Onderwerpen voor parallelle en postersessies – DUCOMS 2025

Deze pagina biedt een overzicht en korte beschrijvingen van de verschillende onderwerpen voor de parallelsessies en postersessies die tijdens DUCOMS 2025 aan bod komen.

DUCOMS is een zeer interdisciplinaire conferentie, daarom zijn bijdragen vanuit alle wetenschappelijke disciplines welkom, zowel vanuit de academische wereld als vanuit de industrie. Om een abstract in te dienen, kunt u dit formulier invullen.

Multischaalmodellering en -Simulatie

Multischaalmodellering en -simulatie richt zich op technieken die computationele modellen op verschillende lengte- en tijdschalen gebruiken en integreren om complexe systemen te begrijpen. Deze aanpak is noodzakelijk omdat problemen in de praktijk vaak gelijktijdige processen op zowel grote als kleine schaal omvatten, waarbij snelle en langzame verschijnselen elkaar wederzijds beïnvloeden.

Dit onderwerp verwelkomt bijdragen over technieken die meerdere modellen over verschillende schalen met elkaar verbinden om te beschrijven en te begrijpen hoe complexe systemen zich gedragen en evolueren. Dit onderwerp verwelkomt ook bijdragen over het genereren van high-fidelity simulatiedata – van kwantum- tot continuümschalen – en over representaties, descriptoren en workflows die efficiënte en betrouwbare voorspellende modellering mogelijk maken. Het doel is om methodeontwikkelaars en dataproducenten over verschillende schalen te verbinden met onderzoekers die multischaal- of datagestuurde modellen bouwen.

Datagedreven Methoden & Machine Learning

Tegenwoordig worden grote hoeveelheden data in een oogwenk verzameld; Verborgen in deze ongestructureerde data zit waardevolle informatie. Door nieuwe methoden toe te passen om deze data te analyseren, kunnen we nieuwe inzichten ontdekken. In combinatie met machine learning maakt dit de ontwikkeling van voorspellende modellen mogelijk die oplossingen bieden voor diverse problemen.

Dit onderwerp verwelkomt bijdragen van studies die de analyse van grote ongestructureerde datasets vereisen om waardevolle inzichten te verkrijgen en voorspellende modellen te ontwikkelen. Dit onderwerp verwelkomt ook bijdragen die gebruikmaken van versnelde berekeningen die de kracht van machine learning combineren met wetenschappelijke modellering.

Ultrasnelle computersimulaties via machine learning

Binnen de computationele wetenschappen dient zich een nieuwe aanpak aan voor het versnellen van simulaties. Met razendsnelle machine learning, zoals deep neural networks, kunnen modellen worden getraind, waardoor delen van berekeningen duizenden of zelfs miljoenen malen sneller kunnen worden uitgevoerd. Dit gebruik van machine learning staat bekend als surrogate modelling of surrogaatmodellering. Deze aanpak is sterk in ontwikkeling waarbij voortdurend nieuwe en meer effectieve methoden ontwikkeld worden. Dat brengt innovatieve toepassingen dichterbij.

Onzekerheden en gevoeligheidsanalyses

Zonder een goede schatting van de betrouwbaarheid zijn simulaties zinloos. Om nauwkeurige voorspellingen te maken en besluitvorming te ondersteunen, is het van groot belang om te weten hoe groot de onzekerheid van modeluitkomsten is, en hoe gevoelig die zijn voor variaties in de startgegevens.

Energie efficiënte computing

Moderne computers vragen steeds meer energie: voor de grootste supercomputer ter wereld is zelfs een aparte elektriciteitscentrale nodig. Een overstap naar andere, meer energie-efficiënte computertypes, zoals de quantumcomputer of neuromorphische computer chips, kan dit energieverbruik beteugelen. Maar om zulke computers efficiënt te gebruiken zijn nieuwe modellen en rekenschema’s nodig.