STAGE High Performance Generative Adversarial Network for Optimized Monte Carlo Simulations

Date de mise à jour de l’offre

Laboratoire de Probabilités, Statistique et Modélisation :

Le Laboratoire de Probabilités, Statistique et Modélisation (LPSM, UMR 8001) est né le 1er janvier 2018 de la fusion du Laboratoire de Probabilités et Modèles Aléatoires (LPMA) et du Laboratoire de Statistique Théorique et Appliquée (LSTA). Cette fusion, couronnement d'un processus de rapprochement entre les deux unités duré au moins une dizaine d'années, représente la jonction de deux branches des mathématiques du hasard qui, à l'Université de Paris, avaient été tout au long du 20ème siècle rattachées à deux structures différentes, le LPMA et le LSTA, eux-mêmes héritiers de deux institutions plus anciennes, respectivement la Chaire de Probabilités et Physique Mathématique (CPPM) et l'Institut de Statistique de l'Université de Paris (ISUP). La création du LPSM réalise, à un siècle de distance, le projet du mathématicien et homme politique Emile Borel de faire de Paris un centre d’enseignement et de recherche de premier plan sur les mathématiques du hasard

Description de la mission

Developments in applied mathematics must take into account the new computing hardware directions. In numerical probability, solutions based on nested Monte Carlo (MC) become both accurate and competitive because adapted to parallel architectures includin Graphics Processing Units. In our recent work, we simulate on GPU nonlinear Parabolic Partial Differential Equations (PPDEs) of dimension 100 in a much shorter execution time than any other method. Moreover, the effectiveness of MC can be further enhanced using a Neural Network (NN) for the inference of a substantial part of the result. Using pre-trained NNs should then become the mainstream practice in large MC simulations, in particular in High Performance Computing (HPC) applications. In numerical probability community, the use of NNs with MC is becoming a standard for the simulation of PPDEs and especially in Mathematical Finance. These contributions implement however NNs for their ability to provide a solution to complex problems. They miss then the genericity of NN trained on a parameterized model to be reused by other applications (automation) and for a large variety of data (scalability). In contrast, our project trains on MC-simulated values a High Performance Computing MC Generative Adversarial Network (HPC-MC-GAN) so it generates a large number of inferred values in a record execution time, in order to make it a reference building block to other larger applications

Profil recherché

We would like to hire a Master 2 student in Probability or Statistics with a strong background in computer science. The student should be capable of writing Python and C++ code. Mastering CUDA language for GPU programming is also required.

Niveau de qualification requis

Bac + 4/5 et +
  • Employeur
    Laboratoire de Probabilités, Statistique et Modélisation
  • Secteur d’activité de la structure
    Enseignement - Formation - Recherche
  • Effectif de la structure
    De 51 à 250 salariés
  • Site internet de la structure
    https://www.lpsm.paris
  • Type de stage ou contrat
    Stage pour lycéens et étudiants en formation initiale
  • Date prévisionnelle de démarrage
  • Durée du stage ou contrat
    Plus de 4 mois et jusqu'à 6 mois
  • Le stage est-il rémunéré ?
    Oui
  • Niveau de qualification requis

    Bac + 4/5 et +
  • Lieu du stage
    SORBONNE UNIVERSITE
    4 Place Jussieu
    75005 PARIS 5E ARRONDISSEMENT
  • Accès et transports
    Métro arrêt Jussieu