Beräkningsvetenskap: Att förstå verkligheten genom datorn

COMPUTATIONAL-SCIENCE

Simulering och dataanalys kan användas inom olika discipliner som biologi, fysik, medicin, ekonomi, kemi och geologi för att utforska olika processer. Modeller av verkligheten kan byggas från data eller kända matematiska relationer för att göra experiment och ställa frågor om egenskaper hos problemet.

Beskrivning

Verkligheten kan mätas genom att samla in olika typer av data eller efterliknas med matematiska modeller. Olika frågeställningar kan översättas till algoritmer som är lämpade för datorer. Mängden av tillgängliga data och komplexiteten i de modeller som används och de frågor man vill besvara växer snabbt. Beräkningskapaciteten och lagringskapaciteten både hos persondatorer och hos superdatorer har också utvecklats snabbt. Mindre välkänt är att utvecklingen av effektiviteten hos algoritmer har haft en liknande utveckling.

Inom beräkningsvetenskap forskar vi på alla delar av processen från matematisk formulering till effektiv datorimplementering. Vi utvecklar effektiva versioner av fundamentala algoritmer inom numerisk linjär algebra och optimering. Vi utvecklar skräddarsydda metoder för specifika tillämpningsområden som livsvetenskaper, flödesdynamik, geovetenskap, kvantfysik och finansiell matematik. Vi forskar på frågor kring infrastruktur för att hantera stora datamängder såsom molnteknologi och federerad maskininlärning för känsliga data. Vi konstruerar effektiva parallela och distribuerade algoritmer för specifika typer hårdvara. Genomgående för all metodutveckling är att algoritmerna måste vara tillförlitliga på olika sätt. Vi analyserar algoritmer för att kunna kvantifiera deras osäkerhet i förhållande till givna data och modellantaganden och vi har också forskning inom cybersäkerhet för att kunna detektera och motverka olika typer av attacker på system och algoritmer.


  • Computational Science and Engineering (CSE): We construct computational methods for specific contexts such as glaciology or biomechanics.
  • Numerical analysis (NA): We analyse and develop efficient numerical methods.
  • Optimization: PDE-constrained optimisation, data-driven black box optimisation (Bayesian and surrogate-based methods, evolutionary optimisation), gradient-based methods.
  • Machine learning and Bayesian statistics: deep learning, statistical sampling, design of experiments, likelihood-free parameter inference, time series analysis, expectation-maximisation.
  • Computational Biology: deep learning for genomics, parameter inference of stochastic biochemical reaction networks, model exploration, stochastic simulation methods.
  • Numerical Quantum Dynamics: We develop and apply novel tools and techniques for solving the molecular time-dependent Schrödinger equation.

  • 1TD342: Introduktion till beräkningsvetenskap (5 hp)
  • 1TD352: Beräkningsvetenskap för dataanalys (5 hp)
  • 1TD354: Beräkningsvetenskap för partiella differentialekvationer (5 hp)
  • 1TD050: Avancerade numeriska metoder (10 hp)
  • 1TD056: Tillämpade finita elementmetoder (5 hp)

FÖLJ UPPSALA UNIVERSITET PÅ

facebook
instagram
twitter
youtube
linkedin