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 csoport Markov láncok keverési tulajdonságait elemzi, a folyamatok perturbációjával a keverés javítási lehetőségeit kutatja, valamint alkalmazott inspirációból konszenzus algoritmusok analízisét és finomitását végzi.
A projekt célja a hazánkban jelenleg csak szűk körben gyakorolt felfedeztető matematikaoktatás széleskörű implementációjának segítése, a létező gyakorlat fejlesztése, adaptálása a modern kor kihívásaihoz.
Kutatócsoportunk az optimális transzport távolságokkal ellátott klasszikus és kvantum állapotterek geometriájával, valamint kvantum optimális transzport problémákkal foglalkozik.
A csoport a pénzügyi piacok matematikai kérdéseivel foglalkozik: optimális befektetésekkel illetve
gépi tanulási algoritmusok konvergencia-analízisével.