Jun Yang

Projekttitel

Geometry-Aware Monte Carlo Sampling (GAMeS)

Hvad handler dit projekt om?

GAMeS-projektet udvikler Monte Carlo-metoder til højdimensionelle modeller, store datasæt og parallel beregning. Ved at bruge geometrisk information i modelrum, designer det effektive algoritmer til inferens i komplekse systemer. Med udgangspunkt i nylige gennembrud inden for heavy-tailed sampling og interagerende partikelsystemer, fremmer GAMeS skalerbare og pålidelige metoder til datavidenskab og AI.

Hvordan opstod din interesse for dit forskningsfelt?

Jeg blev interesseret i Monte Carlo-metoder gennem en fascination af, hvordan tilfældighed kan løse komplekse problemer. Under mine studier blev jeg tiltrukket af samspillet mellem sandsynlighed, geometri og beregning i Markov-kæden Monte Carlo (MCMC). Dette førte mig til at udforske både teorien og praksis bag MCMC med fokus på at gøre den skalerbar og pålidelig til moderne udfordringer inden for datalogi og AI.

Hvad er de forskningsmæssige udfordringer og perspektiver ved dit projekt?

De største udfordringer ligger i at designe Monte Carlo-algoritmer, der forbliver effektive i store dimensioner, kan skaleres til store datasæt og udnytter parallel databehandling. GAMeS adresserer disse ved at udnytte geometriske indsigter og nylige fremskridt inden for partikelmetoder. Projektet sigter mod at skabe teoretisk funderede og praktiske værktøjer, der fremmer skalerbar inferens og åbner nye perspektiver inden for statistisk databehandling og kunstig intelligens.

Hvilke perspektiver vurderer du selv, at din forskning på sigt kan have for det omgivende samfund?

GAMeS sigter mod at forbedre pålideligheden og skalerbarheden af ​​algoritmer, der anvendes inden for datavidenskab og kunstig intelligens, som i stigende grad er centrale for samfundet. På lang sigt kan denne forskning understøtte bedre beslutningstagning inden for områder som sundhedspleje, klimamodellering og offentlig politik, ved at muliggøre troværdige slutninger fra komplekse data og fremme gennemsigtighed i kunstig intelligens-drevne systemer.

Hvad vil det betyde for din forskerkarriere, at du indgår i Sapere Aude-programmet?

At være en del af Sapere Aude-programmet er en vigtig milepæl i min forskningskarriere. Det giver mig mulighed for at opbygge en uafhængig forskergruppe, styrke internationale samarbejder og forfølge ambitiøse idéer i frontlinjen inden for statistisk databehandling. Programmet vil accelerere min udvikling som forskningsleder og bidrage til at forme fremtiden for pålidelige, skalerbare metoder inden for datalogi og kunstig intelligens.

Lidt om mennesket bag forskeren

Jeg blev ansat på Institut for Matematiske Fag på Københavns Universitet i 2023 som fastansat adjunkt i statistik. Før dette var jeg Florence Nightingale Bicentennial Fellow ved University of Oxford (2020-2023). Jeg fik min ph.d. i statistik fra University of Toronto i 2020 under vejledning af Daniel M. Roy og Jeffrey S. Rosenthal.