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 https://www.dei.unipd.it/node/43362