Start of operation:
End of operation:
Introduction:

A Markov-lánc Monte-Carlo (MLMC) módszerek alapvető fontosságúak az összetett rendszerek viselkedésének szimulálására és nélkülözhetetlenné váltak pl. a számítógépes fizika, a biológia és a pénzügy bizonyos területein. 
A módszer lényege egy egyszerű iteratív folyamat, amely a rendszerállapotterét apró változtatások sorozatával fedezi fel, és a kívánt eredményhez konvergál. Az MLMC módszer ereje abban rejlik, hogy egy exponenciálisan nagy sztochasztikus mátrix hatását valószínűségi módon szimulálja megfelelő valószínűségi átmenetek választásával az állapotok között. 
Az MLMC módszerek kvantumos általánosításai tovább erősítik a módszert kvantumos effektusok, például szuperpozíció és összefonódás kihasználásával. Ezek az algoritmusok forradalmasíthatnak különböző területeket, az anyagtudománytól kezdve a pénzügyi modellezésig, olyan szimulációkat lehetővé téve, amelyek a klasszikus számítógépek számára megvalósíthatatlanok, példátlan számítási teljesítményt kínálva.

Head of Group:

Employees:

External staff:

Previous:
Enumeration in sparse graphs
All
Next:
Analysis and Applications of Markov Chains