Masterproef T709 : Parallellisatie van algoritmen uit de biostatistiek
|
Begeleiding:
|
||||||||
|
Onderzoeksgroep:
Numerieke Approximatie en Lineaire Algebra Groep and Technisch Wetenschappelijk Rekenen
|
||||||||
|
Context:
Het Flanders ExaScience Lab (www.exascience.com) doet onderzoek naar algoritmen en software voor `high‐performance computing’. Een belangrijke topic is de parallellisatie van algoritmen voor biostatistiek i.s.m. Janssen Pharmaceutica. Dit kadert in het efficiënter organiseren van testcampagnes voor nieuwe medicijnen. Het doel is om stochastische parameters van wiskundige modellen uit de pharmacokinetica en pharmacodynamica (PK/PD) te schatten uit metingen. Hierbij wordt een optimalisatieprobleem opgelost waarbij de evaluatie van de doelfunctie neerkomt op de numerieke integratie van een hoog‐dimensionale integraal, waarbij elke ‘functiewaarde’ neerkomt op het oplossen van gewone differentiaalvergelijkingen. |
||||||||
|
Doel:
Het implementeren van een Monte Carlo‐simulatie van een PK/PD model op een moderne computer m.b.v. vectorisatie en parallellisatie. |
||||||||
|
Uitwerking:
Je implementeert het PK/PD model eerst in Matlab of een andere eenvoudige
programmeeromgeving naar keuze. Nadien implementeer je verschillende methoden om de hoogdimensionale
integraal te berekenen, zoals Quasi‐Monte Carlo‐ methoden (QMC) in C++. Hierbij
wordt rekening gehouden met mogelijke vectorisatie. Bijvoorbeeld zouden een aantal QMC stappen
samen kunnen worden uitgevoerd om automatische vectorisatie/parallellisatie te ondersteunen.
Daarnaast wordt de code verder geparalleliseerd voor GPU of multicore (keuze van de student). De
uitdaging bestaat erin een QMC techniek te kiezen die in combinatie met een goede implementatie
van de PK/PD simulatie leidt tot efficiënte code. |
||||||||
|
Profiel:
Eerder praktisch werk. Deze masterproef is voor 1 of 2 studenten. |