Unsere Gruppe entwickelt Methoden, die maschinelles Lernen schneller, zuverlässiger und einfacher nutzbar machen. Die Rechenverfahren, die lernende Maschinen antreiben, sind typischerweise numerische Algorithmen: Optimierungsverfahren (z. B. zum Trainieren tiefer neuronaler Netze), Löser für gewöhnliche Differentialgleichungen (z.B. für Diffusionsmodelle, Reinforcement Learning und Regelung) und für partielle Differentialgleichungen (für die wissenschaftliche Modellierung aus großen Datenmengen) sowie großskalige lineare Algebra als die Basis einer Vielzahl höherer Funktionalität (etwa Unsicherheitsquantifizierung für Deep Learning, Fine-Tuning, die Einbeziehung physikalischen Wissens in datenzentrierte Modelle, und vieles mehr).

Über die Jahre hinweg haben wir sowohl zu den mathematischen und sogar philosophischen Grundlagen des Rechnens beigetragen haben als auch konkrete Softwareartefakte entwickelt. Gemeinsam mit internationalen Kooperationspartnerinnen und -partnern haben wir das Feld der probabilistischen Numerik mitbegründet. Ein Beispiel (von vielen) für unsere technischen Beiträge zu diesem Feld ist der allgemeine Formalismus der ODE Filter.

Da KI und maschinelles Lernen inzwischen alle Bereiche der Wissenschaft prägen, versucht unsere Gruppe zunehmend, nicht nur zu den Grundlagen des Feldes beizutragen, sondern auch zu konkreten Anwendungen, die tiefe technische Herausforderungen mit sich bringen.

Der weit überwiegende Teil unserer Forschung wird aus öffentlichen Mitteln finanziert. In der Vergangenheit haben wir von der Förderung durch das Emmy-Noether-Programm der DFG, ein unabhängiges Gruppengrant der Max-Planck-Gesellschaft sowie zwei ERC-Grants (Starting Grant und Consolidator Grant) profitiert.