Kontakt: katharina.bata∂kit.edu

Forschungsinteressen: Didaktik des Maschinellen Lernens, einfache Zugänge zu komplexer Mathematik, Mathematische Modellierung, Hochschuldidaktik

Projekte: Teamleitung, CAMMP, Simulierte Welten

Als Teamleiterin unterstütze ich die Promovierenden und Hilfskräfte des CAMMP-Teams bei der Organisation und Durchführung der CAMMP-Aktivitäten und der damit verbundenen didaktischen Forschung. Auf diese Position habe ich mich durch meine mathematikdidaktische Promotion zum Lehren und Lernen von maschinellen Lernverfahren für Studierende der Ingenieurwissenschaften vorbereitet. Weiterhin begeistert mich die didaktische Forschung zur Zugänglichkeit komplexer mathematischer Inhalte und die Wirkungsweise verschiedener Lehr-Lernformate.

Kontakt: leonid.chaichenets∂kit.edu

Forschungsinteressen: Mathematische Modellierung, Deep Learning, Quantencomputing, Analysis der PDEs

Projekte: Teamleitung, Strukturerhaltende tiefe neuronale Netze zur Beschleunigung der Lösung der Boltzmanngleichung, Trainierbarkeit von Datengetriebenen Quantenmodellen, i2Batman

Als Leiter des CoMMAS-Teams (Computational Mathematics and Modelling for Applied Sciences) ist wissenschaftliche und administrative Unterstützung der Doktoranden meine Hauptaufgabe. Daher bin ich in mehreren Projekten aktiv. Diese Interdisziplinarität spiegelt sich in meinem wissenschaftlichen Werdegang wider:

Nach dem Vordiplom in Physik habe ich mein Mathematikstudium am KIT mit einer Diplomarbeit über drahtlose ad-hoc Netze abgeschlossen. Die Arbeit entstand am Institut für Nachrichtentechnik und nutzte Methoden der Stochastischen Geometrie. In meiner Doktorarbeit befasste ich mich mit Modulationsräumen und nichtlinearen Schrödingergleichungen. Sie finden Anwendung in der Modellierung der Datenübertragung über optische Fasern. Anschließend war ich als Dozent an der Lehrerausbildung an der TU Dresden beteiligt und habe Vorlesungen und Übungen vorbereitet und gehalten, sowie Übungsleiter und Tutoren betreut.

Kontakt: jakim.eckert∂kit.edu

Forschungsinteressen: Fachdidaktik, Data Cleaning, Machine Learning, Mathematische Modellierung

Projekte: CAMMP, Simulierte Welten

Mögliche Abschlussarbeiten: CAMMP Angebote

Realitätsnahe und authentische Problemstellungen schülernah aufzubereiten und somit zu einem mündigen Umgang mit modernen Technologien beizutragen, ist für mich zentral. Im Projekt CAMMP entwickle und erprobe ich Lehr- und Lernmaterialien im Kontext der mathematischen Modellierung. Mein Forschungsinteresse liegt besonders auf dem Data Cleaning und wie man dessen mathematischen Aspekte durch Modellierungsangebote und Workshops gestalten kann. Dazu werden Lehr- und Lernarrangements entwickelt, um Schüler*innen einerseits die mathematische Modellierung selbst und andererseits die Mathematik im Bereich des Data Cleanings zu vermitteln.

Kontakt: s.hofmann∂kit.edu

Forschungsinteressen: Text Mining, statistische Tests, Markov Ketten, Mathematische Modellierung

Projekte: CAMMP, Simulierte Welten

Mögliche Abschlussarbeiten: CAMMP Angebote

Mathematik anwenden und begreifbar machen, das ist es was ich als wünschenswertes Ziel für den Mathematikunterricht sehe. Daher habe ich mich nach meinem Staatsexamen Lehramt am KIT in den Fächern Mathematik und Physik für eine Promotion im Projekt CAMMP entschieden. Im Zusammenhang mit diesem Projekt erstelle ich Workshops für Schülerinnen und Schüler in denen mathematische Probleme authentisch und realitätsnah behandelt werden. Konkret soll Lehr- und Lernmaterial zum Thema Natürliche Sprachverarbeitung entstehen. Dazu wurde bereits ein Workshop zur Wortvorhersage am Smartphone entwickelt, wobei das mathematische Problem mit Markov Ketten modelliert wird. Weiterhin soll Lernmaterial zur Spracherkennung entstehen.

Kontakt: alexander.jesser∂kit.edu

Forschungsinteressen: Mathematische Modellierung, Transportgleichungen, Inverse Probleme, High Performance Computing, Neuronale Netzwerke

Projekte: ZEBRA, QUANTOM

Im Rahmen meiner Industriepromotion arbeite ich an gemeinsamen Forschungs- und Entwicklungsprojekten des KIT und der Firma AiNT. Der Schwerpunkt meiner Arbeit sind Projekte im Kontext der Neutronenaktivierungsanalyse, einer Messtechnik, die eine zerstörungsfreie Materialanalyse ermöglicht. Zu den Anwendungen gehören die Umweltanalytik und die Charakterisierung von radioaktivem Abfall. Meine Aufgabe ist die Entwicklung von Algorithmen zur Lösung anwendungsspezifischer mathematischer Probleme und die Implementierung dafür geeigneter Hochleistungssoftware. Zu den von mir verwendeten Methoden gehören mathematische Modellierung, Transportgleichungen und inverse Probleme.

Kontakt: stephan.kindler∂kit.edu

Forschungsinteresse: Mathematische Modellierung, Machine Learning, Neuronale Netze, Fachdidaktik, Schülerlabore 

Projekte:  CAMMP, Simulierte Welten

Mögliche Abschlussarbeiten: CAMMP Angebote

Mein Fokus liegt auf der Stoffdidaktik Mathematik und der Entwicklung von Lehr- und Lernmaterialien um Anwendungsbereiche der Mathematik für Schüler*innen bewusst und greifbar zu machen. Konkret beschäftige ich mich mit dem maschinellen Lernen mithilfe neuronaler Netze und Anknüpfungspunkten zur Mathematikdidaktik in Schulen. Das Ziel ist die Entwicklung von Workshops für verschiedene Schulstufen mit unterschiedlichen Schwerpunkten, um die jeweiligen mathematischen Grundkonzepte und Fragestellungen der Lernenden aufzugreifen.

Gleichzeitig arbeite ich als Mathematik- und Chemie-Lehrer an dem Goethe-Gymnasium in Karlsruhe.

Kontakt: emil.loevbak∂kit.edu

Forschungsinteressen: Unsicherheitsquantifizierung, multi-level Monte-Carlo-Methoden, hybride Methoden, kinetische Gleichungen, adjungierte Methoden, Fusionsenergie

Projekte:

In meiner Position als Postdoktorand beschäftige mich derzeit primär mit der Quantifizierung von Unsicherheiten bei kinetischen Gleichungen. Ich interessiere mich für die Verbesserung der Effizienz stochastischer Simulationsmethoden sowie für deren Einsatz im Rahmen von Optimierungs- und inversen Problemen. Der Hauptanwendungsbereich meiner Arbeit ist die Simulation von Neutronen in der Fusion. Zuvor habe ich an der Entwicklung von asymptotik-erhaltenden Multilevel-Monte-Carlo Methoden und der Einführung von reversiblen Pseudozufallszahlengeneratoren für die adjungierte Monte-Carlo Simulation gearbeitet und zu verschiedenen Software-Produkten in den oben genannten Bereichen beigetragen. Weitere Informationen finden Sie hier.

Kontakt: tim.ortkamp∂kit.edu

Forschungsinteressen: Mathematische Modellierung & Optimierung, Maschinelles Lernen, Radiotherapieplanung

Projekte: Inverse Radiotherapy Treatment Planning using Machine Learning Outcome Prediction Models, HIDSS4Health

Mögliche Abschlussarbeiten: Multi-label (N)TCP profile optimization on sparse imbalanced data for radiotherapy treatment planning (Master thesis)

Meine Forschungstätigkeit als Doktorand findet im Rahmen der Helmholtz Information & Data Science School for Health (HIDSS4Health) statt, über die ich den Arbeitsgruppen Computational Sciences and Mathematical Methods am KIT und Radiotherapy Optimization am DKFZ angehörig bin. Ich befasse mich schwerpunktmäßig mit der mathematischen Optimierung der Radiotherapieplanung, insbesondere durch die Integration von ML-basierten Modellen für TCP (Tumorkontrollwahrscheinlichkeit) und NTCP (Normalgewebskomplikationswahrscheinlichkeit) als biologische Endpunkte, wodurch eine stärker individualisierte Behandlung ermöglicht werden soll. Ein wesentlicher Bestandteil ist dabei die Entwicklung von gradientenbasierten, effizienten Optimierungsansätzen hinsichtlich radiomischer und dosimetrischer Größen sowie die rechnergestützte Umsetzung in den Open-Source-Frameworks pyanno4rt und matRad.

Kontakt: chinmay.patwardhan∂kit.edu

Forschungsinteressen: Dynamical Low-Rank Approximation, Modellordnungsreduktion, kinetische Simulationen, Unsicherheitsquantifizierung, HPC

Projekte: SFB-1173 B9, DLRA for simulation of radiation 

Ich bin Doktorand des Sonderforschungsbereich 1173 im Projekt B9 und Teil der Gruppe Computational Mathematics and Modelling for Applied Sciences (CoMMAS) innerhalb der Abteilung Scientific Computing and Mathematics. Meine Forschungsinteressen liegen in der Entwicklung und Anwendung von Techniken zur Reduktion der Modellordnung, um die Rechenkosten für die Simulation von kinetischen Gleichungen zu reduzieren. Außerdem arbeite ich an der Quantifizierung von Unsicherheiten, die in diesen Systemen auftreten, sowie an der Entwicklung einer Codebasis für HPC-Simulationen. Ausführlichere Informationen über mein Projekt finden Sie hier.

Kontakt: yijia.tang∂kit.edu

Forschungsinteressen: Mathematische Modellierung, maschinelles Lernen, kinetische Theorie

Projekte: Strukturerhaltende tiefe neuronale Netze zur Beschleunigung der Lösung der Boltzmanngleichung

Ich bin seit Oktober 2023 Postdoktorandin im CoMMAS-Team. Meine Forschung konzentriert sich auf die Verwendung von Deep-Learning Methoden für kinetische Gleichungen. Insbesondere interessiere ich mich für die Boltzmann-Gleichung. Mein Ziel ist es, ein Modell für den Boltzmann-Kollisionsoperator zu entwickeln, das die grundlegende Eigenschaft der Entropiedissipation bewahrt.  Gleichzeitig profitiert es von der Effizienz neuronaler Netze.

Kontakt: alexandra.walter∂kit.edu

Forschungsinteressen: Machinelles Lernen, Bildsegmentierung, Dynamical Low-Rank Approximation, Modellordnungsreduktion

Projekte: Automatisches Segmentieren von klinischen Zielvolumen (HIDSS4Health)

Als Doktorandin der interdisziplinären Graduiertenschule HIDSS4Health forsche ich seit 2020 in der Schnittstelle zwischen Data Science und Health. Mein Fokus liegt auf der Verbesserung von automatischen Segmentierungsalgorithmen, die in der Tumortherapie zur Berechnung jedes individuellen Bestrahlungsplans benötigt werden. Seit 2023 bin ich auch im Bereich der Modellordnungsreduktion wissenschaftlich tätig. Für diese Projekte bin ich sowohl mit der Arbeitsgruppe CSMM des KIT als auch mit der Arbeitsgruppe Computational Patient Models des Deutschen Krebsforschungszentrums assoziiert. Meinen Master in Informatik habe ich an der Universität Tübingen absolviert.

Kontakt: mingliang.zhong∂kit.edu

Forschungsinteressen: Lattice Boltzmann Methoden, Uncertainty Quantification

Projekte: OpenLB, Lattice Boltzmann Methoden zur Quantifizierung von Unsicherheiten bei Strömungsproblemen

Die Lattice-Boltzmann-Methode ist in theoretischen Studien und bei technischen Problemen als Berechnungsmethode für Flüssigkeiten mit erheblichen Vorteilen weit verbreitet. Die physikalischen Modelle des praktischen Problems in der realen Welt enthalten jedoch viele Unsicherheiten. Die Anwendung von Methoden zur Quantifizierung von Unsicherheiten auf der Grundlage der LBM als deterministisches Modell ist ein wichtiger Aspekt meiner Doktorarbeit.

Das Schnellladen und die Lebensdauer von elektrischen Batterien sind wichtige Voraussetzungen für die breitere Anwendung von Elektrofahrzeugen. Hierzu bietet das sogenannte Batteriemanagementsystem ein großes Optimierungspotential. Da über die Zusammenhänge zwischen diesen zwei Anforderungen und den internen Batterieparametern noch zu wenig bekannt ist, gehen die aktuell eingesetzten Batteriemanagementsysteme „auf Nummer sicher“ und setzen häufig unnötig strenge Sicherheitsbeschränkungen für den Betrieb der Batterien.

Zusammen mit Partnern am Forschungszentrum Jülich und am Fritz-Haber-Institut Berlin hat sich das SCC als Ziel gesetzt, ein neuartiges intelligentes Batteriemanagementsystem zu entwickeln, das anhand eines detaillierten Ersatzmodells („digitaler Zwilling“) der Batterie und einer Künstlichen Intelligenz (KI) bessere Entscheidungen zu den Ladezyklen der Batterie treffen kann. Die Aufgabe im Projekt ist es, dieses Batterieersatzmodell auf der Ebene der einzelnen Batteriezellen mithilfe des Gaußprozessverfahrens zu entwickeln. Dabei wird das Modell mit Parametern verschiedener Ersatzschaltungen und dem Ladezustand jeder Zelle parametrisiert. Das Modell wird sowohl mit experimentellen Spektroskopie-Daten als auch mit Daten von physikalischen Ersatzschaltungsmodellen trainiert. Zudem ermöglicht der Einsatz des Gaußprozessverfahrens eine Bestimmung der Modellunsicherheit (Uncertainty Quantification), welche für die Funktion der KI erforderlich ist.

In einer ersten Testphase wird das mit der KI ausgestattete Batteriemanagementsystem auf einfacher Hardware implementiert. Dabei werden im laufenden Betrieb noch Daten gesammelt und gespeichert, so dass sich die KI weiter verbessern kann. In der finalen Phase wird das System mit einer vollständig charakterisierten Batterie getestet.

Das Projekt i2Batman ist eines von 19 geförderten Projekten der Helmholtz Artificial Intelligence Cooperation Unit.

Assoziert: Leonid Chaichenets, Hasan Kalkan

Die präzise Abgrenzung zwischen krebsartigem Gewebe (CTV) und gesundem Gewebe ist bei der Strahlentherapie notwendig, um sowohl Nebenwirkungen als auch das Wiederauftreten eines Tumors zu verhindern. Diese Aufgabe ist für Menschen und für maschinelle Lernalgorithmen schwierig. Expertenrichtlinien existieren, um einen erstklassigen Standard im klinischen Alltag zu etablieren. Das Ziel des Forschungsprojekts ist die Kombination menschlichen Expertenwissen mit neuronalen Netzen, die in der medizinischen Bildsegmentierung Anwendung finden. Im Rahmen der HIDSS4Health findet das Prjekt in Kooperation zwischen KIT und dem Deutschen Krebsforschungszentrum statt.

Assoziiert: Alexandra Walter

CAMMP steht für Computational and Mathematical Modeling Program. Es ist ein außerschulisches Angebot des Karlsruher Instituts für Technologie (KIT) für Schüler:innen verschiedener Altersstufen. Wir wollen die gesellschaftliche Bedeutung von Mathematik und Simulationswissenschaften bewusst machen. Dazu setzen sich die Schüler:innen in verschiedenen Veranstaltungsformaten gemeinsam mit Lehrkräften aktiv mit der Problemlösung mit Hilfe von mathematischer Modellierung und Computernutzung auseinander. Dabei setzen sie sich mit realen Problemen aus Alltag, Industrie oder Forschung auseinander.

Assoziiert: Stephanie Hofmann, Stephan Kindler, Jakim Eckert

Helmholtz UQ befasst sich mit der Unsicherheit in Daten, Analysen und Vorhersagen aus verschiedenen Bereichen, die durch unsere Anwendungsfälle repräsentiert werden. Wir erforschen Gemeinsamkeiten bei der Abschätzung und dem Umgang mit Unsicherheit in diesen Bereichen und lernen aus möglichen Unterschieden.

Der Internetauftritt von Helmholtz UQ kann hier eingesehen werden.

Assoziiert: Maqsood Rajput, Jonas Kusch

Die Hälfte aller Krebspatienten erhält eine Strahlentherapie als Teil ihres Behandlungsplans. Um den Zielkonflikt zwischen hoher Tumorkontrollwahrscheinlichkeit (TCP) und geringer Normalgewebskomplikationswahrscheinlichkeit (NTCP) zu kontrollieren, berechnet und optimiert man die Strahlendosis vor der Behandlung auf der Grundlage von individuellen Patientendaten, z.B. computertomographischen Querschnittsbildern. Bestehende Ansätze zur Integration von TCP- und NTCP-Modellen in den Planungsprozess sind zwar technisch umsetzbar, beruhen aber auf niedrig-dimensionalen, oft univariaten Modellen und werden hinsichtlich ihrer Genauigkeit und Anwendbarkeit in der Behandlungsplanung immer wieder in Frage gestellt. Daher zielt das Projekt darauf ab, diese Ansätze zu übertreffen, indem modernste maschinelle Lernmodelle für TCP und NTCP in den Optimierungsprozess der Strahlentherapieplanung integriert werden. Unterstützt wird das Forschungsprojekt am KIT durch das Deutsche Krebsforschungszentrum und die HIDSS4Health.

Assoziiert: Tim Ortkamp

Eine herausragende Lehrerbildung in den MINT-Fächern bildet die Grundlage, um der in Deutschland dringend notwendigen Nachwuchsförderung im MINT-Bereich gerecht zu werden. Ausgangspunkt für das gemeinsame und in der Verknüpfung von Lehrerbildung und MINT-Bereich in Baden-Württemberg einzigartige Projekt MINT²KA stellen die bereits am Karlsruher Institut für Technologie (KIT) und an der Pädagogischen Hochschule Karlsruhe (PH) ansässigen Schülerlabore und Lehr-Lern-Labore dar, die im Rahmen des Projektes MINT² KA in den Fächern Mathematik, Chemie und Physik ausgebaut, weiterentwickelt und auf jeweils weitere Schulstufen ausgedehnt werden.

Assoziiert: Maren Hattebuhr, Kirsten Wohak, Sarah Schönbrodt

Die Zielstellung des Projektes QUANTOM® ist dem Forschungsfeld „Zerstörungsfreie Deklaration bzw. Analyse von (Alt-)Abfällen“ der Fördermaßnahme „FORKA – Forschung für den Rückbau kerntechnischer Anlagen“ zuzuordnen. Das Projekt wird vom Bundesministerium für Bildung und Forschung (BMBF) gefördert. Die Framatome GmbH, die Aachen Institute for Nuclear Training GmbH und das Fraunhofer-Institut für Naturwissenschaftlich-Technische Trendanalysen kooperieren als Verbundpartner zur Entwicklung einer innovativen Messanlage für die zerstörungsfreie stoffliche Beschreibung und Plausibilitätsprüfung von radioaktiven Abfällen, verpackt in 200-l-Stahlfässern. Ziel des Projekts ist die Entwicklung, der Aufbau und die Erprobung der Fassmessanlage.

Assoziiert: Alexander Jesser

Ziel des Projekts B9 ist die Anwendung, Anpassung und Implementierung der dynamischen Low-Rank-Methode für die Simulation von Strahlungswärmewellen. Strahlungswärmewellen entstehen, wenn Strahlung von einer heißen Quelle in ein kaltes Material eindringt. Physikalische Phänomene, bei denen Strahlungswärmewellen beobachtet werden, sind unter anderem in der Plasma- und Astrophysik zu finden. Bei der Simulation dieser Wellen ergeben sich verschiedene Herausforderungen. Erstens ist der Phasenraum hochdimensional, da er neben Raum und Zeit auch die Richtungen umfasst, in die sich Strahlungsteilchen sowie Energie bewegen können. Zweitens werden die Wechselwirkungen der Teilchen mit dem Material durch stark oszillierende Wirkungsquerschnitte beschrieben, die eine fein aufgelöste numerische Diskretisierung erfordern. Wir gehen diese Herausforderungen an, indem wir die dynamische Low-Rank-Methode auf dieses Problem anwenden, die die Dynamik eines gegebenen Systems auf einer Low-Rank-Mannigfaltigkeit entfaltet. Diese Strategie reduziert die numerischen Kosten und den Speicherbedarf erheblich und ermöglicht gleichzeitig eine zufriedenstellende Lösungsapproximation.

Assoziiert: Chinmay Patwardhan, Pia Stammer

Unser Ziel ist es zu zeigen, dass der gemeinsame Einsatz von tiefen neuronalen Netzen und klassischen numerischen Methoden möglich und vorteilhaft für die Lösung von PDEs ist. Wir werden dies am Beispiel der Boltzmann-Gleichung demonstrieren, die ein anspruchsvolles Anwendungsproblem darstellt, das einerseits eine komplizierte analytische Struktur aufweist, die mit numerischen Methoden erhalten werden sollte, und dessen Lösung andererseits selbst auf den größten heutigen Supercomputern noch unerreichbar ist. In diesem zweiten Teil des Projekts konzentrieren wir uns im Detail auf die Ersetzung des Kollisionsoperators durch ein tiefes neuronales Netz. Wir verwenden ein DeepONet zur Approximation des nichtlinearen Integraloperators. Die Herausforderungen bestehen darin, die Erhaltungseigenschaften und die Entropiedissipation numerisch sicherzustellen. Die Erhaltung wird durch die Erweiterung der Basis im DeepONet erreicht, die im Trunk Net kodiert ist. Die Entropiedissipation wird durch eine neue Interpretation der Boltzmann-Gleichung als Gradientenfluss und durch die Annäherung des symmetrischen positiv-definiten metrischen Tensors, der mit dem Gradientenfluss verbunden ist, sichergestellt. Wir validieren unsere Methoden in realistischen Testfällen und stellen den gesamten Quellcode zur Verfügung.

Assoziiert: Leonid Chaichenets, Yijia Tang

Die Strahlentherapie ist einer der Eckpfeiler der modernen Krebsbehandlung, die bei 50 % aller Patienten angewandt wird. Sie beruht auf einem computergestützten Patientenmodell und einer quantitativen, räumlichen Simulation der in den Körper des Patienten abgegebenen Strahlendosis. Dies ermöglicht eine computergestützte Optimierung jeder einzelnen Strahlenbehandlung vor Beginn der Therapie. In der klinischen Praxis berücksichtigt die Behandlungsoptimierung jedoch nur ein einziges "best guess"-Behandlungsszenario und vernachlässigt eine Reihe von Unsicherheitsquellen entlang des Workflows. Ziel des Projektes ist die Entwicklung einer effizienten Berechnungspipeline für das Unsicherheitsmanagement in der Ionenstrahltherapie, die auf Monte-Carlo-Algorithmen zur Dosisberechnung basiert. Hierfür sollen modernste Methoden aus der mathematischen Unsicherheitsquantifizierung genutzt werden um die arithmetische Last der beteiligten Sampling-Prozesse um Größenordnungen zu reduzieren.

Das Forschungsprojekt ist eine Kooperation des KIT mit dem Deutschen Krebsforschungszentrum im Rahmen der HIDSS4Health.

Assoziiert: Pia Stammer

Im Rahmen des Leitmarktwettbewerbes EnergieUmweltwirtschaft.NRW fördert das Land NRW mit Mitteln der Europäischen Union innovative Entwicklungen im Bereich der Umwelttechnologien. Gemeinsam mit der AiNT GmbH führt das SCC in diesem Rahmen das Projekt ZEBRA (Zerstörungsfreie Elementanalyse zur Bestimmung von Rohstoffen und Altlasten) durch. Innerhalb des Forschungsprojektes ZEBRA wird für die Umwelt- und Gefahrstoffanalytik eine innovative Messanlage entwickelt. Diese Messanlage basiert auf der prompten und verzögerten Gamma-Neutronen-Aktivierungs-Analyse (P&DGNAA). Das Projekt umfasst die Errichtung und den Testbetrieb der Messanlage und die Entwicklung neuer analytischer Methoden für die Bestimmung der Massenanteile sämtlicher Elemente des Periodensystems.

Assoziiert: Jannick Wolters, Alexander Jesser

Das KiT-RT (Kinetic Transport Solver for Radiation Therapy) Framework ist eine leistungsfähige Open-Source-Plattform für den Strahlentransport, deren Hauptaugenmerk auf der Strahlentherapieplanung in der Krebsbehandlung liegt. Um eine problemspezifische Methodenauswahl zu ermöglichen, bietet das Framework verschiedene deterministische Solver-Typen. Dies erleichtert nicht nur die Behandlungsplanung, sondern bietet auch Werkzeuge zur Untersuchung verschiedener Forschungsfragen im Bereich des Strahlungstransports. Dieses Ziel wird durch eine leicht erweiterbare Codestruktur unterstützt, die eine unkomplizierte Implementierung zusätzlicher Methoden und Techniken ermöglicht.

Assoziiert: Jonas Kusch, Steffen Schotthöfer, Pia Stammer, Jannick Wolters, Tianbai Xiao

Das Uncertainty Quantification-Framework UQCreator bietet verschiedene Werkzeuge zur Unsicherheitsfortpflanzung für hyperbolische Erhaltungssätze. 
Seine Hauptidee ist es, kinetische numerische Flüsse und Quellterme zu verwenden, die ein gegebenes deterministisches Problem an verschiedenen Abtastpunkten auswerten. 
Diese Hybridisierung von intrusiven und nicht-intrusiven Methoden (die wir als semi-intrusiv bezeichnen) reduziert signifikant die numerischen Kosten, ermöglicht eine effiziente Parallelisierung mit OpenMP und MPI und erlaubt eine einfache Erweiterung des Frameworks auf verschiedene Probleme. Zu den derzeit im Framework implementierten Problemen gehören Teilchentransport, Strahlungshydrodynamik, Flachwassergleichungen und Gasdynamik. Verschiedene intrusive Beschleunigungstechniken wie Adaptivität, Multi-Elemente oder Filter können verwendet werden. Darüber hinaus verfügt das Framework über verschiedene Strategien zur Erhaltung der Hyperbolizität, wie z. B. das intrusive polynomiale Moment oder die hyperbolizitätserhaltende stochastische-Galerkin-Methode.

Assoziiert: Jonas Kusch, Jannick Wolters

Julia, ist eine dynamische Sprache, die Flexibilität und Effizienz ausbalanciert. Dieses Projekt widmet sich der Bereitstellung einer portablen Toobox für das Studium der kinetischen Theorie und des wissenschaftlichen maschinellen Lernens. Es betrifft theoretische und numerische Studien der kinetischen Theorie von Gasen, Photonen, Plasmen, Neutronen usw. Die Finite-Volumen-Methode wird verwendet, um 1-3-dimensionale numerische Simulationen auf CPUs und GPUs durchzuführen, die z. B. die Boltzmann-Gleichung und die verwandten neuronalen kinetischen Gleichungen lösen.

Assoziiert: Tianbai Xiao

Die AiNT GmbH bietet in ihrem Kerngeschäft eine Vielzahl an Dienstleistungen rund um den Bereich der Kerntechnik an. 
Besonders bei der Entwicklung innovativer Messanlagen (siehe Projekt ZEBRA und QUANTOM) ist die CSMM Arbeitsgruppe langjähriger Kooperationspartner des Unternehmens. Neben dem Kerngeschäft im Bereich der Forschung und Entwicklung, bietet die AiNT GmbH auch Aus- und Fortbildungsprogramme, Dienstleistungen im Bereich der radiologischen und stofflichen Charakterisierung von Rest- und Abfallstoffen mittels Kernstrahlungsmesstechnik, sowie die hauseigenen ICOND Messe an.

Assoziiert: Alexander Jesser, Jannick Wolters

Als Teil der Helmholtz Information and Data Science Academy (HIDA) fördert die Helmholtz Information & Data Science School for Health (HIDSS4Health) Doktorand*innen in Forschungsprojekte, die Data Science und Life Science vereinen. Den ausgewählten Doktorand*innen wird ein strukturiertes Förderungsprogramm angeboten, um Schlüsselqualifikationen für Forschung und Industrie zu stärken.

Der Internetauftritt der HIDSS4Health kann hier eingesehen werden.

Assoziiert: Pia Stammer, Alexandra Walter

Das KIT-Zentrum "MathSEE" bündelt seit Oktober 2018 die interdisziplinäre mathematische Forschung am KIT. Der Sonderforschungsbereich 1173 "Wellenphänomene: Analysis und Numerik" und andere bestehende Kooperationen bilden die Grundlage für die Entstehung von MathSEE. Unsere Mitglieder ab dem Karrierelevel Promovierende arbeiten in Austauschformaten und interdisziplinären Forschungsprojekten in Methodenbereichen zusammen. Unsere Graduiertenschule MathSEED bietet ein umfassendes Programm für Promovierende und Masterstudierende zur Förderung der interdisziplinären Nachwuchsausbildung. Das Angebot von MathSEE stärkt die interdisziplinäre mathematische Forschung am KIT und deren Sichtbarkeit.

Assoziiert: Maren Hattebuhr, Kirsten Wohak

Der Sonderforschungsbereich 1173 Wellenphänomene  wird von der Deutschen Forschungsgemeinschaft (DFG) gefördert.

Wellen üben auf Wissenschaftler und speziell auf Mathematiker eine besondere Faszination aus. Zwei unserer Sinne - sehen und hören - basieren auf der Ausbreitung von Licht- bzw. Schallwellen, der menschliche Herzschlag wird durch Depolarisationswellen angetrieben, und die moderne Kommunikationstechnik beruht größtenteils auf elektromagnetischen Wellen. Wellen sind überall, und ihr Verhalten zu verstehen bedeutet die Natur besser zu verstehen.

Assoziiert: Jonas Kusch, Steffen Schotthöfer

Simulationen begegnen uns unbewusst in vielen Alltagssituationen: Die tägliche Wettervorhersage, der zerstörungs­freie Crashtest für die Zulassung unseres Autos, leichte und materialsparende Plastikteile an Haushalts­geräten oder Anlage­strategien bei Fonds und Renten­anlegern.

Ein interdisziplinäres Team hat es sich zur Aufgabe gemacht, das Thema Simulation und mathematische Modellierung an Schulen zu bringen. Wie erkennen wir Simulationen? Wie sind die Ergebnisse zu verstehen? Und woran arbeiten Mitarbeitende in Rechen­zentren? Diese Fragen klärt Simulierte Welten alters­gerecht für Schüler*innen

Assoziiert: Maren Hattebuhr, Kirsten Wohak, Sarah Schönbrodt, Stephanie Hofmann

Im Schülerlabor Mathematik kann man sich nicht verrechnen, man braucht keine Taschenrechner, keine Formeln und keine Gleichungen. Man muss nur neugierig sein, beobachten, knobeln und experimentieren. Es warten über 80 Experimentierstationen auf die jungen und älteren Besucher/innen. Neben Schulklassen sind auch interessierte Einzelpersonen herzlich willkommen.

Assoziiert: Maren Hattebuhr, Kirsten Wohak, Sarah Schönbrodt, Stephanie Hofmann