Projektbeschreibung
Aufrüstung der Monte-Carlo-Integration
Das Konzept der Monte-Carlo-Experimente – einer breiten Klasse von Berechnungsalgorithmen –, die auf wiederholten Zufallsstichproben für numerische Ergebnisse beruhen, besteht darin, Zufälligkeit zur Lösung von Problemen zu verwenden, die im Prinzip deterministisch sein können. Das EU-finanzierte Projekt BLACKJACK zielt darauf ab, Monte-Carlo-Methoden bereitzustellen, die Rückschlüsse bezüglich teurer Modelle in der Biologie ermöglichen, indem die langsame Konvergenzrate und die Parallelisierung von Monte-Carlo-Methoden direkt angegangen werden. Das Projekt sieht letztendlich vor, die Monte-Carlo-Rate zu senken, um die Abstoßungskraft zwischen den Quadraturknoten einzuführen – ein neuartiges Werkzeug für angewandte Statistiker, Signalprozessoren und maschinell Lernende.
Ziel
Expensive computer simulations have become routine in the experimental sciences. Astrophysicists design complex models of the evolution of galaxies, biologists develop intricate models of cells, ecologists model the dynamics of ecosystems at a world scale. A single evaluation of such complex models takes minutes or hours on today's hardware. On the other hand, fitting these models to data can require millions of serial evaluations. Monte Carlo methods, for example, are ubiquitous in statistical inference for scientific data, but they scale poorly with the number of model evaluations. Meanwhile, the use of parallel computing architectures for Monte Carlo is often limited to running independent copies of the same algorithm. Blackjack will provide Monte Carlo methods that unlock inference for expensive models in biology by directly addressing the slow rate of convergence and the parallelization of Monte Carlo methods.
The key to take down the Monte Carlo rate is to introduce repulsiveness between the quadrature nodes. For instance, we recently proved that determinantal point processes, a prototypal repulsive distribution introduced in physics, improve the Monte Carlo convergence rate, just like electrons lead to low-variance estimation of volumes by efficiently filling a box. Such results lead to open computational and statistical challenges. We propose to solve these challenges, and make repulsive processes a novel tool for applied statisticians, signal processers, and machine learners.
Still with repulsiveness as a hammer, we will design the first parallel Markov chain Monte Carlo algorithms that are qualitatively different from running independent copies of known algorithms, i.e. that explicitly improve the order of convergence of the single-machine algorithm. To this end, we will turn mathematical tools such as repulsive particle systems and non-colliding processes into computationally cheap, communication-efficient Monte Carlo schemes with fast convergence.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
- NaturwissenschaftenInformatik und InformationswissenschaftenInformatik
- NaturwissenschaftenBiowissenschaftenÖkologieÖkosystem
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Finanzierungsplan
ERC-STG - Starting GrantGastgebende Einrichtung
75794 Paris
Frankreich