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 |
| 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 |
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.
Das NHR Zukunftsprojekt Energy Efficiency and Performance of AI at Scale zielt darauf ab, die Energieeffizienz von großen KI-Modellen zu untersuchen und verbessern. Gemeinsam mit dem NHR-Team an der Friedrich-Alexander-Universität Erlangen-Nürnberg wird die Rechenperformance und der Stromverbrauch von großskaligen KI-Modellen, wie beispielsweise dem Wettervorhersage-Modell FourCastNet, analysiert. Hierfür verwenden wir eigens entwickelte Softwaretools, wie das Energie-Profiling Tool Perun. Basierend auf den Erkenntnissen werden neue methodische Ansätze entwickelt die zu einer verbesserten Energieeffizienz führen sollen.
