À propos

Le Laboratoire de mathématiques appliquées du CRM est un réseau de recherche composé de mathématiciens, d’ingénieurs, d’informaticiens et de chimistes théoriciens, basé à Montréal, au Québec. L’objectif principal du laboratoire est de promouvoir et de favoriser la recherche en mathématiques appliquées.  

Les deux activités principales du laboratoire sont, d’une part, le séminaire CRM de mathématiques appliquées et, d’autre part, la nomination et la formation de jeunes chercheurs talentueux par le biais de bourses d’études supérieures et postdoctorales. Ces activités sont accompagnées par des ateliers ainsi que par des programmes thématiques et des programmes pour les visiteurs. Les principaux thèmes de recherche du laboratoire et les membres du laboratoire qui y sont associés sont :

• Équations aux dérivées partielles (Bartello, Choksi, Lessard, Lin, Lorin de la Grandmaison, Nave, Tsogtgerel)
• Analyse numérique et calcul scientifique (Bartello, Brugiapaglia, Chang, Gerolin, Guignard, Humphries, Lessard, Lorin de la Grandmaison, Nave, Oberman, Owens)
• Systèmes dynamiques et contrôle (Bélair, Bramburger, Caines, Forbes, Humphries, Lessard, Nave, Yousefzadeh)
• Optimisation et science des données (Bramburger, Brugiapaglia, Chang, Choksi, Forbes, Gerolin, Hoheisel, Oberman, Paquette, Vetta)

 

Ces thèmes se chevauchent fortement, ce qui favorise des discussions et des collaborations fructueuses entre les différents membres du laboratoire, ainsi que des connexions avec d’autres laboratoires du CRM tels que CAMBAM, MILA ou le laboratoire de probabilité. Pour aller plus loin, les membres du laboratoire de mathématiques appliquées couvrent un large spectre de la recherche classique en mathématiques appliquées, y compris la théorie et l’analyse numérique des équations aux dérivées partielles, le calcul des variations, la dynamique des fluides, les systèmes dynamiques, la biologie mathématique, le contrôle optimal, l’optimisation, l’analyse convexe et l’algèbre linéaire numérique, ainsi que des sujets contemporains tels que la détection comprimée, l’apprentissage automatique (y compris l’apprentissage profond), le transport optimal, l’approximation en haute dimension, l’analyse variationnelle et la numérique rigoureuse.