- Numerische Simulationen
- Mathematische Modelle
- schnelle Lösung großer Gleichungssysteme
- C++-Programmierung, insbesondere
- Parallelisierungen und Multicore-Anwendungen, MPI, OpenMp und Threading Building Blocks
- Strömungsberechnungen mit OpenFOAM
- Visualisierungen
- Algorithmische Geometrie
-
Physics-Informed Neural Networks (PINNs) & Operator Networks (PINOs):
-
Moderne Machine-Learning-Modelle, die physikalische Gesetze direkt in neuronale Netze integrieren.
PINNs approximieren einzelne Lösungen physikalischer Gleichungen – also Funktionen.
PINOs hingegen lernen ganze Lösungsoperatoren, also Abbildungen zwischen Funktionenräumen. Beide Ansätze verbinden datengetriebene Methoden mit physikalischem Vorwissen.
- kombinatorische Optimierung.
Simulationen

Algorithmen
Eine Problemstellung sollte mit dem “richtigen” Algorithmus gelöst werden, da die Wahl des geeigneten Algorithmus entscheidend für die Effizienz der Lösung ist. Ein eindrucksvolles Beispiel hierfür ist die schnelle Fourier-Transformation[1] (FFT). Im Vergleich zur direkten Auswertung der trigonometrischen Summenformel bietet sie eine erhebliche Verbesserung. Während die naive Methode \(\mathcal{O}(n^2)\) Rechenschritte benötigt, weist die FFT lediglich einen Aufwand von \(\mathcal{O}(n \log n)\) auf.
Unser Beispiel zum Modularen Potenzieren verdeutlicht, wie allein durch die Auswahl des Verfahrens eine dramatische Beschleunigung der Laufzeit erzielt werden kann. Von ursprünglich 10 Sekunden reduziert sich die Rechenzeit auf nur wenige Mikrosekunden.
Auch bei der numerischen Lösung der Radiosity-Gleichung zur Berechnung des Energietransports durch Wärmestrahlung sowie in der Parameteridentifikation zeigt sich, wie sehr die Wahl eines geeigneten Algorithmus das Ergebnis beeinflusst – sowohl in Bezug auf Stabilität als auch auf Recheneffizienz.