Tin nghiên cứu
- Details
- Category: Tin nghiên cứu
- Hits: 1718
Giáo sư Nguyễn Hoài Minh là cựu sinh viên Khoa Toán - Tin học khóa 1997. Giáo sư hiện đang công tác tại Đại học Sorbonne, Paris, Pháp. Giáo sư sẽ có buổi seminar dành cho sinh viên năm 3-4, học viên cao học, nghiên cứu sinh và các đồng nghiệp. Các bạn có nhu cầu tham dự vui lòng đăng ký (quét mã QR bên dưới hoặc bấm vào link) trước ngày 28/9/2023.
- Details
- Category: Tin nghiên cứu
- Hits: 2176
Mathematical Analysis Seminar
Academic Year 2022-2023
Invited Speaker: NGUYEN DINH THI (Department of Mathematics, Uppsala University, Sweden)
Title: Blow-up of 2D attractive Bose-Einstein condensates at the critical rotational speed.
Date & Time: 21, September, 2023, 10.00 a.m -12.00 a.m
Location: F207, University of Science, 227 Nguyen Van Cu street, District 5, Ho Chi Minh City, Vietnam
Abstract: We study the ground states of a 2D focusing non-linear Schrödinger equation with rotation and harmonic trapping. When the strength of the interaction approaches a critical value from below the system collapses to a profile obtained from the optimizer of a Gagliardo-Nirenberg interpolation inequality. This was established before in the case of fixed rotation frequency. We extend the result to rotation frequencies approaching or even equal to the critical frequency at which the centrifugal force compensates the trap. We prove that the blow-up scenario is to leading order unaffected by such a strong deconfinement mechanism. In particular the blow-up profile remains independent of the rotation frequency.
- Details
- Category: Tin nghiên cứu
- Hits: 2909
THÔNG BÁO
V/v Xét tặng giải thưởng Lê Văn Thới dành cho đề tài tốt nghiệp xuất sắc năm 2023
- Đối tượng tham gia:
Sinh viên, Học viên Cao học, Nghiên cứu sinh của tất cả các Khoa, Viện, Trung tâm, Phòng thí nghiệm thuộc Trường Đại học Khoa học Tự nhiên (ĐH KHTN), Đại học Quốc gia Thành phố Hồ Chí Minh (ĐHQG-HCM).
- Cơ cấu giải thưởng:
Giải thưởng LÊ VĂN THỚI năm 2023 bao gồm:
- 01 Giải thưởng dành cho Khóa luận Tốt nghiệp, trị giá 30.000.000 đồng
- 01 Giải thưởng dành cho Luận văn Thạc sĩ, trị giá 40.000.000 đồng
- 01 Giải thưởng dành cho Luận án Tiến sĩ, trị giá 50.000.000 đồng
- Các tiêu chí chấm điểm:
Ban Tổ chức Giải thưởng sẽ xem xét hồ sơ dựa trên các tiêu chí sau:
- Đề tài khóa luận/luận văn thạc sĩ/luận án tiến sĩ phải được thực hiện và bảo vệ tại Trường ĐH KHTN, ĐHQG-HCM với Thầy Cô hướng dẫn là cán bộ Trường ĐH KHTN, ĐHQG-
- Thời gian bảo vệ khóa luận tốt nghiệp/luận văn thạc sĩ/luận án tiến sĩ trong khoảng từ ngày 01/01/2022 đến 31/12/2022.
- Hồ sơ xét giải phải có tối thiểu một bài báo quốc tế có chỉ số ảnh hưởng (Impact Factor, IF) thuộc nhóm Q1 của ngành với ứng viên là tác giả chính (tác giả đứng đầu hoặc tác giả liên hệ) và nội dung bài báo phải liên quan trực tiếp đến đề tài khóa luận/luận văn/luận án.
- Bài báo quốc tế có thể đã có số trang hoặc chỉ mới có số DOI, được tính cho đến ngày 31/08/2023.
- Kết quả xét tuyển dựa vào các tiêu chí:
+ Xếp loại các tạp chí theo Q1, Q2, Q3, Q4;
+ Chỉ số ảnh hưởng (impact factor – IF);
+ Vị trí của ứng viên trong các bài báo.
Nếu điểm ưu tiên của nhiều ứng viên bằng nhau thì sẽ ưu tiên ứng viên có điểm học tập trung bình cao nhất.
- Các mốc thời gian:
Thời gian nộp hồ sơ: từ ngày 04/08/2023 đến 17g00 ngày 05/09/2023
Địa điểm: Phòng Khoa học Công nghệ (B07), Trường ĐH KHTN, ĐHQG-HCM số 227 Nguyễn Văn Cừ, Phường 4, Quận 5, TP. HCM.
Bộ hồ sơ xét giải thưởng bao gồm:
- Quyển khóa luận/luận văn/luận án;
- Bảng điểm học tập trung bình của sinh viên/học viên cao học/nghiên cứu sinh;
- Các bài báo quốc tế có đính kèm minh chứng xếp hạng và minh chứng điểm Impact Factor (IF)*;
*Tham khảo minh chứng:
Minh chứng xếp hạng: https://www.scimagojr.com/
Minh chứng điểm IF: https://www.scijournal.org/
- Danh sách đăng ký dự tuyển (chỉ cần nộp bản điện tử file này).
Bản mềm bộ hồ sơ xét Giải thưởng xin gửi về email: This email address is being protected from spambots. You need JavaScript enabled to view it.
Ban Tổ chức sẽ xem xét và niêm yết trích ngang kết quả xét tuyển công khai trên website của Nhà trường.
Trân trọng./.
Chi tiết tại
https://www.hcmus.edu.vn/component/content/article?id=5116:thong-bao-giai-thuong-le-van-thoi-nam-2023&catid=100&Itemid=437
- Details
- Category: Tin nghiên cứu
- Hits: 1109
Địa điểm: E202B, Trường ĐH KHTN, Cơ sở Nguyễn Văn Cừ.
- Details
- Category: Tin nghiên cứu
- Hits: 3915
Bộ môn Xác suất - Thống kê kính mời quý thầy cô, nghiên cứu sinh, học viên cao học và các sinh viên có quan tâm đến tham dự Seminar Thống kê và Khoa học dữ liệu tháng 07/2023 với báo cáo sau:
- Tên bài báo cáo: Statistical foundations of deep generative models
- Báo cáo viên: GS. Lizhen Lin (Department of Mathematics, University of Maryland, College Park)
- Thời gian: 9g30 thứ năm 27/07/2023
- Địa điểm: Phòng E202B, Trường Đại học Khoa học Tự nhiên, 227 Nguyễn Văn Cừ, Q. 5, TP. HCM
- Tóm tắt: Deep generative models are probabilistic generative models where the generator is parameterized by a deep neural network. They are popular models for modeling high-dimensional data such as texts, images and speeches, and have achieved impressive empirical success. Despite demonstrated success in empirical performance, theoretical understanding of such models is largely lacking . We investigate statistical properties of deep generative models from a nonparametric distribution estimation viewpoint. In the considered model, data are assumed to be observed in some high-dimensional ambient space but concentrate around some low-dimensional structure such as a lower-dimensional manifold. Estimating the distribution supported on this low-dimensional structure is challenging due to its singularity with respect to the Lebesgue measure in the ambient space. We obtain convergence rates with respect to the Wasserstein metric of distribution estimators based on two methods: a sieve MLE based on the perturbed data and a GAN type estimator. Such an analysis provides insights into i) how deep generative models can avoid the curse of dimensionality and outperform classical nonparametric estimates, and ii) how likelihood approaches work for singular distribution estimation, especially in adapting to the intrinsic geometry of the data.
Page 6 of 10