O objectivo do Centro de Competências em Simulação e Grandes volumes de Dados é fomentar uma colaboração eficiente entre os diferentes grupos do LIP que trabalham nestas áreas e aumentar a capacidade de explorar as competências existentes, tanto interna como externamente, na relação com a universidade e a indústria. Os diferentes grupos do LIP têm um leque de comptências variado na análise de dados e ferramentas de simulação, que inclui modelos de física, geradores de Monte Carlo, ferramentas de simulação de detectores, técnicas de processamento de grandes volumes de dados e "data-mining". A capacidade de beneficiar destas competências depende de atingirmos massa crítica, termos programas de formação concertados, explorarmos as sinergias entre grupos e identificarmos claramente as áreas chave em que o LIP pode contribuir.
O Centro de Competências iniciou a sua actividade em 2017, tendo como primeiras prioridades a identificação das competências técnicas em que os membros do LIP são especialistas, começar um programa de formação e estabelecer o plano de acção para os próximos anos.
Simulation
In 2017, the Simulation branch of the competence center undertook a survey of the GEANT4 competences at LIP. The following items were identified:
- LIP is a member of the GEANT4 collaboration for more than 10 years, accumulating an important expertise, both from the user and developer points of view, with an important know-how beyond applications development;
- LIP members hold expertise in several GEANT4 kernel categories;
- There is a potential to increase LIP’s contribution to the GEANT4 toolkit;
- LIP members undertake teaching activities in MSc and PhD level courses with some emphasis in GEANT4.
Big Data
The Big Data branch of the competence center developed a survey of the big-data and machine learning competences at LIP, and the following items were identified:
- Development of multivariate data analysis using advanced techniques (e.g. boosted decision trees, shallow and deep neural networks and principal component analysis);
- Expertise in modern tools used in HEP and beyond it (e.g. TMVA, Octave, Keras, SK-learn, Pandas, Theano, Tensorflow);
- Expertise in advanced methods for training and validation of multivariate analysis (e.g. use of accelerators such as GPUs, distributed training and cross-validation);
- Expertise in complex file systems and tools to deal with large volumes of data.
Suporte
Email: helpdesk@incd.pt
-
Quantum machine learning in HEP
-
Autor(es): Pedro Carvalho, Bruna Salgado, Gabriel Domingues, Catarina Felgueiras
-
Submissão: , Aceitação: , Publicação: 2023-12-31
-
Referência: LIP-STUDENTS-23-27
Ver publicação
-
Anomaly detection as a tool for discovery the unexpected at colliders
-
Autor(es): Simão Silva Cardoso, Daniel Sousa, João Ferreira, Fábio Lucas Carneiro
-
Submissão: , Aceitação: , Publicação: 2023-12-31
-
Referência: LIP-STUDENTS-23-26
Ver publicação
-
Fitting a Collider in a Quantum Computer: Tackling the Challenges of Quantum Machine Learning for Big Datasets
-
Autor(es): Miguel Caçador Peixoto, Nuno Filipe Castro, Miguel Crispim Romão, Maria Gabriela Jordão Oliveira, Inês Ochoa
-
Submissão: 2023-07-28, Aceitação: 2023-11-20, Publicação: 2023-12-15
-
Referência: Front. Artif. Intell. 6 (2023) 1268852
-
Berry: A code for the differentiation of Bloch wavefunctions from DFT calculations
-
Autor(es): Leander Reascos, Fábio Carneiro, André Pereira, Nuno Filipe Castro, Ricardo Mendes Ribeiro
-
Submissão: 2023-05-31, Aceitação: 2023-10-17, Publicação: 2023-10-27
-
Referência: Computer Physics Communications 295 (2024) 108972
Ver publicação
Links relacionados
//Responsáveis
Nuno Castro
Bernardo Tomé
Richard McClintock, a Latin professor at Hampden-Sydney College in Virginia, looked up one of the more obscure.
Lorem Ipsum passage, and going through the cites of the word in classical literature.