Société Canadienne des Mathématiques Appliquées et Industrielles 2022
La réunion annuelle SCMAI sera en format hybride et à UBC Okanagan du 13 au 16 juin, 2022.
Tous les membres de la SCMAI sont invités à la réunion annuelle, une tradition importante de la SCMAI depuis plus que 30 ans. Les sujets discutés comprend tous les aspects de les mathématiques appliquées et industrielles, et des chercheurs bien reconnus sont invités à livrer les pléniers. Cette année, l’évènement est offert en format hybride, avec la portion en personne tenue à l’Université de la Colombie-Britannique – campus de l’Okanagan.
Thèmes
- Apprentissage Automatique
- Benjamin Bloem-Reddy, UBC Vancouver
- Sharan Vaswani, Simon Fraser University
- Biomathématiques et Épidémiologie
- Eric Foxall, UBC Okanagan
- Jianhong Wu, Université de York
- Sue Ann Campbell, Université de Waterloo
- Calcul Scientifique
- Scott MacLachlan, Memorial University of Newfoundland
- Colin Macdonald (UBC Vancouver)
- Dynamiques des Fluides
- John Stockie, Simon Fraser University
- David Goluskin, University of Victoria
- Olga Trichtchenko, Western University
- Optimisation
- Ricardo Fukasawa, University of Waterloo
- Dominique Monnet, Polytechnique Montréal
- Amy Wiebe, Simon Fraser University
Format de la Conférence
Les aspects de la conférence qui sont en personne se dérouleront à l’Université de la Colombie-Brittannique à l’Okanagan, à Kelowna, BC. Voir ci-dessous (“Information pour Voyageurs”) pour plus d’information.
Les aspects de la conférence qui sont en ligne inclueront des minisymposiums, présentation d’affiches scientifiques, et quelques activités sociaux. Conférenciers qui participent en personne et veulent accéder aux aspects en ligne, devront trouver un endroit calme pour rejoindre l’activité sur leur laptop ou équivalent. Il y a plusieurs endroits appropriés sur le campus.
Les présentations en ligne utiliseront zoom. Les présentations en personne seront diffusés en direct pour les participants virtuels. Chaque présentation d’affiche scientifique sera uniquement en personne ou en ligne.
Plus d’informations sur les formats pour les présentations, minisymposiums, et posters est disponible auprès du lien “Soumissions” ci-dessous.
Inscriptions
Les inscriptions sont maintenant ouvertes.
Frais d’inscription
Les frais d’inscription pour les participants en personne comprennent un dîner chaud chaque jour et le banquet de la conférence.
Catégorie | tôt (avant le 23 mai) | tard (après le 24 mai) |
En personne, membre de la SCMAI | $400.00 | $450.00 |
En personne, pas membre | $480.00 | $530.00 |
En personne, étudiant.e/postdoctorant.e | $225.00 | $275.00 |
En ligne | $200.00 | $250.00 |
Soumissions
Dates limites:
- Propositions de mini-symposium – Les soumissions sont maintenant fermées
- Présentations orales et affiches – Le formulaire de soumission sera bientôt disponible; date limite – fin avril
Propositions de mini-symposium peuvent valoriser n’importe quel sujet en mathématiques appliquées, pas seulement ceux qui se trouvent dans les thèmes officiels. L’horaire admet 25 minutes (incluant la période des questions) pour chaque présentation.
SCMAI 2022 Propositions de Minisymposium
- Les soumissions sont maintenant fermées
Conférenciers Pléniers
Pascale Garaud est professeure au département de mathématiques appliquées de la Baskin School of Engineering de l’UC Santa Cruz. Ses recherches portent sur la dynamique des fluides et la magnétohydrodynamique appliquées à l’astrophysique et occasionnellement à la géophysique. Elle est membre de la faculté du programme d’été GFD (WHOI) et directrice fondatrice du programme d’été Kavli en astrophysique. Elle est rédactrice en chef adjointe de Geophysical and Astrophysical Fluid Dynamics et membre du comité de rédaction de Physical Review Fluids. Elle est devenue membre de l’American Physical Society en 2019.
Aleks Donev est professeur de mathématiques au Courant Institute of Mathematical Sciences, qui fait partie de l’Université de New York. Jusqu’à l’été 2010, il était boursier postdoctoral Luis Alvarez au laboratoire national Lawrence Berkeley, travaillant dans le groupe de John Bell au centre. Il a été boursier postdoctoral Lawrence aux laboratoires nationaux Lawrence Livermore de 2006 à 2009, où il faisait partie du groupe de sciences en matériaux computationnels. De 2001 à 2006, il a obtenu un doctorat, étudiant à l’Université de Princeton dans le programme de mathématiques computationnelles et appliquées, et a mené des recherches à l’Institut de Princeton pour la science et la technologie des matériaux dans le groupe de théorie des matériaux complexes. Il a obtenu son baccalauréat en physique à la Michigan State University, où il faisait partie du groupe de recherche du Dr Phillip Duxbury.
Jingwei Hu est professeure associée au Département de mathématiques appliquées de l’Université de Washington. Elle est également professeure auxiliaire au département d’aéronautique et d’astronautique William E. Boeing. Ses intérêts de recherche généraux portent sur l’analyse numérique et le calcul scientifique, en particulier le développement de méthodes numériques pour les équations cinétiques multi-échelles apparaissant dans diverses applications scientifiques et d’ingénierie. En 2017, elle a reçu le prix NSF Career. Elle siège actuellement aux comités de rédaction des revues La Matematica et Kinetic & Related Models.
Mikhail Belkin a obtenu son doctorat en 2003 du Département de mathématiques de l’Université de Chicago. Ses intérêts de recherche portent sur la théorie et les applications de l’apprentissage automatique et de l’analyse de données. Certains de ses travaux bien connus incluent des algorithmes largement utilisés de cartes propres laplaciennes, de régularisation de graphes et de régularisation de collecteurs, qui ont apporté des idées de la géométrie différentielle classique et de l’analyse spectrale à la science des données. Ses travaux récents ont porté sur la compréhension de phénomènes mathématiques et statistiques remarquables observés en apprentissage profond. Cette preuve empirique a nécessité de revoir certains des concepts de base en statistique et en optimisation. L’une de ses principales découvertes récentes est la courbe de risque “double descente” qui étend la courbe de compromis biais-variance en forme de U classique au-delà du point d’interpolation.
Mikhail Belkin est récipiendaire du prix NSF Career et d’un certain nombre de prix du meilleur article parmi d’autres. Il a siégé aux comités de rédaction du Journal of Machine Learning Research, IEEE Pattern Analysis and Machine Intelligence et SIAM Journal on Mathematics of Data Science.
James V. Burke est né au New Jersey en 1955. Il a obtenu son baccalauréat de Knox College à Galesburg, Illinois en 1977 et un doctorat en mathématiques de l’Université de l’Illinois à Urbana-Champaign en 1985. Il a commencé sa carrière universitaire en mathématiques en 1983 à l’Université du Kentucky, Lexington, et a accepté un poste à l’Université de Washington, Seattle, en 1985 où il est maintenant professeur honoraire. Il est ancien directeur de programme des sciences mathématiques computationnelles et appliquées, ainsi que ancien directeur adjoint du Resource Facility for Population Kinetics de l’Université de Washington. En 2018, il a reçu le prix INFORMS Computing Society conjointement avec Frank Curtis, Adrian Lewis et Michael Overton pour leur travail de pionnier sur les méthodes d’échantillonnage par gradient. Il est membre de la promotion 2021 des SIAM Fellows.
Le professeur Burke a publié plus de 100 articles sur l’optimisation théorique, appliquée et informatique et l’analyse convexe et variationnelle avec de nombreuses contributions à la programmation non linéaire, à la détection d’infaisabilité, à l’optimisation convexe-composite, à l’analyse des erreurs, aux méthodes d’échantillonnage de gradient, au lissage de Kalman et à l’estimation statistique non gaussienne. Ses travaux actuels portent sur les fonctions convexes-composites et la sélection de variables pour les modèles linéaires à effets mixtes.
Gail Wolkowicz est professeure au Département de mathématiques et de statistique de l’Université McMaster. Après avoir obtenu un baccalauréat et une maîtrise à l’Université McGill, elle a complété son doctorat à l’Université de l’Alberta sous la direction de Geoffrey J. Butler. Après des études postdoctorales à l’Université Emory et à l’Université Brown, elle s’est jointe à la faculté de l’Université McMaster en 1986. Elle formule et analyse des modèles mathématiques sous forme de systèmes dynamiques non-linéaires motivés par des questions de biologie mathématique. L’un de ses objectifs est de mieux comprendre la dynamique de base des populations. Ceci donne des critères mesurables qui puissent être développés pour permettre aux scientifiques de prédire dans quelles conditions les espèces concurrentes peuvent coexister. Elle est surtout connue pour ses travaux sur des modèles de chémostat, où elle a prouvé que le principe d’exclusion compétitive s’applique à la compétition inter-espèces. Les applications potentielles comprennent la purification de l’eau, la décomposition biologique des déchets, la lutte antiparasitaire, la prévention de l’extinction des espèces, le contrôle ou l’éradication de certaines maladies et la digestion anaérobie pour produire de l’énergie verte. Elle s’est récemment intéressée à la formulation et à l’analyse de modèles impliquant des équations aux différences. Elle a plus de 65 publications évaluées par des pairs et de nombreux prix, dont le prix Krieger-Nelson en 2014, la reconnaissant comme une femme exceptionnelle en mathématiques, et, en 2015, le prix Lord Robert May Best Paper Prize du Journal of Biological Dynamics.
Agenda
L’horaire de la conférence CAIMS est maintenant disponible!
Horaire de la conférence CAIMS
*Horaire mis à jour le 11 juin 2022
L’horaire quotidien est maintenant disponible!
Résumé en plénière
James Burke
Les fonctions de valeur optimale permettent d’étudier la sensibilité des problèmes d’optimisation paramétrés lorsque les paramètres varient. Ils jouent un rôle fondamental dans la modélisation d’optimisation, soit théoretiquement ou numériquement. Cet exposé présente trois histoires de fonctions de valeur optimale : la dualité conjuguée, les fonctions inverses de valeur optimale et la méthode scalaire de Newton, ainsi qu’une application des fonctions de valeur optimale dans la sélection de variables pour les modèles à effets mixtes en statistique. La dualité conjuguée, au sens de Fenchel et Rockafellar, fournit les bases théoriques de la dualité convexe en optimisation. Nous donnons un aperçu destiné au communauté mathématique général qui motive les idées suivantes. Notre deuxième histoire, nous considérons un théorème général de fonction inverse pour les fonctions de valeur optimales et montrons comment qu’ils puissent être utilisé pour construire des méthodes très efficaces basées sur Newton pour résoudre plusieurs problèmes d’optimisation non lisses, contraints et convexes. Dans notre article final, nous décrivons une nouvelle utilisation des fonctions de valeur optimales pour la sélection de covariables dans les modèles linéaires à effets mixtes (LEM). Ces modèles, également connus sous le nom de modèles à niveaux multiples ou hiérarchiques, sont utilisés pour analyser des données imbriquées ou combinées dans une gamme de groupes ou de grappes où des covariables sont utilisées pour séparer la variabilité de population totale (des effets fixes) de la variabilité du groupe (les effets aléatoires). La relation entre les covariables et les observations est modélisée à l’aide de coefficients spécifiques au groupe qui sont liés par une distribution a priori commune à tous les groupes. De cette manière, les LEM sont en mesure d’emprunter la force entre les groupes pour estimer les statistiques clés pour le prior commun dans les cas où les données au sein des sous-unités peuvent être rares ou très variables. Il s’agit d’un problème non-linéaire, non lisse, non convexe lorsqu’une fonction de valeur optimale puisse être utilisée pour exploiter la faible convexité sous-jacente, afin de détendre et de régulariser le problème et d’obtenir efficacement des solutions approchées précises.
Gail Wolkowicz
Après avoir examiné différentes stratégies pour dériver des modèles mathématiques discrets multi-espèces, une nouvelle stratégie est proposée puis utilisée pour dériver un modèle prédateur-proie et un modèle de compétition entre deux populations. On montre pourquoi l’analyse du plan de phase des cartes planaires n’a pas été aussi utile qu’elle l’a été pour les systèmes planaires d’équations différentielles ordinaires. Pour remédier à ce problème, nous introduisons l’opérateur d’itération suivant associé aux nullclines et à leurs courbes racines associées. Les courbes racines déterminent de quel côté de la ligne nulle associée se trouve la prochaine itération. Comment utiliser le portrait de phase augmenté des courbes racines, pour déterminer les propriétés locales et globales des modèles planaires discrets, est démontré. Cela fournit une approche élémentaire qui peut être appliquée pour aider à déterminer les propriétés de la dynamique des modèles planaires discrets.
Jingwei Hu
De nombreuses équations hyperboliques et cinétiques impliquent de petites échelles qui mènent à diverses limites asymptotiques. La conception de méthodes de discrétisation en temps d’ordre élevé pour de tels problèmes capables de préserver la limite asymptotique ainsi que de maintenir la structure physique de la solution (telle que la positivité et la décroissance de l’entropie) s’est avérée difficile. Dans cet exposé, nous présentons deux classes de méthodes de discrétisation temporelle réalisant les propriétés susmentionnées avec une restriction de pas de temps indépendante des petites échelles : l’une est une méthode Runge-Kutta implicite-explicite (IMEX) avec des corrections dérivées et l’autre est une méthode speciale parmis les méthodes exponentielles de types Runge-Kutta. Cette conférence est basée sur une série de travaux en collaboration avec S. Gottlieb, Z. Grant, R. Shu et X. Zhang.
Format Distanciel
À venir
Information pour Voyageurs
Résidences UBC Okanagan
Chambres simples dans des résidences universitaires situées directement sur le campus, à proximité du lieu de la conférence et adaptées aux budgets plus serrés. Plus d’informations sont à venir !
Sélectionnez une chambre au UBC Okanagan
Hampton Inn
Niché parmi les magnifiques montagnes et lacs de la Colombie-Britannique, le Hampton Inn and Suites se trouve juste en face de l’autoroute de l’aéroport international de Kelowna et à distance de marche de nombreux restaurants et commodités. Plusieurs terrains de golf, UBC Okanagan et l’accès au lac Okanagan sont à moins de 10 km. Le petit-déjeuner gratuit, le Wi-Fi gratuit et la navette aéroport 24h/24 sont inclus.
Réservations SCMAI: 10 chambres standard sont mises de côté pour conférenciers jusqu’au 1er mai. Le prix par chambre, par nuit, est $195. L’hôtel se trouve à une petite marche d’un kilomètre du campus.
Sélectionnez une chambre au Hampton Inn
Four Points Sheraton
Offrant une passerelle vers les nombreuses activités de plein air de l’Okanagan, le Four Points by Sheraton Kelowna Airport est le point de départ idéal pour vos aventures en Colombie-Britannique. Arrivez à notre hôtel via notre navette aéroport gratuite et profitez de notre emplacement privilégié à proximité du campus Okanagan de l’Université de la Colombie-Britannique, ainsi que des lacs pittoresques, des terrains de golf et des vignobles. Les professionnels apprécient nos espaces de réunion sur place et les voyageurs actifs adorent notre centre de remise en forme et notre piscine intérieure avec toboggan. Lorsque la faim se fait sentir, rendez-vous au restaurant de notre hôtel pour sa carte variée et délicieuse.
Réservations SCMAI: 10 chambres standards sont mises de côté pour conférenciers jusqu’au 1er mai. Le prix par chambre, par nuit, est $205. L’hôtel se trouve à une petite marche d’un kilomètre du campus.