Assegno di ricerca presso il Dipartimento di Scienze
Chimiche (Gruppo di Chimica Teorica), Università di Padova
Research
fellowship
at the Department of Chemical Sciences (Theoretical Chemistry
Group), University of Padova
· Progetto PNRR /
PNRR Project: CN HPC Spoke 1
·
Durata dell’assegno / Duration of the
fellowship: 12 mesi / months
· Selezioni /
Selections: 22.08.2023
·
Inizio dell’assegno / Felloship starts
in:
settembre o ottobre 2023 / september or october 2023
·
Lordo percipiente / gorss amount:
19367.00
Euro
· Titolo/Title
Strategie meshless
ottimizzate tramite machine learning per la soluzione di equazioni
stocastiche
in molti gradi di libertà
Machine learning-optimized meshless strategies
for the solution of stochastic equations in many degrees of
freedom
·
Progetto/Project
L’assegnista si
occuperà dello sviluppo e dell’implementazione di un software per
risolvere
equazioni stocastiche in molti gradi di libertà, in
particolare ottimizzandolo
su GPU o architetture hardware simili, ossia che permettano una
parallelizzazione
estesa su singola scheda.
La strategia di risoluzione si baserà su tecniche
meshless, dato che il software dovrà essere in grado di affrontare
problemi con
O(10-100) gradi di libertà.
Per ridurre il costo computazionale sarà necessario
stabilire la miglior scelta (adattiva) dei punti su cui
rappresentare la
soluzione dell’equazione.
A tale scopo, tecniche di machine learning potranno
sfruttare la costruzione iterativa della soluzione sia per
accelerare il
processo stesso, sia
per definire la miglior distribuzione di punti.
The research
fellow will be responsible for the
development and implementation of a software package able to solve
stochastic
equations in many degrees of freedom.
The software
should be optimized for GPUs
or similar hardware architectures that allow for extensive
parallelization on a
single board. The resolution strategy will be
based on meshless
techniques
since the software needs to be able to handle problems with
O(10-100) degrees
of freedom. To reduce the computational cost the optimal
(adaptive) choice
of
points for representing the solution of the equation must be
determined. To
this purpose, machine learning techniques can be used to exploit
the iterative
construction of
the solution, both to speed up the process itself and to define
the best distribution of points.
· Link (dal / from
13.07.2023 al / to
28.07.2023): https://www.dei.unipd.it/node/43362
--
Prof. Marco Ferrante
Prorettore alla Didattica
Vice-Rector for Teaching and Education
Dipartimento di Matematica "Tullio Levi-Civita"
Università degli Studi di Padova
Via Trieste 63 , I-35121 Padova - ITALY
Tel: +39-0498271366 Fax: +39-0498271499
E-Mail: ferrante@math.unipd.it
URL: http://www.math.unipd.it/~ferrante