Dr. Charlotte Debus
- Junior Research Group Leader
-
charlotte debus ∂does-not-exist.kit edu
seit 2022 | Nachwuchsgruppenleiterin | Steinbuch Centre for Computing (SCC), Karlsruher Institut für Technologie (KIT), Karlsruhe |
2020 - 2022 | Wissenschaftliche Mitarbeiterin | Steinbuch Centre for Computing (SCC), Karlsruher Institut für Technologie (KIT), Karlsruhe |
2019 - 2020 | Wissenschaftliche Mitarbeiterin | Institut für Softwaretechnologie, Deutsches Zentrum für Luft- und Raumfahrt (DLR), Köln |
2016 - 2019 | Wissenschaftliche Mitarbeiterin, Projektgruppenleiterin | Abteilung für Translationale Radioonkologie, Deutsches Krebsforschungszentrum (DKFZ), Heidelberg |
2013 - 2016 | Promotion Physik | Universität Heidelberg |
2013 | Trainee | European Synchrotron Radiation Facility (ESRF), Grenoble, Frankreich |
2010 - 2012 | Master of Science Physik | Universität Heidelberg |
2011 | Auslandssemester | Universidade de Lisboa, Portugal |
2007 - 2010 | Bachelor of Science Physik | Universität Heidelberg |
Publikationsliste KITopen
Caspart, R.; Ziegler, S.; Weyrauch, A.; Obermaier, H.; Raffeiner, S.; Schuhmacher, L. P.; Scholtyssek, J.; Trofimova, D.; Nolden, M.; Reinartz, I.; Isensee, F.; Götz, M.; Debus, C.
2023. High Performance Computing. ISC High Performance 2022 International Workshops – Hamburg, Germany, May 29 – June 2, 2022, Revised Selected Papers. Ed.: H. Anzt, 108–121, Springer International Publishing. doi:10.1007/978-3-031-23220-6_8
Laufer, F.; Ziegler, S.; Schackmar, F.; Viteri, E. A. M.; Götz, M.; Debus, C.; Isensee, F.; Paetzold, U. W.
2023. Solar RRL, Art.-Nr.: 2201114. doi:10.1002/solr.202201114
Coquelin, D.; Debus, C.; Götz, M.; Lehr, F. von der; Kahn, J.; Siggel, M.; Streit, A.
2022. Journal of Big Data, 9 (1), 14. doi:10.1186/s40537-021-00556-1
Waltenberger, M.; Furkel, J.; Röhrich, M.; Salome, P.; Debus, C.; Tawk, B.; Gahlawat, A. W.; Kudak, A.; Dostal, M.; Wirkner, U.; Schwager, C.; Herold-Mende, C.; Combs, S. E.; König, L.; Debus, J.; Haberkorn, U.; Abdollahi, A.; Knoll, M.
2022. Frontiers in Oncology, 12, Art.Nr. 901390. doi:10.3389/fonc.2022.901390
Debus, C.; Ruettgers, A.; Petrarolo, A.; Kobald, M.; Siggel, M.
2020. AIAA Scitech 2020 Forum, American Institute of Aeronautics and Astronautics. doi:10.2514/6.2020-1161
Götz, M.; Debus, C.; Coquelin, D.; Krajsek, K.; Comito, C.; Knechtges, P.; Hagemeier, B.; Tarnawa, M.; Hanselmann, S.; Siggel, M.; Basermann, A.; Streit, A.
2020. 2020 IEEE International Conference on Big Data (Big Data): 10-13 December 2020, online, 276–287, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/BigData50022.2020.9378050
Debus, C.; Floca, R.; Ingrisch, M.; Kompan, I.; Maier-Hein, K.; Abdollahi, A.; Nolden, M.
2019. BMC bioinformatics, 20 (1), Artkl.Nr.: 31. doi:10.1186/s12859-018-2588-1
Debus, C.; Afshar-Oromieh, A.; Floca, R.; Ingrisch, M.; Knoll, M.; Debus, J.; Haberkorn, U.; Abdollahi, A.
2018. Scientific Reports, 8 (1), Artkl.Nr.: 14760. doi:10.1038/s41598-018-33034-5
Debus, C.; Waltenberger, M.; Floca, R.; Afshar-Oromieh, A.; Bougatf, N.; Adeberg, S.; Heiland, S.; Bendszus, M.; Wick, W.; Rieken, S.; Haberkorn, U.; Debus, J.; Knoll, M.; Abdollahi, A.
2018. Scientific Reports, 8 (1), Artkl.Nr.: 7201. doi:10.1038/s41598-018-25350-7
Debus, C.; Floca, R.; Nörenberg, D.; Abdollahi, A.; Ingrisch, M.
2017. Physics in Medicine & Biology, 62 (24), 9322–9340. doi:10.1088/1361-6560/aa8989
Debus, C.; Oelfke, U.; Bartzsch, S.
2017. Physics in Medicine & Biology, 62 (21), 8341–8359. doi:10.1088/1361-6560/aa8d63
Lehrveranstaltungen
Titel | Typ | Semester |
---|---|---|
Skalierbare Methoden der künstlichen Intelligenz | Vorlesung mit Übung (VÜ) | WS 22/23 |
Skalierbare Methoden der künstlichen Intelligenz | Vorlesung mit Übung (VÜ) | WS 21/22 |
EQUIPE
Das Projekt EQUIPE beschäftigt sich mit der Quantifizierung von Unsicherheiten in großen Transformer-Modellen für die Zeitreihen-Vorhersage. Die Transformer-Architektur ist zwar in der Lage eine erstaunlich hohe Vorhersagegenauigkeit zu erzielen, benötigen jedoch immense Mengen an Rechenressourcen. Gängige Ansätze der Fehlerabschätzung in neuronalen Netzen sind in gleichem Maße rechenintensiv, was ihren Einsatz in Transformern derzeit noch erheblich
erschwert.
Die Forschungsarbeiten im Rahmen von EQUIPE zielen darauf ab, diese Probleme zu beheben, und skalierbare Algorithmen zur Quantifizierung von Unsicherheiten in großen neuronalen Netzen zu entwickeln .Dadurch wird perspektivisch
der Einsatz der Methoden in Echtzeit-Systemen ermöglicht.