Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Semantically correct automatic differentiation

Descripción del proyecto

Corroborar que las técnicas de diferenciación automática representan de manera fidedigna la diferenciación «estándar»

Encontrar derivadas, o tasas de cambio de una variable con respecto a otra, es importante para múltiples procesos y supuestos físicos. Aprovechar estas descripciones matemáticas y aplicarlas en algoritmos informáticos constituye la base de muchos avances recientes en el aprendizaje automático y el uso de ordenadores para llevar a cabo análisis estadísticos complejos. Para lograrlo, se han desarrollado técnicas de diferenciación automática, pero demostrar su exactitud no es posible con el cálculo y la geometría diferencial tradicionales. En el proyecto SemanDiff, financiado con fondos europeos, se desarrollarán transformaciones matemáticas que permitirán realizar pruebas precisas de la exactitud de los algoritmos de diferenciación automática para nuestra mayor tranquilidad a la hora de emplearlos.

Objetivo

Many recent advances in machine learning and computational statistics rely on algorithms that calculate derivatives. This use of derivatives has motivated the creation of domain specific modelling languages in which each program can be differentiated automatically, by the compiler. This technique is known as automatic differentiation (AD). AD is typically implemented through source-code-transformations, either directly or indirectly via operator overloading. These transformations become intricate in languages with expressive language features like algebraic data types and higher-order functions. Meanwhile, traditional calculus and differential geometry do not suffice to prove their correctness or even give them meaning, as ordinary differential geometry cannot support higher-order functions. Indeed, such formal correctness proofs have never been published.

This project will use the mathematical foundations of diffeological spaces, a conservative extension of traditional differential geometry to higher-order types, to give precisely such correctness proofs. In particular, it will give appropriate source-code transformations for both the forward mode and reverse mode techniques of AD on a language with specified semantics in diffeological spaces. Next, it will prove that these source-code transformations correctly implement the canonical semantic notion of differentiation, as given by the diffeological spaces semantics. It will perform this analysis for a higher-order language with tuples and variant types. These formal descriptions and correctness proofs of AD for expressive languages will be accompanied by closely matching implementations, built on top of the Accelerate framework for purely functional GPU programming.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) H2020-MSCA-IF-2019

Ver todos los proyectos financiados en el marco de esta convocatoria

Coordinador

UNIVERSITEIT UTRECHT
Aportación neta de la UEn
€ 187 572,48
Coste total
€ 187 572,48