≫ 内部学生のページ

駒場生の皆さん、物理工学科へぜひお越しください。

駒場生の皆さん、物理工学科へぜひお越しください。

  • 2018年度 進学ガイダンスブックダウンロードはこちら
  • Pick UP!!
  • 物工Youtubeチャンネル
  •  
  • お知らせ
  • 談話会・セミナー
  • 教員公募のお知らせ(応募締切:2018/12/17)
    2018.11.20
  •  
  • 物理工学専攻では、このたび助教1名を公募いたします。本公募の詳細についてはこちらをご覧ください。

  • 第5回 物理工学科教室談話会(講師:Prof. Yuji Nakatsukasa / 中務 佑治 氏)
    2018.10.30
  •  
  • 日時:11/2(金) 15:00-
    場所:工学部6号館1階103号室(大会議室)
    講師:Prof. Yuji Nakatsukasa / 中務 佑治 氏
    所属:Nat. Inst. Informatics / 国立情報学研究所
    題目:Monte Carlo integration: variance reduction by function approximation / モンテカルロ積分への関数近似論アプローチ
    概要:
    Classical algorithms for numerical integration (quadrature/cubature) proceed by approximating the integrand with a simple function (e.g. a polynomial), and integrate the approximant exactly. In high-dimensional integration, such methods quickly become infeasible due to the curse of dimensionality.

    A common alternative is the Monte Carlo method (MC), which simply takes the average of random samples, improving the estimate as more and more samples are taken. The main issue with MC is its slow “sqrt(variance/#samples)” convergence, and various techniques have been proposed to reduce the variance.

    In this work we reveal a numerical analyst’s interpretation of MC: it approximates the integrand with a constant function, and integrates the constant exactly. This observation leads naturally to MC-like methods that combines MC with (high-dimensional) function approximation theory, including polynomial approximation, sparse grids and low-rank approximation. The resulting method can be regarded as another variance reduction technique for Monte Carlo. We also discuss methods that improve the approximation quality as more samples are taken, and thus can converge faster than 1/sqrt(#samples).

    Talk will be in English.

    ガウス積分を始めとする数値解析における古典的数値積分の方針は、被積分関数を多項式等で近似し、近似関数を厳密に積分する、というものである。1次元の積分では極めて有効であるが、高次元積分には「次元の呪い」を受け、計算量が次元と共に指数関数的に増加する。これに対し、モンテカルロ積分法は確率、統計学から生まれた乱択アルゴリズムであり、次元に依存しない収束性を持つという強い利点を持つ。しかし、1/sqrt(サンプル数)という収束性が遅いという問題点がある。本研究では、モンテカルロ積分の背景にも極めて単純な関数近似があることを観察する。これに基づいて、背景にある近似関数を改良することでモンテカルロ積分の収束も(時に大幅に)改良することができることを示す。多項式、スパースグリッドや低ランク近似等の関数近似論と、確率論やランダム行列理論を用い、数値積分とモンテカルロ積分の融合アルゴリズムを提案する。

    紹介教員:山地 洋平 特任准教授、今田 正俊 教授(ともに物理工学専攻)

お知らせ
  • 教員公募のお知らせ(応募締切:2018/12/17)
    2018.11.20
  •  
  • 物理工学専攻では、このたび助教1名を公募いたします。本公募の詳細についてはこちらをご覧ください。

  • 【教養学部生対象】物理工学科見学会のお知らせ[12/15(土)]
    2018.11.02
  •  
  • 教養学部生を対象とした物理工学科見学会を開催しますので、興味のある方は是非ご参加下さい。
    事前申し込みは不要です。

    日  時:平成30年12月15日(土)14:00-16:15
    集合場所:本郷キャンパス工学部6号館1階大会議室
    プログラム:
    14:00-14:15 学科紹介(学科長 求幸年教授)
    14:15-15:15 研究室見学
    石坂研究室 – 光で拓く物質科学 -   
    石渡研究室 – 極限環境を利用した強相関物質の開拓 –
    賀川研究室 – 非平衡状態を活用した物性・機能開拓 –
    15:15-16:15 先輩学生との懇親会
    (10名程度の大学院生が参加予定)

    物理工学科見学会ポスター(PDF)

もっと詳しく

談話会・セミナー
  • 第5回 物理工学科教室談話会(講師:Prof. Yuji Nakatsukasa / 中務 佑治 氏)
    2018.10.30
  •  
  • 日時:11/2(金) 15:00-
    場所:工学部6号館1階103号室(大会議室)
    講師:Prof. Yuji Nakatsukasa / 中務 佑治 氏
    所属:Nat. Inst. Informatics / 国立情報学研究所
    題目:Monte Carlo integration: variance reduction by function approximation / モンテカルロ積分への関数近似論アプローチ
    概要:
    Classical algorithms for numerical integration (quadrature/cubature) proceed by approximating the integrand with a simple function (e.g. a polynomial), and integrate the approximant exactly. In high-dimensional integration, such methods quickly become infeasible due to the curse of dimensionality.

    A common alternative is the Monte Carlo method (MC), which simply takes the average of random samples, improving the estimate as more and more samples are taken. The main issue with MC is its slow “sqrt(variance/#samples)” convergence, and various techniques have been proposed to reduce the variance.

    In this work we reveal a numerical analyst’s interpretation of MC: it approximates the integrand with a constant function, and integrates the constant exactly. This observation leads naturally to MC-like methods that combines MC with (high-dimensional) function approximation theory, including polynomial approximation, sparse grids and low-rank approximation. The resulting method can be regarded as another variance reduction technique for Monte Carlo. We also discuss methods that improve the approximation quality as more samples are taken, and thus can converge faster than 1/sqrt(#samples).

    Talk will be in English.

    ガウス積分を始めとする数値解析における古典的数値積分の方針は、被積分関数を多項式等で近似し、近似関数を厳密に積分する、というものである。1次元の積分では極めて有効であるが、高次元積分には「次元の呪い」を受け、計算量が次元と共に指数関数的に増加する。これに対し、モンテカルロ積分法は確率、統計学から生まれた乱択アルゴリズムであり、次元に依存しない収束性を持つという強い利点を持つ。しかし、1/sqrt(サンプル数)という収束性が遅いという問題点がある。本研究では、モンテカルロ積分の背景にも極めて単純な関数近似があることを観察する。これに基づいて、背景にある近似関数を改良することでモンテカルロ積分の収束も(時に大幅に)改良することができることを示す。多項式、スパースグリッドや低ランク近似等の関数近似論と、確率論やランダム行列理論を用い、数値積分とモンテカルロ積分の融合アルゴリズムを提案する。

    紹介教員:山地 洋平 特任准教授、今田 正俊 教授(ともに物理工学専攻)

  • もっと詳しく
  • 物理工学特別輪講 Poster Award 2018
    2018.10.12
  •  
  • 10/11(木)に行った物理工学特別輪講成果発表会では、
    Poster Awardの選出を聴講者の投票により行いました。
    その結果、以下の発表が1位に選ばれましたので、
    「物理工学特別輪講 Poster Award 2018」として表彰致します。

    大野瑞貴(求研)「ブリージングパイロクロア系の磁性と電気磁気効果」

  • もっと詳しく

もっと詳しく