UQ - Junior Research Group Uncertainty Quantification

Mathematische Modelle werden in vielzähligen Bereichen der Wissenschaft und Technik angewandt, um komplexe Prozesse zu beschreiben. Um für die Anwendung relevante Phänomene mithilfe von Simulationen dieser Modelle untersuchen und letztlich vorhersagen zu können, bedarf es genaue, zuverlässige und effiziente Berechnungsmethoden.

Viele komplexe, praxisrelevante Modelle sind oftmals mit Unsicherheiten behaftet, etwa aufgrund mangelnder Kenntnis von Materialeigenschaften, natürlicher Schwankungen oder durch die Einbeziehung verrauschter Daten. Solche Unsicherheiten wirken sich zwangsläufig auf das betrachtete mathematische Modell und folglich auf die Quantifizierung der Zuverlässigkeit von Simulationsergebnissen aus.

Die Nachwuchsgruppe Uncertainty Quantification (UQ) entwickelt moderne mathematische und numerische Techniken zur Behandlung und Quantifizierung von Unsicherheiten in komplexen Rechenmodellen. Unsere Forschung konzentriert sich auf theoretische und methodische Aspekte sowie auf interdisziplinäre Projekte, bei denen theoretisch fundierte Methoden auf Anwendungen zugeschnitten werden.
 

Publikationsliste


2022
  1. Plateau proposal distributions for adaptive component-wise multiple-try metropolis
    Lau, F. D.-H.; Krumscheid, S.
    2022. METRON. doi:10.1007/s40300-022-00235-y
  2. Machine learning-based conditional mean filter: A generalization of the ensemble Kalman filter for nonlinear data assimilation
    Hoang, T.-V.; Krumscheid, S.; Matthies, H. G.; Tempone, R.
    2022. Foundations of Data Science. doi:10.3934/fods.2022016
  3. Adaptive stratified sampling for non-smooth problems
    Pettersson, P.; Krumscheid, S.
    2022. International Journal for Uncertainty Quantification, 12 (6), 71–99. doi:10.1615/Int.J.UncertaintyQuantification.2022041034
2021
  1. Complexity Analysis of stochastic gradient methods for PDE-constrained optimal Control Problems with uncertain parameters
    Martin, M.; Krumscheid, S.; Nobile, F.
    2021. ESAIM: Mathematical Modelling and Numerical Analysis, 55 (4), 1599–1633. doi:10.1051/m2an/2021025
  2. Cardiorespiratory, Metabolic and Perceived Responses to Electrical Stimulation of Upper‐Body Muscles While Performing Arm Cycling
    Zinner, C.; Matzka, M.; Krumscheid, S.; Holmberg, H.-C.; Sperlich, B.
    2021. Journal of Human Kinetics, 77 (1), 117–123. doi:10.2478/hukin-2021-0016
2020
  1. Detecting Regime Transitions of the Nocturnal and Polar Near-Surface Temperature Inversion
    Kaiser, A.; Faranda, D.; Krumscheid, S.; Belušić, D.; Vercauteren, N.
    2020. Journal of the Atmospheric Sciences, 77 (8), 2921–2940. doi:10.1175/JAS-D-19-0287.1
  2. Quantifying uncertain system outputs via the multilevel Monte Carlo method. Part I: Central moment estimation
    Krumscheid, S.; Nobile, F.; Pisaroni, M.
    2020. Journal of Computational Physics, 414, Article no: 109466. doi:10.1016/j.jcp.2020.109466
2019
  1. Central limit theorems for multilevel Monte Carlo methods
    Hoel, H.; Krumscheid, S.
    2019. Journal of Complexity, 54, Art.-Nr.: 101407. doi:10.1016/j.jco.2019.05.001
  2. Quantifying uncertainties in contact mechanics of rough surfaces using the multilevel Monte Carlo method
    Rey, V.; Krumscheid, S.; Nobile, F.
    2019. International Journal of Engineering Science, 138, 50–64. doi:10.1016/j.ijengsci.2019.02.003
2018
  1. Perturbation-based inference for diffusion processes: Obtaining effective models from multiscale data
    Krumscheid, S.
    2018. Mathematical Models and Methods in Applied Sciences, 28 (08), 1565–1597. doi:10.1142/S0218202518500434
  2. Multilevel Monte Carlo Approximation of Functions
    Krumscheid, S.; Nobile, F.
    2018. SIAM/ASA Journal on Uncertainty Quantification, 6 (3), 1256–1293. doi:10.1137/17M1135566
2015
  1. Data-driven coarse graining in action: Modeling and prediction of complex systems
    Krumscheid, S.; Pradas, M.; Pavliotis, G. A.; Kalliadasis, S.
    2015. Physical Review E, 92 (4), Article no: 042139. doi:10.1103/PhysRevE.92.042139
  2. A new framework for extracting coarse-grained models from time series with multiscale structure
    Kalliadasis, S.; Krumscheid, S.; Pavliotis, G. A.
    2015. Journal of Computational Physics, 296, 314–328. doi:10.1016/j.jcp.2015.05.002
2013
  1. Novel series connection concept for thin film solar modules : Novel series connection concept for thin film solar modules
    Haas, S.; Krumscheid, S.; Bauer, A.; Lambertz, A.; Rau, U.
    2013. Progress in Photovoltaics: Research and Applications, 21 (5), 972–979. doi:10.1002/pip.2188
  2. Semiparametric Drift and Diffusion Estimation for Multiscale Diffusions
    Krumscheid, S.; Pavliotis, G. A.; Kalliadasis, S.
    2013. Multiscale Modeling & Simulation, 11 (2), 442–473. doi:10.1137/110854485