Bereichsbild

 

Dummy

 

Fakultät für Mathematik und Informatik


Institut für Angewandte Mathematik

Ruprecht-Karls-Universität Heidelberg
 

Kontakt:


 

Prof. Dr. Robert Scheichl

Fellow-Klasse 2021-22

 

Forschungsgebiete:

Numerische Analysis, Wissenschaftliches Rechen, Mehrskalenverfahren, Hochdimensionale Approximation, Uncertainty Quantification (UQ), Inverse Probleme, Bayessches Lernen, Maschinelles Lernen, sowie Anwendung in Physik, Chemie, Biologie, Medizin, Ingenieurs- und Materialwissenschaften

 

Lebenslauf

Akademische Laufbahn:

  • Marie-Curie Postdoctoral Fellow, Institut Français du Pétrole, 2001

  • Lecturer/Senior Lecturer, University of Bath, 2002–11

  • Full Professor, University of Bath, 2011-18

  • Deputy Head of Department, University of Bath, 2016-18

  • Professor (W3), Universität Heidelberg, 2018–

  • Sprecher der HGS MathComp, Heidelberg, 2021–

Ausbildung:

  • J.-K. Universität Linz, 1990-97 (Dipl.-Ing. Tech. Math.)

  • University of Bath, 1997-2000 (PhD Mathematics)

Keynotes (Auswahl):

  • 20th Int. Conf. Domain Decomposition Methods, San Diego, 2011

  • 20th Int. Conf. Computational Methods for Water Resources, Stuttgart, 2014

  • 26th Biennial Conf. Numerical Analysis, Glasgow, 2015

  • 90th GAMM Annual Meeting, Wien, 2019

Drittmittelprojekte (Auswahl):

  • EPSRC Collaborative Grant EP/H051503/1 (‘Energy’ Program), u.a. mit UK

    Nuclear Decommissioning Authority (Sprecher, 2011-14), £677K

  • NERC Programme Grants NE/J005576/1 & NE/K006754/1, u.a. mit UK Met

    Office (Bath PI, 2011-16), Anteil Bath: £455K

  • EPSRC Grant EP/K031368/1 (‘Maths for Manufacturing’ Program), u.a. mit

    GKN Aerospace (Co-Sprecher, 2014-17), £499K

    Akademische Rollen (Auswahl):

  • Associate Editor: Math Comput (2021–), SIAM J Num Anal (2019–), ESAIM:

    Math Mod Num Anal (2018–), SIAM J Sci Comput (2016–), SIAM/ASA J

    Uncertain Quant (2015–17)Mitglied im Wissenschaftlichen Beirat: Weierstrass Institut, Berlin (2016–),

  • Fondation Sciences Mathématiques de Paris (2020–)

  • SIAM Membership Committee Member (2014–19)



Arbeitsvorhaben

Künstliche Intelligenz: Zwischen Wunderglaube und Wissenschaft

Der folgende klassische Cartoon beschreibt sehr gut die derzeitige Situation in vielen Projekten, die Künstliche Intelligenz (KI) als Werkzeug verwenden:

 

KI_Cartton_2022

 

Die derzeitige KI hat ihr Potential auf beeindruckende Weise in vielen Anwendungen bewiesen und dadurch einen großen Enthusiasmus und Erwartungen ausgelöst. Wir befinden uns in einer Wild-West-Phase der KI, aber das Verständnis der tatsächlichen Möglichkeiten und Gefahren wächst stetig. KI erlaubt das maschinelle, auf Daten basierte Lernen und, darauf aufbauend, das schnelle Erledigen repetitiver Aufgaben. Allerdings sind der KI durch die Eingabedaten klare Grenzen gesetzt – die Ausgabe muss aus ihnen berechenbar sein; KI trägt daher nur begrenzt zum Erkenntnisgewinn bei. Der derzeit überschwängliche, teilweise unreflektierte Gebrauch von KI birgt Gefahren und wirft Fragen auf: Wie zuverlässig sind die Vorhersagen der KI? Wie transferierbar sind KIs auf andere Problemstellungen? Verhindert KI in manchen Bereichen grundlegenden Fortschritt durch ihre intrinsische Limitierung auf bekannte Daten? Es ist an der Zeit, in einen kritischen Diskurs über rechtliche, ethische und wissenschaftliche Implikationen von KI und ihrem Einsatz in verschiedenen Wissenschafts- und Lebensbereichen einzutreten. In unserem Projekt greifen wir exemplarisch drei Bereiche heraus: Jura, Mathematik und Chemie und stellen die provokante Frage nach der Sinnhaftigkeit der Entwicklung eines digitalen Richters, Mathematikers oder Chemikers.

 

Ausgewählte Publikationen:

  • KA Cliffe, MB Giles, R Scheichl, AL Teckentrup, Multilevel Monte Carlo methods and applications to elliptic PDEs with random coefficients, Comput. Visual. Sci. 14, 3-15, 2011.

  • IG Graham, PO Lechner, R Scheichl, Domain decomposition for multiscale PDEs, Numer. Math. 106(4), 589-626, 2007.

  • TJ Dodwell, C Ketelsen, R Scheichl, AL Teckentrup, A hierarchical multilevel Markov chain Monte Carlo algorithm with applications to uncertainty quantification in subsurface flow, SIAM/ASA J. Uncertain. Quant. 3(1), 1075-1108, 2015 (SIGEST Prize 2019: reprinted as „Multilevel Markov chain Monte Carlo“ in SIAM Review 61, 2019).

  • J Charrier, R Scheichl, AL Teckentrup, Finite element error analysis of elliptic PDEs with random coefficients and its application to multilevel Monte Carlo methods, SIAM J. Numer. Anal. 51(1), 322-352, 2013. Formular Marsilius-Fellowships – Stand März 2021

  • N Spillane, V Dolean, P Hauret, F Nataf, C Pechstein, R Scheichl, Abstract robust coarse spaces for systems of PDEs via generalized eigenproblems in the overlaps, Numer Math. 126(4), 741-770, 2014.

  • IG Graham, FY Kuo, D Nuyens, R Scheichl, IH Sloan, Quasi-Monte Carlo methods for elliptic PDEs with random coefficients and applications, J. Comput. Phys. 230(10), 3668-3694, 2011.

  • IG Graham, FY Kuo, JA Nichols, R Scheichl, C Schwab, IH Sloan, Quasi-Monte Carlo finite element methods for elliptic PDEs with lognormal random coefficients, Numer. Math. 131(2), 329-368, 2015.

  • G Detommaso, T Cui, A Spantini, Y Marzouk, R Scheichl, A Stein variational Newton method, Adv. Neur. Inform. Proc. Sys. 31, 2018 (NeurIPS ’18).

  • R Scheichl, Decoupling three-dimensional mixed problems using divergencefree finite elements, SIAM J. Sci. Comput. 23(5), 1752-1776, 2002 (SIAM Student Paper Prize 2000).

  • S Dolgov, K Anaya-Izquierdo, C Fox, R Scheichl, Approximation and sampling of multivariate probability distributions in the TT decomposition, Stat. Comput. 30(3), 603-625, 2020.

Seitenbearbeiter: Geschäftsstelle
Letzte Änderung: 29.09.2021
zum Seitenanfang/up