Développer des algorithmes stochastiques scalables par non-réversibilité, parallélisation et schémas adaptifs – SuSa
Développer des algorithmes stochastiques scalables
par non-réversibilité, parallélisation et schémas adaptifs
Enjeux
La physique statistique et l'inférence Bayésienne reposent toutes deux sur une modélisation probabiliste qui requiert souvent un échantillonnage par méthode de Monte Carlo. Alors que la taille et la complexité des problèmes augmentent, il devient nécessaire d'inventer des méthodes MC scalables, robustes et générales. Ces problèmes à haute dimension représentent une formidable occasion pour un travail multidisciplinaire, de la physique computationnelle aux statistiques Bayésiennes. Le projet SuSa propose de réunir des physiciens, mathématiciens et informaticiens afin de développer des algorithmes innovants, basés sur les dernières avancées en matière de méthodes Monte Carlo et d'apprentissage. Le projet s'attellera aux questions théoriques comme pratiques, de l'analyse précise des processus stochastiques sous-jacents à l'élaboration de solutions numériques pour la parallélisation et la réduction de complexité et leurs applications à des bases de données massives en physique.
Développement et généralisation de méthodes d'échantillonnage par processus stochastiques non réversibles.
Automatisation et optimisation par méthodes adaptatives et d'apprentissage.
Applications dans différents champs de la physique,
--
--
--
La physique statistique et l'inférence Bayésienne reposent toutes deux sur une modélisation probabiliste qui requiert souvent un échantillonnage par méthode de Monte Carlo. Alors que la taille et la complexité des problèmes augmentent, il devient nécessaire d'inventer des méthodes MC scalables, robustes et générales. Ces problèmes à haute dimension représentent une formidable occasion pour un travail multidisciplinaire, de la physique computationnelle aux statistiques Bayésiennes. Le projet SuSa propose de réunir des physiciens, mathématiciens et informaticiens afin de développer des algorithmes innovants, basés sur les dernières avancées en matière de méthodes Monte Carlo et d'apprentissage. Le projet s'attellera aux questions théoriques comme pratiques, de l'analyse précise des processus stochastiques sous-jacents à l'élaboration de solutions numériques pour la parallélisation et la réduction de complexité et leurs applications à des bases de données massives en physique.
Coordination du projet
Manon Michel (LABORATOIRE DE MATHEMATIQUES BLAISE PASCAL)
L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.
Partenariat
LMBP LABORATOIRE DE MATHEMATIQUES BLAISE PASCAL
Aide de l'ANR 193 147 euros
Début et durée du projet scientifique :
septembre 2020
- 48 Mois
