Welcome/Bienvenue !
Welcome on the website of the SuSa project: Scaling up Stochastic algorithms. You will find here the latest information on the scientific results, organized events and job openings linked to the project.
The SuSa project is funded by the Agence Nationale de la Recherche . Its purpose is to develop innovative and robust sampling methods for physics and Bayesian inference.
Short presentation
Both statistical physics and Bayesian statistical inference revolve around probabilistic modeling and relies on description based on intractable integrals, which are sampled through Monte Carlo algorithms. As size and complexity of problems increase, these high-dimensional problems require more efficient stochastic methods, yet still simple and robust. They offer an opportunity for rich and multidisciplinary collaborations, from computational physics to probability theory and Bayesian statistics. The SuSa project propose to bring together physicists, probabilists and computer scientists, so as to develop innovative algorithms, based on the most recent advances in Monte Carlo and learning methods. Both theoretical and practical issues will be addressed, from the production of precise analysis of the underlying stochastic processes to the development of numerical solutions for parallelization and computational complexity reduction and applications to large-scale dataset in physics.
Brève présentation
La physique statistique et l’inférence Bayésienne reposent toutes deux sur une modélisation probabiliste qui requiert souvent un échantillonnage par méthode de Monte Carlo. Alors que la taille et la complexité des problèmes augmentent, il devient nécessaire d’inventer des méthodes MC scalables, robustes et générales. Ces problèmes à haute dimension représentent une formidable occasion pour un travail multidisciplinaire, de la physique computationnelle aux statistiques Bayésiennes. Le projet SuSa propose de réunir des physiciens, mathématiciens et informaticiens afin de développer des algorithmes innovants, basés sur les dernières avancées en matière de méthodes Monte Carlo et d’apprentissage. Le projet s’attellera aux questions théoriques comme pratiques, de l’analyse précise des processus stochastiques sous-jacents à l’élaboration de solutions numériques pour la parallélisation et la réduction de complexité et leurs applications à des bases de données massives en physique.