De Scientific Computing groep van CWI ontwikkelt efficiënte wiskundige methoden om realistische fenomenen met inherente onzekerheden te simuleren en te voorspellen. Dergelijke onzekerheden ontstaan bijvoorbeeld door onzekere modelparameters, chaotische dynamica of intrinsieke willekeurigheid, en kunnen een grote invloed hebben op modeloutputs en voorspellingen. Ons werk is met name gericht op toepassingen op het gebied van klimaat, energie en financiën. In deze cruciale sectoren is het van het grootste belang om onzekerheden en hun invloed op modelvoorspellingen te kunnen beoordelen. De expertise van de SC-groep omvat onzekerheidsquantificatie, reduced order modeling, data-assimilatie en stochastische multischaalmodellering.
De beschikbaarheid van data om simulaties en voorspellingen te onderbouwen en te verbeteren, bijvoorbeeld door middel van learning en datagestuurde modellering, speelt een belangrijke rol in ons onderzoek. Recent heeft de groep voet aan de grond gekregen in het opkomende gebied van wetenschappelijke machine learning, waarin kennis van computationele fysica wordt gecombineerd met machine learning-algoritmen.
De SC-groep organiseert het seminar over Machine Learning en Uncertainty Quantification in Scientific Computing. (Engelstalige pagina)
