Andrei Knyazev est un mathématicien américain spécialisé en analyse numérique, en particulier dans la résolution de grands problèmes de valeurs propres creuses. Il est surtout connu pour avoir développé la méthode du gradient conjugué préconditionné par blocs localement optimal (LOBPCG), un algorithme itératif largement utilisé en calcul scientifique. Sa carrière s'étend sur des postes académiques en Russie et aux États-Unis, ainsi que sur des rôles de recherche industrielle axés sur le traitement d'images, le calcul quantique et les systèmes embarqués.
Knyazev est né en Union soviétique et a poursuivi ses premières études à Moscou. Il est diplômé de la Faculté de mathématiques computationnelles et de cybernétique de l'Université d'État de Moscou en 1981, où il a étudié sous la direction d'Evgenii Georgievich D'yakonov. Il a ensuite obtenu un doctorat en mathématiques numériques à l'Académie des sciences de Russie en 1985, sous la supervision de Vyacheslav Ivanovich Lebedev. Sa carrière de recherche précoce comprenait des postes à l'Institut Kurchatov de 1981 à 1983 et à l'Institut de mathématiques numériques Marchuk de l'Académie des sciences de Russie jusqu'en 1992, où il a travaillé sous la direction de Gury Marchuk.
Carrière académique aux États-Unis
En 1993, Knyazev a déménagé aux États-Unis, prenant un poste de visiteur à l'Institut Courant des sciences mathématiques de l'Université de New York. Là, il a collaboré avec Olof B. Widlund, une figure éminente dans les méthodes de décomposition de domaine. De 1994 jusqu'à sa retraite en 2014, Knyazev a été professeur de mathématiques à l'Université du Colorado à Denver. Ses recherches durant cette période ont été soutenues par des subventions de la National Science Foundation et du Département de l'énergie des États-Unis. Il a reçu le prix d'excellence en recherche en 2008, le prix d'excellence en enseignement du collège en 2000, et a été finaliste pour le prix d'excellence du président de l'Université du Colorado pour l'avancement de l'enseignement et de l'apprentissage par la technologie en 1999. Après sa retraite, il a été nommé professeur émérite à l'Université du Colorado à Denver.
Contributions aux méthodes de valeurs propres
La contribution la plus significative de Knyazev est la méthode LOBPCG, introduite au début des années 2000. Cet algorithme calcule efficacement quelques valeurs propres extrêmes et les vecteurs propres correspondants de grandes matrices symétriques, un problème courant dans les applications de Machine learning et de Deep learning, ainsi qu'en physique computationnelle et en ingénierie. La méthode combine le préconditionnement avec des techniques de gradient conjugué par blocs, offrant une convergence plus rapide que les approches traditionnelles pour de nombreux problèmes pratiques. Son implémentation de LOBPCG est disponible dans de nombreux logiciels open source, y compris BLOPEX, SciPy et ABINIT, ce qui en fait un outil standard en calcul scientifique.
Knyazev a également contribué aux fondements théoriques de la méthode de Ritz dans le contexte de la méthode des éléments finis, en collaboration avec John Osborn. Son travail avec Nikolai Sergeevich Bakhvalov a abordé les solutions numériques d'équations aux dérivées partielles elliptiques avec de grands sauts dans les coefficients, un problème difficile en science des matériaux et en dynamique des fluides. Avec ses étudiants en doctorat, il a été un pionnier dans l'utilisation de techniques de majoration pour les bornes dans la méthode de Rayleigh-Ritz et a avancé la théorie des angles entre sous-espaces, ce qui a des implications pour la réduction de dimensionnalité et la augmentation de données dans le calcul moderne.
Recherche industrielle et travaux ultérieurs
De 2012 à 2018, Knyazev a travaillé aux Laboratoires de recherche Mitsubishi Electric, où il s'est concentré sur des algorithmes pour le traitement d'images et de vidéos, les sciences des données, le contrôle optimal et les sciences des matériaux. Cette période a abouti à des dizaines de publications et à 13 demandes de brevet, reflétant sa capacité à traduire les mathématiques théoriques en technologie pratique. Depuis 2018, il a contribué aux techniques numériques en calcul quantique chez Zapata Computing, développé une détection d'anomalies embarquée en temps réel pour les données automobiles, et travaillé sur des algorithmes pour le matériel basé sur la photonique au silicium. Ces projets ultérieurs démontrent la large applicabilité de son expertise en méthodes numériques aux domaines émergents.
Reconnaissance et service professionnel
Les contributions de Knyazev ont été reconnues par les grandes sociétés professionnelles. Il a été nommé Fellow de la Society for Industrial and Applied Mathematics (SIAM) dans la promotion de 2016, un honneur réservé aux membres qui ont apporté des contributions exceptionnelles aux domaines des mathématiques appliquées et de la science computationnelle. Il a également été élu Fellow de l'American Mathematical Society (AMS) dans la promotion de 2019, reconnaissant ses réalisations distinguées en mathématiques. Ces distinctions reflètent sa position en tant que chercheur de premier plan en algèbre linéaire numérique.
Publications et logiciels sélectionnés
Knyazev a publié abondamment dans des revues à comité de lecture, ses travaux étant indexés par Google Scholar, Scopus et d'autres bases de données bibliographiques. Ses articles de recherche couvrent des sujets allant des techniques de préconditionnement à l'optimisation des réseaux de neurones. Il a également maintenu un développement logiciel actif, avec son implémentation LOBPCG disponible sur GitHub et dans MATLAB. Son identifiant ORCID est 0000-0002-1635-3711, et sa généalogie académique est documentée dans le Mathematics Genealogy Project.
Héritage et impact
La méthode LOBPCG est devenue une pierre angulaire en science computationnelle, utilisée dans des applications aussi diverses que l'entraînement des grands modèles de langage, la vision par ordinateur et la dynamique moléculaire. Son inclusion dans les bibliothèques standard de calcul scientifique garantit que le travail de Knyazev continue d'influencer les chercheurs et les ingénieurs du monde entier. Ses contributions théoriques aux bornes de valeurs propres et aux méthodes de sous-espaces restent également pertinentes dans l'analyse des architectures de transformeurs et d'autres systèmes modernes d'intelligence artificielle, où les calculs de valeurs propres jouent un rôle dans la compréhension du comportement des modèles.
Vie personnelle et éducation
Le parcours éducatif de Knyazev a commencé à Moscou, où il a développé une base solide en mathématiques et en méthodes computationnelles. Ses mentors, D'yakonov et Lebedev, étaient des figures influentes de l'analyse numérique soviétique, et leurs conseils ont façonné son approche de recherche. Après avoir émigré aux États-Unis, il s'est adapté à un nouvel environnement académique et a construit une carrière réussie couvrant à la fois le milieu universitaire et l'industrie. Sa capacité à relier les mathématiques théoriques et les applications pratiques a été une marque de fabrique de sa vie professionnelle.
Références
- ORCID 0000-0002-1635-3711
- Entrée du Mathematics Genealogy Project
- Annonce du Fellow SIAM de la promotion 2016
- Annonce du Fellow AMS de la promotion 2019
- Publications indexées par Google Scholar et Scopus