Jennifer Ryan

Modellering av fysiska fenomen som miljöföroreningar, vulkanutbrott och orkaner beror på förmågan att koppla samman information från väldigt olika rumsliga skalor. Simuleringen av den komplexa fysik som uppstår i dessa tillämpningar kräver betydande beräkningstid och avsevärda hårdvaruresurser. Detta gör att vi måste förlita oss på tekniker som endast kan representera en del av datan. Valet av hur vi representerar data leder till olika mönster i datan. Dessa mönster innehåller "dold information" som kan användas för att skapa mer exakta representationer av de fysiska fenomenen.

Jennifer Ryans forskning utvecklar matematiska metoder och beräkningsfilter för att förbättra vår förmåga att extrahera information från given data och för att ge insikt i eventuell underliggande dold information. Egenskaperna hos de filter hon designar är baserade på fysik och förankrade i rigorös matematisk teori, vilket gör dem användbara inom områden som kräver storskaliga beräkningsmodeller. Genom att upptäcka småskaliga anomalier i datan är det möjligt att skapa skräddarsydda filtreringsmetoder som minskar bruset i datan, vilket möjliggör extraktion av mer exakta approximationer av de fysiska fenomen som modelleras.