Meine Forschungsinteressen liegen im Bereich der mathematischen Methoden für die computergestützten Wissenschaften, von numerischen Methoden bis hin zu Optimierung, Quantifizierung von Unsicherheiten und wissenschaftlichem maschinellem Lernen. Ich setze mich für die Reproduzierbarkeit in der computergestützten Wissenschaft ein, die durch offene Wissenschaft erreicht wird. Im Rahmen von Outreach-Projekten stieg mein Interesse an Mathematikdidaktik, insbesondere für den Unterricht in moderner angewandter Mathematik an Gymnasien.

Am SCC verantworte ich die Hochleistungscomputersysteme mit besonderem Augenmerk auf die Energieeffizienz.

In der Abteilung Scientific Computing & Mathematics treffen drei Bereiche aufeinander. In der interdisziplinären Forschungs­gruppe Computational Science and Mathematical Methods dreht sich alles um Modellierung und numerische Methoden­forschung. Sie vereint Forschende des SCC, des Instituts für Angewandte und Numerische Mathematik sowie externe Partner aus Industrie und Wissenschaft. Experten unserer Simulation and Data Life Cycle Labs unterstützen Forschende, die auf unseren Super­computern rechnen. Sie helfen bei der Umsetzung ihrer Simulations­modelle und veranstalten Schulungen, um ihnen den Einstieg in das High Performance Computing zu erleichtern. Und für die Wissenschaft­lerinnen und Wissen­schaftler von morgen bieten wir mit CAMMPund Simulierte Welten Workshops und Projekttage. Interessierte Lehrkräfte können unsere Experten direkt an ihre Schule holen und dort spannende, reale Problem­stellungen mit Hilfe von mathe­matischer Model­lierung lösen.

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.

Meine eigenen Forschungsprojekte beschäftigen sich mit der didaktische Forschung zur Zugänglichkeit komplexer mathematischer Inhalte und der Wirkungsweise verschiedener Lehr-Lernformate. In diesem Kontext arbeite ich mit Forschenden anderer Hochschulen sowie Institutionen wie dem KI-Campus zusammen.

Als Doktorand des CAMMP-Teams am KIT bin ich Teil der Arbeitsgruppe Computational Science and Mathematical Methods (CSMM) am KIT und Teil des Projekts Simulierte Welten . Meine Forschungsinteressen liegen im Bereich der Mathematikdidaktik, der Data Literacy und des Data Cleanings. Im Rahmen meiner Doktorarbeit entwickle ich Lehr-Lernarrangements zu mathematischen Aspekten des Data Cleanings und untersuche die Argumentationsstrukturen von Schüler*innen innerhalb der Lehr-Lernarrangements. 

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.

Ich bin Doktorand am Sonderforschungsbereich 1173 im Projekt B9 und Teil der Gruppe Computational Mathematics and Modelling for Applied Sciences (CoMMAS) innerhalb der Abteilung Wissenschaftliches Rechnen und Mathematik. Meine Forschungsinteressen liegen in der Entwicklung und Anwendung von Techniken zur Reduktion der Modellordnung, um die Rechenkosten für die Simulation von kinetischen Gleichungen und Methoden zur Quantifizierung von Unsicherheiten bei hochdimensionalen Problemen zu reduzieren.

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.

Als Doktorandin des Graduiertenkollegs 2450 im Programm P3 arbeite ich in den Gruppen CoMMAS und SDL Materials Science am SCM und konzentriere mich auf die Multiskalenmodellierung chemischer Reaktionen. Meine Forschung integriert verschiedene Berechnungsansätze, um verschiedene Zeit- und Längenskalen zu überbrücken, wobei ein besonderer Schwerpunkt auf kinetischen Monte-Carlo-Simulationen zur Erfassung der Reaktionsdynamik liegt. Darüber hinaus quantifiziere ich Unsicherheiten in diesen Modellen, um die Vorhersagegenauigkeit zu verbessern und robuste und zuverlässige Simulationen für komplexe chemische Systeme zu gewährleisten.