Herr Prof. Dr. Peter Zaspel
Biografie
| seit Juli 2023 | W2 Professur Software für Daten-intensive Anwendungen, Bergische Universität Wuppertal, Wuppertal, Deutschland |
| März 2022 – Juni 2023 | Assistenzprofessor für Informatik (Maschinelles Lernen), Jacobs University Bremen gGmbH, Bremen, Deutschland. |
| Aug. 2019 – Feb. 2022 | Vertretungsprofessor für Informatik (Maschinelles Lernen), Jacobs University Bremen gGmbH, Bremen, Deutschland. |
| 2017 – 2019 | Postdoc, Departement für Mathematik und Informatik, Universität Basel, Schweiz. |
| 2015 – 2017 | Postdoc, Heidelberg Institut für Theoretische Studien: HITS gGmbH, Heidelberg, Deutschland. |
| 2015 – 2017 | Postdoc (assoziiert), Interdisziplinäres Zentrum für Wissenschaftliches Rechnen (IWR, Universität Heidelberg), Heidelberg, Deutschland |
| 2009 – 2015 | Wissenschaftlicher Mitarbeiter, Institut für Numerische Simulation (INS, Universität Bonn), Bonn, Deutschland. |
Ausbildung
| 2019 – 2021 | Habilitation in Mathematik, Universität Basel, Basel, Schweiz. |
| 2009 – 2015 | Doktorand in angewandter Mathematik, Universität Bonn, Bonn, Deutschland. |
| 2004 – 2009 | Diplom Student in Informatik, Universität Bonn, Bonn, Deutschland. |
Laufende Forschungsprojekte
- DFG-Projekt „MFML-OT – Multi-Fidelity Machine Learning for Orthogonal Translation“ (Laufzeit 2027-2029)
Forschungsprojekt im Rahmen des DFG-SPP 2546 „Artificial Intelligence for Protein Function“ (gemeinsames Projekt mit Mehdi D. Davari, Leibniz-Institut für Pflanzenbiochemie, Halle, und Michael A. Nash, Universität Basel / ETH Zürich) - DFG-Projekt „ICEBAY – Temperature reconstruction combining boreholes thermometry and ice-cores with Bayesian hierarchical modelling – Global warming vs. natural variability in DML, Antarctica“ (Laufzeit: 2026-2028)
Forschungsprojekt im Rahmen des DFG-SPP 1158 „Antarktisforschung“ (gemeinsames Projekt mit Thomas Laepple, Alfred-Wegener-Institut, Potsdam) - DFG-Projekt „Multi-fidelity, active learning strategies for exciton transfer in cryptophyte antenna complexes“ (Laufzeit 2026-2029)
Forschungsprojekt in der zweiten Förderperiode des DFG-SPP 2363 „Utilization and Development of Machine Learning for Molecular Applications – Molecular Machine Learning“ (gemeinsames Projekt mit Ulrich Kleinekathöfer, Physik, Constructor University Bremen) - DFG-Teilprojekt „Data-driven surrogate modelling for differential-algebraic port-Hamiltonian systems“ (C03) (Laufzeit: 2025-2028)
Teilprojekt des SFB 1701 „Port-Hamiltonian Systems“ (Co-PI zusammen mit Michael Günther) - DFG-Teilprojekt „Benchmark platform for port-Hamiltonian systems“ (S) (Laufzeit: 2025-2028)
Teilprojekt des SFB 1701 „Port-Hamiltonian Systems“ (Co-PI zusammen mit Hanno Gottschalk)
Forschungsinteressen
- Dateneffiziente Methoden und Multi-Fidelity Ansätze für maschinelles Lernen
- Quantifizierung von Ungewissheit und Bayes'sche Methoden
- Skalierbare Kernel-Methoden und Algorithmen
- Entwicklung von Methoden für wissenschaftliche Anwendungen
Publikationen
Eingeladene Vorträge
Steigerung der Aussagekraft von Vorhersagen durch Unsicherheitsquantifizierung, 2. Workshop zu eingebettetem maschinellem Lernen – WEML2018, Universität Heidelberg, 8. November 2018.
Netzfreie und Multi-Index-Approximationen für parametrische Probleme der realen Welt, Seminar zur Unsicherheitsquantifizierung, RWTH Aachen, Aachen, Deutschland, 29. August 2018.
Optimalkomplexitätskernbasierte stochastische Kollokation mit Anwendung in der Strömungsmechanik, Seminar der Gruppe “Mathematik in Computerwissenschaften und Ingenieurwissenschaften”, auf Einladung von Prof. Dr. Fabio Nobile, EPFL, Lausanne, Schweiz, 24. Oktober 2017.
Skalierbare Löser für netzlose Methoden auf Many-Core-Clustern, QUIET 2017 – Quantifizierung der Unsicherheit: Verbesserung von Effizienz und Technologie, SISSA, Internationale Schule für fortgeschrittene Studien, Triest, Italien, 18.-21. Juli 2017.
H-Matrizen auf Many-Core-Hardware mit Anwendungen in parametrischen PDEs,
Kolloquium der Technischen Fakultät, auf Einladung von Prof. Dr. Steffen Börm, Universität Kiel, 9. Dezember 2016.
Algorithmische Muster für hierarchische Matrizen auf Vielkernprozessoren, Seminar in Numerischer Analysis, auf Einladung von Prof. Dr. Helmut Harbrecht, Universität Basel, 18. September 2016.
