt de Bruijne, “maar gaat het om een driedimensionaal of zelfs een bewegend beeld, dan wordt het ook voor een getrainde arts lastig en worden automatische technieken belangrijk.”

De Bruijne wil haar lerende technieken niet alleen gebruiken voor beelden van MRI-scanners, maar ook van CT-scanners: “Binnen dit Vidi-project ontwikkelen we heel algemene technieken die voor verschillende soorten beelden en verschillende lichaamsdelen toepasbaar zijn. Twee toepassingsgebieden die we verder onderzoeken zijn hersen-MRI en long-CT. Ik hoop dat aan het eind van het project, in 2016, onze technieken hiervoor ook in de kliniek gebruikt kunnen worden.”

Medische praktijk 
De Bruijne werkt binnen het Erasmus MC samen met radiologen, longartsen en epidemiologen. De epidemiologen startten in 1990 een onderzoek waarbij gezonde oudere inwoners van Rotterdam jarenlang worden gevolgd om het ontstaan van ouderdomsziekten beter te begrijpen. Als deel van het onderzoek worden ook hersenscans gemaakt en daarbij is een goede automatische beeldanalyse belangrijk.

De Bruijne is opgeleid als natuurkundige. Hoe maakt zij zich de medische kennis eigen die in haar werk noodzakelijk is? “Als ik me wil inwerken op een medisch terrein dat ik niet ken, dan ga ik naar een klinische conferentie waar vaak opfriscursussen worden gegeven”, vertelt ze. Daarnaast leert ze veel door te praten met de medici binnen haar samenwerkingsverbanden. Hun kennis is onontbeerlijk om automatische beeldanalyse te verbeteren.

“Laat ik een voorbeeld geven”, zegt de Bruijne. “Bij een onderzoek naar de chronische longziekte COPD volgen we tweeduizend patiënten. Jaarlijks wordt een scan van hun longen gemaakt. Tijdens de scan moeten de patiënten zo diep mogelijk inademen. Maar de ene keer lukt dat beter dan de andere keer. Het verschil kan soms wel een liter aan longinhoud zijn, en dat betekent een groot verschil in de dichtheid en vorm van de longen Bij het automatisch vergelijken van de scans moeten we daarmee rekening houden. De longartsen hadden al een model ontwikkeld om voor de verschillen in longdichtheid te corrigeren. Dat model hebben we gecombineerd met onze beeldbewerkingstechnieken die twee verschillende scans van dezelfde patiënt als het ware digitaal over elkaar heen schuiven om ze een-op-een met elkaar te kunnen vergelijken.En deze combinatie werkte beter dan standaard technieken.”

Hoogleraar radiologie Gabriel Krestin, tevens hoofd van de afdeling radiologie van het Erasmus MC, kijkt uit naar beter technieken voor automatische beeldanalyse. “De interpretatie van medische beelden gebeurde vroeger puur subjectief. Nieuwe technieken, zoals Marleen de Bruijne en haar groep die ontwikkelen, stellen ons in staat steeds meer kwantitatief onderzoek te doen op basis van objectieve criteria. Of de computer de arts ooit helemaal gaat vervangen? Nee, ik denk het niet. De ervaring van de arts met de patiënten zal altijd wel nodig blijven, maar de computer stelt ons wel in staat om betere diagnoses te stellen en beter wetenschappelijk onderzoek te doen.”

[kader:]

Vidi-project met een Deens tintje

In oktober 2011 ging onder leiding van Marleen de Bruijne het NWO Vidi-project ‘Computers met ervaring’ van start. De Bruijne ontving een subsidie van € 800.000 voor vijf jaar. Van dit geld kan ze twee promovendi en een postdoc betalen en een deel van haar eigen salaris. Eén promovenda, Annegreet van Opbroek, is al begonnen; voor een tweede promovendus en postdoc heeft de Bruijne nog vacatures open.

Promovenda Annegreet van Opbroek werkt op het terrein van de beeldanalyse van MRI-hersenscans. De bedoeling is dat de tweede promovendus zich gaat richten op CT-scans van de longen. De Bruijne probeert algemene lerende beeldanalysetechnieken te ontwikkelen die binnen vijf jaar toegepast kunnen worden in het klinische onderzoek. Een van de vele toepassingen ligt op het terrein van de vroege diagnose van dementie. Door het beter kwantificeren van hersenweefsel en hersenstructuren hopen onderzoekers de diagnose dementie steeds vroeger te kunnen stellen.

Naast een aanstelling als universitair hoofddocent aan de Biomedical Imaging Group Rotterdam van het Erasmus MC heeft de Bruijne ook nog een aanstelling als universitair hoofddocent aan de faculteit informatica van de Universiteit van Kopenhagen. In Denemarken begeleidt ze ook nog twee promovendi. “Ik ben tachtig procent van de tijd in Nederland en de overige twintig procent in Kopenhagen”, zegt de Bruijne. “Inhoudelijk overlapt mijn werk in Nederland met dat in Denemarken. De meerwaarde is dat ik het meer fundamenteel gerichte informatica-onderzoek uit Kopenhagen kan combineren met het meer op de geneeskundige praktijk gerichte onderzoek in Rotterdam. Die combinatie bevalt me uitstekend.”

Internet
www.bigr.nl/website/

English summary:

One of the main problems in automatic medical image analysis is the fact that scans of the same body structure can look very different on different scanners or at different scanner settings. The differences can reveal themselves in the contrast, intensity, noise and size of the pixels. Associate professor Marleen de Bruijne from Erasmus MC in Rotterdam and her research group try to solve this problem. De Bruijne focuses on the development of image analysis techniques that adapt themselves to changes in scanner settings or scanner type. She uses a branch of pattern recognition called ‘transfer learning’. The main idea is similar to learning a new language. Learning a new language is easier if you already speak five languages than if you start to learn your first new language. You use the knowledge of languages you already know to more easily learn a new language. In the same way de Bruijne and her research group develop techniques that learn from the automatic image analysis of different scanners and scanner settings. With this knowledge, the automatic image analysis applied at a new type of scanner or a new scanner setting, can more quickly learn from new examples.

Tuesday, June 26, 2012

Day 3 Turing100@Manchester - an impression in photo's, quotes and audio recordings

An impression of Day 3 of the Alan Turing Centenary Conference in Manchester.

Click on one of the photo's to view them all in bigger format.

Garry Kasparov: "The reconstruction of Turing's 'Paper Chess machine'":

You can also listen to my audio recording of Kasparov's talk:



Former world chess champion Garry Kasparov gave an outstanding talk about Alan Turing's first computer chess program. Kasparov played against a computer implementation of Turing's Paper Machine (from 1952) and won rapidly...Read more here.


Garry Kasparov analyzing the match between Alan Turing's Paper Chess Machine (the moves played by Turing himself) and Alick Glennie in 1952. Score: 0-1 for Glennie. 


Garry Kasparov quoting Pablo Picasso: "Computers are useless, they can only give you answers." 



More quotes from Kasparov:

"Intelligence in chess has very little to do with intelligence in every day life. And I have seen many examples of this."

"The IBM Watson project in Question-Answering is much more scientific than the IBM Deep Blue project in chess."

"In a Turing Test in chess one can tell the computer apart from the human because the computer does not make short term mistakes."

"Let me quote George Orwell: 'Men are only as good as their technical development allows them to be'.   I can see it in my own country, Russia, where the internet is breaking down Putin's propaganda machine."

"Chess is a great testing field for the cooperation between man and machine. What is the best cooperation between brute force and human creativity."

"Humans are always victims of their own emotions."

"Humans are not used to the computer level of precision and perfection."


Rodney Brooks: "Turing's humanoid thinking machines":

You can also listen to my audio recording of Brooks' talk:






"Many people are too little aware of the technological power of exponentials. Take for example the robotic car: In 1979 the Stanford Cart was driving 20 meters in 6 hours. In 1992 MIT's Polly car was driving 2000 meters in 6 hours. In 2005 robot car Stanley was driving 200 kilometers in 6 hours."


Panel discussion: "Turing Test"

You can also listen to my audio recording of the panel discussion:



Rodney Brooks: "I think that we overestimate ourselves. Our brain has a dirty computer architecture."

Garry Kasparov: "Let me quote Alan Turing: 'If a machine is infallible, it cannot be at the same time intelligent.'"

Manuela Veloso: "For a robot to reach human level intelligence, humans cannot do all the programming. The robots really need to learn things by themselves."

Hans Meinhardt: "Not unlike a computer can dream at night, without any input from the outside world, can the computer be called thinking."

George Ellis: "On the nature of causation in digital computer systems.":





Quotes from George Ellis:

"What do intelligent computers need?

1. Intellect = logic: rationality
2. Emotions that set priorities
3. Values = allowed/preferred behaviour
4. Instinct: automatic responses
5. Intuition = hardwired experience from the past combined with fast pattern recognition
6. Imagination = finding possibilities
7. Choice = selection of action option"

Hans Meinhardt: "Turing's pioneering paper 'The chemical basis of morphogenesis' and the subsequent development of theories of biological pattern formation".

Meinhardt shows the organism that Turing analyzed in his 1952-paper on Morphogenesis:


Quotes from Meinhardt:

"Even if we know the genes, pattern formation is not obvious."

"Turing was really a genius in showing how patterns form out of non-patterns."

Photo's: Bennie Mols, 25 June 2012

Day 2 Turing100@Manchester - an impression in photo's, quotes and audio recordings

An impression of Day 2 of the Alan Turing Centenary Conference in Manchester.

Click on one of the photo's to view them all in bigger format.


Andrew Chi-Chih Yao: "Quantum computing - A great science in the making":


Quotes from Yao:

"Quantum computing can transform science in the way computer science has done."

"The most important is to have fun in science."

"If you look at the very high complexity problems, quantum computing is not going to help."

"Quantum computing can provide a test for quantum theory."

Tony Hoare: "Can computers understand their own programs?":

You can also listen to my recording of Hoare's talk:




Quotes from Hoare:

"Euclid's method can be seen as the world's first programming language."

"Humans understand the real world, the need of program users and the commercial opportunities. Computers understand the consequences of human decisions in the context of large and complex programs."

"I don't think that a computer can think."

Poster: "What kind of machine is the mind?"


Manuela Veloso: "Symbiotic Autonomy: Robots, Humans and the Web"

You can also listen to my recording of Veloso's talk:




Quotes from Veloso:

"Without purpose perception is very difficult."

"It's OK for robots to have limitations."

Leslie Valiant: "Computer science as a natural science":




Photo's: Bennie Mols, 24 June 2012

Saturday, June 23, 2012

'Codebreaker – Alan Turing's life and legacy' at the Science Museum – video


Day 1 Turing100@Manchester - an impression in photo's, quotes and audio recordings

An impression of Day 1 of the Alan Turing Centenary Conference in Manchester.

Click on one of the photo's to view them all in bigger format.



Vint Cerf, father of the internet & Turing Award winner: “Turing always took the first principles approach.”

You can also listen to my audio recording of Cerf's talk:



Michael Rabin, Turing Award winner: “The universal Turing Machine shows how the power of a pure idea can absolutely change the world.”

You can also listen to my audio recording of Rabin's talk:




David Ferrucci, leader of the IBM Watson team that won the Jeopardy quiz against the two best human players in 2011: “The Watson supercomputer led to two types of reactions. On the one hand there were people saying: ‘What’s the deal? Don’t computers know everything? On the other hand there were people saying: ‘Beating the best humans in Jeopardy? That’s amazing! People find it difficult to understand what is easy and what is difficult for computers.”


Adi Shamir, Turing Award winner and co-inventor of RSA-cryptography: “The Germans made two mistakes in the Enigma cryptography project. They underestimated the computational power of the Allied Forces. And they overestimated their own cryptography designers and operators. The weakness of cryptography is mostly due to human mistakes or human stupidity.”

You can also listen to my audio recording of Shamir's talk:




Frederick Brooks, Turing Award winner and the man behind the IBM System/360 (1964): “Turing’s Pilot ACE has had little effect on the design of computer architecture. This is due to a couple of reasons. Turing didn’t publish his 1945-proposal. Turing was not very collaborative. The ACE was finished too late (2,5 years after the Manchester ‘Baby’ and 1,5 year after the EDSAC). Last but not least: Turing didn’t foresee the importance of programming ease, effort and cost. Turing should be credited for many things, but to say that he is the father of the computer is an exaggeration.”

You can also listen to my audio recording of Brooks' talk:




The Alan Turing statue in Sackville Park, Manchester



Photo's: Bennie Mols, 23 June 2012

Click here for Day 2 and Day 3 of the conference.

Google commemorates Alan Turing's 100th birthday

Google's search engine is also a Turing machine

Tuesday, June 19, 2012

Turing Patterns and Animal Markings

Alan Turing is best known for the Turing Machine, breaking the Enigma-code and the Turing Test. Much less known is that he is one of the founders of mathematical biology, by writing in 1952 the article The chemical basis of morphogenesis

Because Turing knew nothing of genetics, scientists have long underestimated his one and only publication in mathematical biology. But the paper contains a load of interesting ideas and is on the transition point between the era of analytical mathematics and computational mathematics.

At the Turing Centenary conference How the World Computes mathematician Ian Stewart gave a public lecture this evening on Turing patterns and animal markings.

Here are some photo impressions with some quotes (click on the first one and you can go through all of them in larger format).


Ian Stewart: "If Turing would be alive today, he would be staggered where his theory on pattern formation has arrived."


Ian Stewart: "Patterns form by broken symmetries."



Ian Stewart: "Turing's reaction-diffusion equations show that local non-linearity combined with global diffusion create striking and often complex patterns."


Ian Stewart: "Theorem: A spotted animal can have a striped tail, but a striped animal cannot have a spotted tail."

And here are some stunning examples from patterns on shells from the Zoology Museum in Cambridge, next door to the conference:

This one has the pattern of a Sierpinski gasket:


Here are some more examples:





Later I will upload an MP3 audio recording of the lecture.

For the Dutch national newpaper NRC Handelsblad of Saturday June 23 I have written an article about Alan Turing's least known scientific contribution: mathematical biology, especially pattern formation.


Monday, June 18, 2012

Bletchley Park - Enigma, Turing & Colossus

Home of the Enigma code breakers during World War II

Birth place of one of the first computers, the Colossus

Homage to Alan Turing: computer pioneer, Enigma code breaker & founder of Artificial Intelligence

Click on the first image and you can go through all of them in larger format:







Some Enigma machines









A rebuilt Bombe, used to break the Enigma code (front view)


Bombe (back view)


The Colossus was used to break the Lorenz cipher machine 
(it's a one purpose semi programmable computer)









Some other stuff...








Photo's: Bennie Mols, 18 June 2012