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, “Multi-fidelity, Active Learning Strategies for Exciton Transfer Between Adsorbed Molecules” (Laufzeit 2022-2025)
  Forschungsprojekt im Rahmen des DFG SPP 2363 „Nutzung und Entwicklung des Maschinellen Lernens für molekulare Anwendungen – Molekulares Maschinelles Lernen“ (Gemeinschaftsprojekt mit Ulrich Kleinekathöfer, Physik, Jacobs University Bremen)

• MarDATA-Projekt, “Bayesianische Chronologiemodellierung für Paläoklimaarchive” (Laufzeit: 2022–2025)
  Helmholtz School for Marine Data Science (Gemeinschaftsprojekt mit Florian Adolphi, Alfred-Wegener-Institut).

• MarDATA-Projekt, “Digitale Eiskerne: Paläoklimarekonstruktion mit Bayesschen Methoden” (Laufzeit: 2022–2025)
  Helmholtz School for Marine Data Science (Gemeinschaftsprojekt mit Thomas Laepple, Alfred-Wegener-Institut & U. Bremen).

• DFG-Projekt “Anregungsenergietransfer in einem photosynthetischen System mit mehr als 100 Millionen Atomen” (Laufzeit: 2021-2024)
  Einzelsachbeihilfe gefördert durch die DFG (Gemeinschaftsprojekt mit Ulrich Kleinekathöfer, Physik, Jacobs University Bremen)

Forschungsinteressen

• Maschinelles Lernen, Unsicherheitsquantifizierung und Big Data

  • Maschinelles Lernen mit mehreren Genauigkeiten (z. B. durch Sparse-Grid-Kombinationstechnik)

  • Näherungstraining (niedrigrangige Näherung, z. B. durch hierarchische Matrizen)

  • Stochastische Kollokation, Bayessche Inferenz/Datenassimilation

  • Grundlagenforschung zur Reproduktion von Kernel-Hilbert-Räumen/Gauß-Prozessen

• Hochleistungsrechnen

  • Numerik/Algorithmen für Mehrkernprozessoren (z. B. GPUs)

  • Skalierbares Parallelrechnen mit verteiltem Speicher im Bereich maschinelles Lernen und wissenschaftliches Rechnen

• Interdisziplinäre Anwendungen

  • Materialwissenschaften, Quantenchemie (Daten aus DFT, CC etc.)

  • Paläoklimarekonstruktion (Kalibrierung etc.)

  • Strömungsmechanik (Zweiphasenströmungen, Plasmaphysik)

  • Medizinische Bildgebung (dynamische kontrastmittelverstärkte Bildgebung)

Publikationen

Publikationsliste

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.