Gudrun sprach im März 2020 mit Nicole Ludwig. Sie ist eine Kollegin am KIT am Campus Nord und gehört dem Institut für Automation und angewandte Informatik an. Sie war Mitglied des DFG Graduiertenkollegs Energiezustandsdaten Informatikmethoden zur Analyse, Erfassung und Nutzung und ist dabei, ihre Promotion abzuschließen. Im Studium wurde sie von den Themen der Ökonometrie und Statistik eingefangen und von der Freude, aus empirischen Daten verlässliche Ergebnisse ableiten zu können. Sie hat schon in ihrer Bachelorarbeit Maschinelles Lernen für Prognosen benutzt. Deshalb war es sehr spannend für sie, diese Kenntnisse und ihre Freude am Thema in das Graduiertenkolleg zu Energiedaten und Informatik einzubringen.

Als Gesellschaft müssen wir in naher Zukunft eine Energieproduktion ohne fossile Brennstoffe erreichen. Es ist jedoch nötig, beim Nutzen von erneuerbaren Energien im Vergleich zu konventioneller Energieerzeugung umzulernen, um einerseits für eine stabile Versorgung von Wirtschaft und Haushalten zu sorgen und andererseits dabei alle Lasten der nötigen Veränderungen fair zu verteilen.

Es gibt zwei Möglichkeiten, die Energieproduktion zu optimieren. Zum einen können wir den Produktionszeitplan besser auf die Nachfrage abstimmen. Zum anderen können wir das Verbrauchsverhalten ändern, um eine optimale Versorgungsstrategie zu unterstützen. Traditionell kennt man Prognosen für die Energienachfrage in unterschiedlichen Zeithorizonten und macht diese zur Grundlage für Produktionspläne. Mit einer zunehmenden und sich ändernden Menge an Variablen, die das System beeinflussen, sind perfekte Vorhersagen jedoch sehr unrealistisch und wahrscheinlich nicht der richtige Ansatz für die Zukunft.

Man muss sich hierzu nur vor Augen halten, dass die Energieernte sowohl bei Windkraft als auch für Solarstrom stark vom Wetter abhängen. Wenn auch die Wettervorhersage schon sehr viel besser geworden ist, so ist es doch noch nicht möglich, auf ihrer Grundlage hinreichend sichere Vorhersagen für die Energieerzeugung machen zu können. Andererseits gibt es heute auch bessere Möglichkeiten, die Energieabnahme zumindest im Prinzip von außen zu steuern. Das was früher als Nachtstrom die Abnahme von Stromspitzen mit niedrigen Preisen versüßte, kann heute ganz regional und sich täglich anpassend nicht nur in Betrieben sondern sogar im Haushalt steuern, wann beispielsweise die Waschmaschine läuft oder ein Warmwasserspeicher lädt. Bald kann auch die Flotte an E-Fahrzeugen mit ihren Akkumulatoren Energie zum passenden Zeitpunkt abnehmen und auch in Spitzenzeiten wieder abgeben.

Die Gesetzgebung ist hier noch nicht so weit wie die technischen Möglichkeiten. Aber man muss sicher auch noch einmal gründlich darüber nachdenken, in welcher Art und Weise man Personen dazu zwingen will, Daten dafür zur Verfügung zu stellen und wie man sie anschließend vor dem Missbrauch dieses Wissens durch Unbefugte schützen kann. Schon heute ist die Energieversorgung viel verwundbarer durch Angriffe von Hackern als wir uns eingestehen wollen.

Prinzipiell liegen aber - schon allein in Bezug auf Wetterdaten - aber auch in feingranularem Wissen über Energieverbrauch - sehr viele Daten vor, die man nutzen kann, um neuartige Prognosen zu erarbeiten. Man geht also über von rein Physik-basierten Modellen und Expertenwissen über zu neuronalen Netzen und Datamining. Diese arbeiten natürlich nicht sinnvoll ohne den Expertenblick, denn welche Fragen die vorliegenden Daten sinnvoll und recht sicher beantworten können, ist naiv geplant sicher nicht möglich.

Nicole gefällt es gut, an der Schnittstelle sehr unterschiedlicher Wissensgebiete (Wirtschaft, Physik/Meteorologie, Ingenieurswissenschaft und Informatik) zu forschen.

• L. Barth e.a.: How much demand side flexibility do we need? - Analyzing where to exploit flexibility in industrial processes 9th ACM International Conference on Future Energy Systems (ACM e-Energy), 2018, Karlsruhe, Germany
• J.A. Gonzalez Ordiano e.a.: Concept and benchmark results for Big Data energy forecasting based on Apache Spark. Journal of Big Data 5, Article number: 11 (2018)
• R.R Appino e.a. : On the use of probabilistic forecasts in scheduling of renewable energy sources coupled to storages Applied Energy 210 (2018)
• L. Barth e.a.: A comprehensive modelling framework for demand side flexibility in smart grids Computer science - research and development 33,13-23 (2018)
• M. Lösch: Digitalisierte Stromnetze und Smart Meter in Deutschland, Ein Überblick, Vortrag auf der GPN17, 2017.
• B. Becker, F. Kern, M. Lösch, I. Mauser, H. Schmeck: Building Energy Management in the FZI House of Living Labs, In Proceedings of the D-A-CH Conference on Energy Informatics (pp. 95-112). Springer International Publishing, 2015.
• M. Lösch, D. Hufnagel, S. Steuer, T. Faßnacht, H. Schmeck: Demand Side Management in Smart Buildings by Intelligent Scheduling of Heat Pumps, In Proceedings of the IEEE International Conference on Intelligent Energy and Power Systems (IEPS), 2014.
• T. Fassnacht, M. Lösch, A. Wagner: Simulation Study of a Heuristic Predictive Optimization Scheme for Grid-reactive Heat Pump Operation, In Proceedings of the REHVA Annual Conference, 2015.

• S. Coşkun, G. Thäter: Energy Markets, Gespräch im Modellansatz Podcast, Folge 190, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018.
• C. Harvey, G. Thäter: Micro Grids, Gespräch im Modellansatz Podcast, Folge 186, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018.
• Z. Ahamed, G. Thäter: Electric Vehicles on the Grid, Gespräch im Modellansatz Podcast, Folge 183, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018.
• G. Thäter, B. Pousinho: Weather Generator, Gespräch im Modellansatz Podcast, Folge 148, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017.
• M. Lösch, S. Ritterbusch: Smart Meter Gateway Gespräch im Modellansatz Podcast, Folge 135, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017.

• M. Völter, V. Hagenmeyer: Stromnetze, ein Überblick, omega tau Podcast, Episode 246, 2017.
• J. Müller-Quade, A. Rupp, B. Löwe, K. Bao: Kryptographie und Privatssphäre im Stromnetz, Feature von Jan Rähm im KIT.audio Forschungspodcast des Karlsruher Instituts für Technologie, Folge 6, 2017.
• S. Seier, T. Alexandrin: Mieterstrom-Krimi, Abgrund oder Cliffhanger? Episode 16 im Blindstrom Podcast, 2017.
• M. Dalheimer, P. Hecko: Der Strom, Folge 5 im Pietcast, 2014.

Gudrun sprach Mitte März 2020 mit Franziska Blendin. Das Gespräch fand statt, während beide sich in ihrem jeweiligen Wohnzimmern aufhielten: Gudrun in Karlsruhe und Franziska in Frankfurt (Main). Seit drei Semestern absolviert Franziska ein Online Studium an der Fachhochschule Frankfurt und strebt einen Bachelor in Maschinenbau an.

Gudrun wollte gern von ihr erfahren, wieso sie sich für diesen Weg entschieden hat und was ihre Erfahrungen mit dieser besonderen Art des Studiums sind.

Franziska hat nicht im Gymnasium Abitur gemacht, sondern ein Fachabitur im Rahmen einer Ausblidung zur Sozialassistentin im Fachbereich Pflege. Während ihrer Tätigkeit als Assistentin einer Rollstuhlfahrerin kam die Idee auf, dass sich Franziska bei dem Rollstuhlhersteller schlau machen könnte, um auch kleine Reparaturen oder Anpassungen an dem Gerät übernehmen zu können. So kam es zu einem Praktikum in dem mittelständischen Unternehmen, das den Rollstuhl herstellt. In der Zeit wuchs ihr die Flex ans Herz und es wurde die Idee geboren, so einen Beruf zu erlernen.

Sie hat als Zerspanerin und Schlosserin gearbeitet, wollte allerdings auf jedenfall noch eine Fortbildung machen. Im Prinzip hätten zunächst die Möglichkeiten, einen Meister zu machen oder eine Techniker-Ausbildung neben dem Beruf zu absolvieren nahe gelegen. Aber die Erfahrung zeigte Franziska, dass es als Frau ohnehin nicht so leicht ist, für diese Stellen in die engere Wahl zu kommen und dass diese handwerkstypischen Abschlüsse häufig nicht entsprechend gewürdigt werden. Vom Lernaufwand neben der Erwerbsarbeit sind diese Wege aber ähnlich.

So hat sich Franziska für ein online Studium entschieden. Der große Vorteil ist, dass es zeitlich flexibler ist und deshalb leichter mit einer Berufstätigkeit passend gemacht werden kann. Bei 100% Job schafft man aber nicht so viel, wie der ideale Plan bis zum Bachelor vorsieht, sondern eher so 3-4 Fächer (das sind 15-20 Leistungspunkte statt der im Plan avisierten 30 Punkte pro Semester - jeder Leistungspunkt entspricht dabei etwa 30 Zeitstunden Aufwand).

Hinzu kommt, dass eigentlich alle, deren Abitur schon eine Weile zurück liegt und die vielleicht ein Schmalspurabi wie Franziska haben, Probleme mit Mathe und anderen Naturwissenschaften haben. Franziska ist z.B. sehr froh, dass sie nun nach drei Semestern endlich Mathe 1 bestanden hat (Mathe 2 fiel ihr dann nicht so schwer). Für jedes Modul sind drei Anwesenheitszeiten pro Semester geplant, die ausnahmsweise auch als Webkonferenz durchgeführt werden, in der die Studierenden Fragen stellen können.

Den Stoff muss man sich vorher selbst z.B. mit Hilfe eines Lernprogramms oder dem Skript erarbeiten. Wöchentlich gibt es 60-90 min Vorlesung als Webkonferenz - das ist aber mehr eine Zusammenfassung des Stoffs und reicht nicht, um den Stoff zu verstehen. Außerdem müssen noch zwei Hausarbeiten eingesendet werden, um zur Prüfung zugelassen zu werden.

Franziska freut sich darauf, bald Anwendungen der Mathematik im Fach Technische Schwingungen und Regelungstechnik zu sehen. Und auch die Module Technische Mechanik 1,2 und 3 waren schon viel Mathematik, haben aber Spaß gemacht. Sie hat die drei Module sofort bestanden obwohl das als schwieriges Fach gilt. In der Thermodynamik hilft ihr auch die Erfahrung aus der Berufspraxis sehr.

Franziskas Vater war Mathelehrer und ist eigentlich im Ruhestand. Allerdings ist er inzwischen als Tutor für Mathe 1 an der Hochschule in Frankfurt tätig und als Team haben er und Franziska nun die Prüfung in Mathe 1 zu den Akten gelegt.

Gudrun und Franziska haben sich im November 2017 beim Podäppler Workshop in Frankfurt kennengelernt. Gudrun kannte zu dem Zeitpunkt Tine Nowak aus Frankfurt aus dem Netzwerk der Wissenschaftspodcaster und Tine hatte Gudrun schon mehrfach nach Frankfurt zum Podcaster Stammtisch eingeladen bis es endlich für den Workshop geklappt hat. Franziska macht mehrere Podcasts und zwar über Fußball, Kinderbücher und Zerspanungsmaschinen. Außerdem malt sie Mathecomics - vor allem in heißen Lernphasen.

Und weil das noch nicht genug ist, hat sie eine Fußballfibel über den FSV Frankfurt geschrieben, die gerade erschienen ist. Die wegen der Corona-Quarantäne ausgefallene Lesereise holt sie gerade per Youtube Livestreams nach.

• Veranstaltung zum Erscheinen der Fußballfibel
• F. Blendin: Fußballfibel FSV Frankfurt
• Redtenbacher als Mathematisierer des Maschinenbaus
• MINT-Kolleg Baden-Württemberg

• Hangcasting - Neues aus Bernem FSV Frankfurt Fan Podcast von Jörg und Franzi.
• Kinderbücher
• G4 Pocast über CNC-Maschinen (Thema Zerspanung, zuletzt mit Sonderfolgen zum Lernen im Studium)
• Von Hamstern, Monstern und Suppenkaspern - ein Kinder- und Jugendliteratur Podcast

• Y. Cai, S. Dhanrajani, G. Thäter: Mechanical Engineering, Gespräch im Modellansatz Podcast, Folge 176, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018.
• G. Thäter, J. Rollin: Advanced Mathematics, Conversation in the Modellansatz Podcast, Episode 146, Department of Mathematics, Karlsruhe Institute for Technology (KIT), 2017.
• F. Hettlich, G. Thäter: Höhere Mathematik, Gespräch im Modellansatz Podcast, Folge 34, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014.

Gudrun spricht mit Sebastian Lerch vom Institut für Stochastik in der KIT-Fakultät für Mathematik. Vor einiger Zeit - Anfang 2015 - hatten die beiden schon darüber gesprochen, wie extreme Wetterereignisse stochastisch modelliert werden können.

Diesmal geht es um eine Lehrveranstaltung, die Sebastian extra konzipiert hat, um für Promovierende aller Fachrichtungen am KIT eine Einführung in Machine Learning zu ermöglichen. Der Rahmen hierfür ist die Graduiertenschule MathSEED, die ein Teil des im Oktober 2018 gegründeten KIT-Zentrums MathSEE ist. Es gab schon lange (und vielleicht immer) Angebote am KIT, die insbesondere Ingenieure an moderne Mathematik heranführten, weil sie deren Methoden schon in der Masterphase oder spätestens während der Promotion brauchten, aber nicht durch die klassischen Inhalten der Höheren Mathematik abgedeckt werden. All das wird nun gebündelt und ergänzt unter dem Dach von MathSEED. Außerdem funktioniert das nun in beide Richtungen: Mathematiker:innen, werden ebenso zu einführenden Angeboten der anderen beteiligten Fakultäten eingeladen.

Das Thema Maschinelles Lernen und Künstliche Intelligenz war ganz oben auf der Wunschliste für neu zu schaffende Angebote. Im Februar 2020 hat Sebastian diese Vorlesung erstmalig konzipiert und gehalten - die Übungen wurden von Eva-Maria Walz betreut. Die Veranstaltung wird im Herbst 2020 wieder angeboten.

Es ist nicht ganz einfach, die unterschiedlichen Begriffe, die für Künstliche Intelligenz (kurz: KI) benutzt werden gegeneinander abzutrennen, zumal die Sprechweisen in unterschiedlichen Kontexten unterschiedlich sind. Hinzu tritt, dass mit der Verfügbarkeit großer Datenmengen und der häufigen Nutzung von KI und Big Data gemeinsam auch hier vieles vermischt wird.

Sebastian defininiert Maschinelles Lernen als echte Teilmenge von KI und denkt dabei auch daran, dass z.B. symbolisches Rechnen KI ist. Ebenso geben schon lange sogenannte Expertensysteme Hilfestellung für Entscheidungen. Hier geben Regeln ein Programm vor, das Daten-Input zu einem Output verwandelt.

Heute denken wir bei KI eher daran, dass z.B. der Computer lernt wie ein Bild eines Autos aussieht, ohne dass dafür klare Regeln vorgegeben werden. Dies ist eher vergleichbar damit, wie Kinder lernen. Die modernste Variante ist sogenanntes Deep Learning auf der Basis von Neuronalen Netzen. Die Abgrenzung zu statistischen Verfahren ist mitunter nicht so klar.

Das Neuronale Netz wird dabei eine Black Box, was wissenschaftlich arbeitende Menschen nicht ganz befriedigt. Aber mit ihrer Hilfe werden komplexere Probleme lösbar. Forschung muss versuchen, die Entscheidungen der Black Box nachvollziehbar zu machen und entscheiden, wann die Qualität ausreicht. Dazu muss man sich überlegen: Wie misst man Fehler? In der Bildverarbeitung kann es genügen, z.B. falsch erkannte Autos zu zählen. In der Wettervorhersage lässt sich im Nachhinein feststellen, welche Fehler in der Vorhersage gemacht wurden.

Es wird unterschiedliche Fehlertoleranzen geben für Erkennung von Fußgängern für selbst fahrende Autos und für die Genauigkeit von Wettervorhersage.

Ein Beispiel in der Übung war die Temperaturvorhersage anhand von vorliegenden Daten. Die Vorhersage beruht ja auf physikalischen Modelle in denen die Entwicklung von Temperatur, Luftdruck und Windgeschwindigkeit durch Gleichungssysteme nachgebildet wird. Aber diese Modelle können nicht fehlerfrei berechnet werden und sind auch recht stark vereinfacht. Diese Fehler werden mit Hilfe von KI analysiert und die Ergebnisse für die Verbesserung der Vorhersage benutzt.

Ein populäres Verfahren sind Random Forests oder Entscheidungsbäume. Hier werden komplexe Fragen stufenweise zerlegt und in den Stufen einfache Ja- oder Nein-Fragen beantwortet. Dies wird z.B. angewandt in der Entscheidung ob und wo eine Warnung vor einer Gewitterzelle erfolgen sollte.

Sehr bekannt und im praktischen Einsatz erprobt (beispielsweise in der Bildverarbeitung und in der Übersetzung zwischen gebräuchlichen Sprachen) sind Neuronale Netze. In mehrern Schichten sind hier sogenannte Neuronen angeordnet. Man kann sich diese wie Knoten in einem Netz vorstellen, in dem Daten von Knoten zu Knoten transportiert werden. In den Knoten werden die ankommenden Daten gewichtet aufaddiert und eine vorher festgelegte Aktivierungsfunktion entscheidet, was an die nächsten Knoten oder die nächste Schicht von Neuronen weitergegeben wird. Die einzelnen Rechenoperationen sind hier also ganz elementar, aber das Zusammenwirken ist schwer zu analysieren.

Bei vielen Schichten spricht man von Deep Learning. Das ist momentan noch in den Kinderschuhen, aber es kann weit reichende Konsequenzen haben. In jedem Fall sollte man Menschen im Entscheidungsprozess beteiligen.

Die konkrete Umsetzung hat Sebastian als Vorlesung und Übung zu gleichen Teilen gewählt. Er hat einen Schwerpunkt auf einen Überblick zu methodischen Aspekten gelegt, die die Teilnehmenden dazu befähigt, später selbst weiter zu lernen. Es ging also unter anderem darum, wie man Trainingsdaten auswählt, wie Qualitätssicherung funktioniert, wie populäre Modelle funktionieren und wie man einschätzt, dass die Anpassung an Daten nicht zu stark erfolgt.

In der Übung fand großen Anklang, dass ein Vorhersagewettbewerb der entwickelten Modelle durch Kaggle competions online live möglich war.

• Forschungsergebnisse mit Hilfe von Maschinen Lernen, an denen Sebastian Lerch beteiligt ist:
  • M.N. Lang e.a.: Remember the past: A comparison of time-adaptive training schemes for non-homogeneous regression Nonlinear Processes in Geophysics, 27: 23–34 2020. (eher stochastisch)
  • S. Rasp und S. Lerch: Neural networks for post-processing ensemble weather forecasts Monthly Weather Review, 146(11): 3885–3900 2018.

• Lehrbücher
  • T. Hastie, R. Tibshirani, J. Friedman: The Elements of Statistical Learning Springer 2017 (2nd Edition).
  • G. James, D. Witten, T. Hastie and R. Tibshirani: An Introduction to Statistical Learning Springer 2013 (7nd Edition)
  • I. Goodfellow and Y. Bengio and A. Courville: Deep Learning MIT-Press 2016.

• Online Kurse
  • Pytorch-based Python library fastai
  • Deeplearning

• Dystopie für alltägliche KI
  • C. Doctorow: Little Brother Tor Teen, 2008. download beim Author
  • C. Doctorow: Homeland Tor Books, 2013, ISBN 978-0-7653-3369-8
  • im Gespräch angesprochene Bildbearbeitung, die eigene Fotos mit Kunstwerken verschmilzt

• Meetups im Umland von Karlsruhe
  • Karlsruhe ai Meetup
  • Heidelberg ai Meetup
  • Machine Learning Rhein-Neckar (Mannheim)

• Leben X0 - Episode 6: Was ist Machine Learning? November 2019.
• Streitraum: Intelligenz und Vorurteil Carolin Emcke im Gespräch mit Anke Domscheit-Berg und Julia Krüger, 26. Januar 2020
• P. Packmohr, S. Ritterbusch: Neural Networks, Data Science Phil, Episode 16, 2019.

In March 2018 Gudrun had a day available in London when travelling back from the FENICS workshop in Oxford. She contacted a few people working in mathematics at the University College London (ULC) and asked for their time in order to talk about their research. In the end she brought back three episodes for the podcast. This is the second of these conversations.

Gudrun talks to Marta Betcke. Marta is associate professor at the UCL Department of Computer Science, member of Centre for Inverse Problems and Centre for Medical Image Computing. She has been in London since 2009. Before that she was a postdoc in the Department of Mathematics at the University of Manchester working on novel X-ray CT scanners for airport baggage screening.

This was her entrance into Photoacoustic tomography (PAT), the topic Gudrun and Marta talk about at length in the episode. PAT is a way to see inside objects without destroying them. It makes images of body interiors. There the contrast is due to optical absorption, while the information is carried to the surface of the tissue by ultrasound. This is like measuring the sound of thunder after lightning. Measurements together with mathematics provide ideas about the inside. The technique combines the best of light and sound since good contrast from optical part - though with low resolution - while ultrasound has good resolution but poor contrast (since not enough absorption is going on).

In PAT, the measurements are recorded at the surface of the tissue by an array of ultrasound sensors. Each of that only detects the field over a small volume of space, and the measurement continues only for a finite time. In order to form a PAT image, it is necessary to solve an inverse initial value problem by inferring an initial acoustic pressure distribution from measured acoustic time series. In many practical imaging scenarios it is not possible to obtain the full data, or the data may be sub-sampled for faster data acquisition. Then numerical models of wave propagation can be used within the variational image reconstruction framework to find a regularized least-squares solution of an optimization problem.

Assuming homogeneous acoustic properties and the absence of acoustic absorption the measured time series can be related to the initial pressure distribution via the spherical mean Radon transform. Integral geometry can be used to derive direct, explicit inversion formulae for certain sensor geometries, such as e.g. spherical arrays.

At the moment PAT is predominantly used in preclinical setting, to image tomours and vasculature in small animals. Breast imaging, endoscopic fetus imaging as well as monitoring of perfusion and drug metabolism are subject of intensive ongoing research.

The forward problem is related to the absorption of the light and modeled by the wave equation assuming instanteneous absorption and the resulting thearmal expansion. In our case, an optical ultrasound sensor records acoustic waves over time, i.e. providing time series with desired spacial and temporal resolution. Given complete data, then one can mathematically reverse the time direction and find out the original object.

Often it is not possible to collect a complete data due to e.g. single sided access to the object as in breast imaging or underlying dynamics happening on a faster rate than one can collect data. In such situations one can formulate the problem in variational framework using regularisation to compensate for the missing data.

In particular in subsampling scenario, one would like to use raytracing methods as they scale linearly with the number of sensors. Marta's group is developing flexible acoustic solvers based on ray tracing discretisation of the Green's formulas. They cannot handle reflections but it is approximately correct to assume this to be true as the soundspeed variation is soft tissue is subtle. These solvers can be deployed alongside with stochastic iterative solvers for efficient solution of the variational formulation.

Marta went to school in Poland. She finished her education there in a very selected school and loved math due to a great math teacher (which was also her aunt). She decidede to study Computer Sciences, since there she saw more chances on the job market. When moving to Germany her degree was not accepted, so she had to enrol again. This time for Computer Sciences and Engineering at the Hamburg University of Technology. After that she worked on her PhD in the small group of Heinrich Voss there. She had good computing skills and fit in very well. When she finished there she was married and had to solve a two body problem, which brought the couple to Manchester, where a double position was offered.
Now both have a permanent position in London.

• M. Betcke e.a.: Model-Based Learning for Accelerated, Limited-View 3-D Photoacoustic Tomography IEEE Transactions on Medical Imaging 37, 1382 - 1393, 2018.
• F. Rullan & M. Betcke: Hamilton-Green solver for the forward and adjoint problems in photoacoustic tomography archive, 2018.
• M. Betcke e.a.: On the adjoint operator in photoacoustic tomography Inverse Problems 32, 115012, 2016. doi
• C. Lutzweiler and D. Razansky: Optoacoustic imaging and tomography - reconstruction approaches and outstanding challenges in image performance and quantification, Sensors 13 7345, 2013. doi: 10.3390/s130607345

• G. Thäter, K. Page: Embryonic Patterns, Gespräch im Modellansatz Podcast, Folge 161, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018.

• F. Cakoni, G. Thäter: Linear Sampling, Conversation im Modellansatz Podcast, Episode 226, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2019.
• G. Thäter, R. Aceska: Dynamic Sampling, Gespräch im Modellansatz Podcast, Folge 173, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018.
• S. Fliss, G. Thäter: Transparent Boundaries. Conversation in the Modellansatz Podcast episode 75, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.
• S. Hollborn: Impedanztomographie. Gespräch mit G. Thäter im Modellansatz Podcast, Folge 68, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015.
• M. Kray, G. Thäter: Splitting Waves. Conversation in the Modellansatz Podcast episode 62, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.
• F. Sayas, G. Thäter: Acoustic scattering. Conversation in the Modellansatz Podcast episode 58, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.

This is the third of three conversation recorded during the Conference on mathematics of wave phenomena 23-27 July 2018 in Karlsruhe.

Gudrun is in conversation with Anne-Sophie Bonnet-BenDhia from ENSTA in Paris about transmission properties in perturbed waveguides.

The spectral theory is essential to study wave phenomena. For instance, everybody has experimented with resonating frequencies in a bathtube filled with water. These resonant eigenfrequencies are eigenvalues of some operator which models the flow behaviour of the water. Eigenvalue problems are better known for matrices. For wave problems, we have to study eigenvalue problems in infinite dimension. Like the eigenvalues for a finite dimensional matrix the Spectral theory gives access to intrinisic properties of the operator and the corresponding wave phenomena.

Anne-Sophie is interested in waveguides. For example, optical fibres can guide optical waves while wind instruments are guides for acoustic waves. Electromagnetic waveguides also have important applications.

A practical objective is to optimize the transmission in a waveguide, even if there are some perturbations inside. It is known that for certain frequencies, there is no reflection by the perturbations but it is not apriori clear how to find these frequencies.

Anne-Sophie uses complex analysis for that. The idea is to complexify the (originally real) coordinates by analytic extension. It is a classic idea for resonances that she adapts to the problem of transmission.

This mathematical method of complex scaling is linked to the method of perfectly matched layers in numerics. It is used to solve problems set in unbounded domains on a computer by finite elements. Thanks to the complex scaling, she can solve a problem in a bounded domain, which reproduces the same behaviour as in the infinite domain.

Finally, Anne-Sophie is able to get numerically a complex spectrum of frequencies, related to the quality of the transmission in a perturbed waveguide. The imaginary part of the complex quantity gives an indication of the quality of the transmission in the waveguide. The closer to the real axis the better the transmission.

• A-S. Bonnet-BenDhia, L. Chesnel and V. Pagneux:Trapped modes and reflectionless modes as eigenfunctions of the same spectral problem Proceedings of the Royal Society A, 2018, doi 10.1098/rspa.2018.0050
• A-S. Bonnet-BenDhia: Mathematical and numerical treatment of plasmonic waves at corners of metals and metamaterials Emerging Topics in Optics, IMA, Minneapolis, 2017
• A-S. Bonnet-BenDhia, L. Chesnel and S. Nazarov: Perfect transmission invisibility for waveguides with sound hard walls Journal de Mathématiques Pures et Appliquées, 2017, doi 10.1016/j.matpur.2017.07.020
• A.-S. Bonnet-BenDhia e.a.: A method to build non-scattering perturbations of two-dimensional acoustic waveguides Math. meth. appl. sci., vol. 40, pp. 335–349, 2015 doi 10.1002/mma.3447

• S. Fliss, G. Thäter: Transparent Boundaries. Conversation in the Modellansatz Podcast episode 75, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.
• M. Kray, G. Thäter: Splitting Waves. Conversation in the Modellansatz Podcast episode 62, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.
• F. Sayas, G. Thäter: Acoustic scattering. Conversation in the Modellansatz Podcast episode 58, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.

In den nächsten Wochen bis zum 20.2.2020 möchte Anna Hein, Studentin der Wissenschaftskommunikation am KIT, eine Studie im Rahmen ihrer Masterarbeit über den Podcast Modellansatz durchführen. Dazu möchte sie gerne einige Interviews mit Ihnen, den Hörerinnen und Hörern des Podcast Modellansatz führen, um herauszufinden, wer den Podcast hört und wie und wofür er genutzt wird. Die Interviews werden anonymisiert und werden jeweils circa 15 Minuten in Anspruch nehmen. Für die Teilnahme an der Studie können Sie sich bis zum 20.2.2020 unter der Emailadresse [email protected] bei Anna Hein melden. Wir würden uns sehr freuen, wenn sich viele Interessenten melden würden.

Gudrun sprach im Januar 2020 mit drei Studenten ihrer Vorlesung Mathematical Modelling and Simulation: Samory Gassama, Lennart Harms und David Schneiderhan. Sie hatten in ihrem Projekt Gruppenentscheidungen modelliert. In dem Gespräch geht es darum, wie man hierfür mathematische Modelle findet, ob man Wahlsysteme fair gestalten kann und was sie aus den von ihnen gewählten Beispielen gelernt haben.

Wie lassen sich Entscheidungen von Wählergruppen fair in demokratische Willensbildung einbringen? Mit diesem Thema beschäftigt sich u.a. auch die Volkswirtschaftslehre. Die dafür benutzten Modelle sollten einige Eigenschaften haben. Ein grundlegendes Kriterium wäre beispielsweise: Wenn alle der gleichen Meinung sind, sollte diese Meinung auch immer die Gruppenentscheidung sein. Ein weiteres Kriterum könnte verlangen, dass das Ergebnis Pareto-optimal ist, es also kein anderes Ergebnis gibt, mit dem jedes Gruppenmitglied zufriedener wäre.

Um die Präferenz der Gruppe auszudrücken, führen die Studenten die Wohlfahrtsfunktion ein. Das ist eine Abbildung, welche als Input die Präferenzen der einzelnen Wähler verknüpft. Das Wahlverfahren wird sozusagen in dieser Abbildung modelliert. Man wünscht sich

• Anonymität: Jede Stimme sollte gleich gewertet werden.
• Neutralität: Wenn die Relationen im Input invertiert werden, bewirkt dies das Selbe beim Output.
• Monotonie: Falls eine Relation aus dem Input, welche nicht den Präferenzen des Outputs entspricht, sich zur Präferenzrelation des Outputs ändert, bleibt dieser gleich.

Verfahren wie Rangaddition und Condorcet-Methode sind klassisch und erfüllen leider nicht alle diese Bedingungen.

Die Studenten fügen eine weitere Entscheidungsebene im Modell hinzu. Man nennt dies geschachtelte Wahl. Als Beispiele dienen die US Präsidentschaftswahl 2016 und der Eurovision Song Contest 2019.

Bei den Präsidentschaftswahlen in den VereinigtenStaaten von Amerika, wird der Präsident von den Wahlleuten der Bundesstaaten für eine Amtszeit bestimmt. Jeder Bundesstaat hat unterschiedlich viele Wahlleute. Die Wahlberechtigten legen unmittelbar nur die Wahlleute fest. Deshalb ist das Modell der US Präsidentschaftswahlen ist ein geschachteltes Modell. Im ersten Schritt, werden in allen 52 Staaten die Wahlen, mit den US Bürgern des jeweiligen Staates als Wähler, mithilfe des Condorcet Modells durchgeführt. Im zweiten Schritt bilden eben jene 52 Staaten die neue Wählermenge, welche dann über eine gewichtete Rangaddition den endgültigen Präsidenten bestimmt.

Die Studenten haben im Projekt zwei Datensätze verwendet, um die Präsidentschaftswahlen 2016 in den USA zwischen Donald Trump und Hillary Clinton zu simulieren. Sie geben die Anzahl der Stimmen für Donald Trump und Hillary Clinton in den verschiedenen Wahlbezirken der USA an. Um die Simulation durchzuführen, wurde Google Colab verwendet. Die benutzte Programmiersprache ist Python. Die Wahl wurde folgendermaßen simuliert: Man summiert die Anzahl der Stimmen für alle Kandidaten in jedem Staat. Anschließend vergleicht man die Anzahl der Stimmen für Trump und Clinton in jedem Bundesstaat. Dem Gewinner eines Staates werden die Anzahl der Wahlleute dieses Bundesstaates in das Endergebnis addiert. Zum Schluss werden die Anzahl der Wahlleute, welche für die Kandidaten gestimmt haben verglichen.

Trump gewinnt die Wahlen in 30 Bundesstaaten und Clinton in 20 Bundesstaaten, genauer gesagt erhält Trump 304 Wahlleute und Clinton 227. Somit wäre gewinnt Trump gegen Clinton.

Alternativ zum geschachtelten Modell, wird anschließend die Abstimmungsmethode direkt auf alle Wahlstimmen angewandt. Dabei erhält Trump 62.984.828 Stimmen, während Clinton 65.853.514 bekommt. Bei diesem Verfahren gewinnt Clinton gegen Trump.

Im Gespräch wird besprochen, dass es ein Problem ist, wenn bei recht knappem Wahlausgang pro Bundesstaat eine "Rundung" auf Wahlleute erfolgt und diese dann addiert wird. Im Vergleich hierzu kann es bei vielen Parteien auch durch Instrumente wie die 5%-Hürde, die wir in Deutschland implementiert haben, zu unfairen Effekten kommen.

Die Regeln beim Eurovision Song Contest sind wie folgt: Aus den Televoting-Ergebnissen und den Jurywertungen jedes einzelnen Landes setzt sich das Gesamtergebnis für alle Teilnehmenden zusammen. Die besten zehn Titel werden mit eins, zwei, drei, vier, fünf, sechs, sieben, acht, zehn und zwölf Punkten bewertet. Dabei werden die Jury- und Zuschauerwertungen seit 2016 voneinander getrennt. Jedes Land kann einem Teilnehmenden also bis zu 24 Punkte geben - zwölf durch die Jury, zwölf durch die Zuschauer. Wenn zwei Songs auf die gleiche Punktzahl kommen, bekommt das Land die höhere Punktzahl, das vom Publikum höher bewertet wurde.

Abgesehen davon, dass es sich auch hierbei wieder um ein geschachteltes Modell handelt, werden hierbei auch noch die gewichtete Rangaddition und ein externes Diktator Modell verwendet.

• A.D. Taylor and A.M. Pacelli: Mathematics and Politics - Strategy, Voting, Power, and Proof. Springer-Verlag, Berlin Heidelberg, 2nd corrected ed. 2008, corr. 3rd printing, 2009.
• H.-J. Bungartz e.a.: Modellbildung und Simulation - Eine anwendungsorientierte Einführung Kapitel 4: Gruppenentscheidungen, Springer, 2009.
• G.G. Szpiro: Die verflixte Mathematik der Demokratie, Springer, 2011.
• W.D. Wallis. The Mathematics of Elections and Voting. Springer, Berlin, Heidelberg, 2014. au. edition, 2014.
• K. Loewenstein: Verfassungsrecht und Verfassungspraxis der Vereinigten Staaten, Springer-Verlag, Berlin Heidelberg New York, 1959.
• US Election Tracker as xlsx, 2016.
• nytimes presidential elections 2016 results as csv, 2016.
• ESC Regelwerk, 2019.
• ESC Datensatz, 2019.
• S. Gassama, L. Harms, D. Schneiderhan: Gruppenentscheidungen. Jupyter Notebooks: Eurocontest_2019.ipynb (Web-Viewer), MS_USA_2016.ipynb (Web-Viewer)

• P. Stursberg, G. Thäter: Social Choice, Gespräch im Modellansatz Podcast, Folge 129, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017.
• M. Lübbecke, S. Ritterbusch: Operations Research, Gespräch im Modellansatz Podcast, Folge 110, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016.
• P. Staudt, G. Thäter: Wahlsysteme, Gespräch im Modellansatz Podcast, Folge 27, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014.
• M. Fehndrich, T. Pritlove: Wahlrecht und Wahlsysteme, Gespräch im CRE Podcast, Folge 128, Metaebene Personal Media, 2009.

In den nächsten Wochen bis zum 20.2.2020 möchte Anna Hein, Studentin der Wissenschaftskommunikation am KIT, eine Studie im Rahmen ihrer Masterarbeit über den Podcast Modellansatz durchführen. Dazu möchte sie gerne einige Interviews mit Ihnen, den Hörerinnen und Hörern des Podcast Modellansatz führen, um herauszufinden, wer den Podcast hört und wie und wofür er genutzt wird. Die Interviews werden anonymisiert und werden jeweils circa 15 Minuten in Anspruch nehmen. Für die Teilnahme an der Studie können Sie sich bis zum 20.2.2020 unter der Emailadresse [email protected] bei Anna Hein melden. Wir würden uns sehr freuen, wenn sich viele Interessenten melden würden.

Gudruns Arbeitsgruppe begrüßte im Januar 2020 Andrea Walther als Gast. Sie ist Expertin für das algorithmische Differenzieren (AD) und ihre Arbeitsgruppe ist verantwortlich für das ADOL-C Programmpaket zum algorithmischen Differenzieren. Zusammen mit Andreas Griewank hat sie 2008 das Standardbuch zu AD veröffentlicht.

Im Abitur und im mathematischen Grundstudium lernt jede und jeder Anwendungen kennen, wo Ableitungen von Funktionen gebraucht werden. Insbesondere beim Auffinden von Minima und Maxima von Funktionen ist es sehr praktisch, dies als Nullstellen der Ableitung zu finden.

Bei der Modellierung komplexer Zusammenhänge mit Hilfe von partiellen Differentialgleichungen ist es möglich, diese Idee in ein abstrakteres Setting zu Übertragen. Eine sogenannte Kostenfunktion misst, wie gut Lösungen von partiellen Differentialgleichungen einer vorgegebenen Bedingung genügen.

Man kann sich beispielsweise einen Backofen vorstellen, der aufgeheizt wird, indem am oberen und unteren Rand eine Heizspirale Wärme in den Ofen überträgt. Für den Braten wünscht man sich eine bestimmte Endtemperaturverteilung. Die Wärmeverteilung lässt sich mit Hilfe der Wärmeleitungsgleichung berechnen. In der Kostenfunktion wird dann neben der gewünschten Temperatur auch noch Energieeffizienz gemessen und die Abweichung von der Endtemperatur wird zusammen mit der benötigten Energie minimiert.

Auch hierzu werden Ableitungen berechnet, deren Nullstellen helfen, diese Kosten zu minimeren. Man spricht hier von optimaler Steuerung. Eine Möglichkeit, die abstrakte Ableitung auszudrücken, ist das Lösen eines sogenannten adjungierten partiellen Differenzialgleichungsproblems.

Aber hier wird es sehr schwierig, immer schnell und fehlerfrei Ableitungen von sehr komplexen und verschachtelten Funktionen zu berechnen, zumal sie für jedes Problem immer wieder neu und anders aussehen. Außerdem braucht man in der numerischen Auswertung des Algorithmus oft nur Werte dieser Ableitung an bestimmten Stellen.

Deshalb ist die effiziente Berechnung von Funktionswerten der Ableitung ein unverzichtbarer Baustein in zahlreichen Anwendungen, die von Methoden zur Lösung nichtlinearer Gleichungen bis hin zu ausgefeilten Simulationen in der Optimierung und optimalen Kontrolle reichen. Am liebsten sollte dies der Computer fehlerfrei oder doch mit sehr kleinen Fehlern übernehmen können.

Auch für das Newtonverfahren braucht man die Ableitung der Funktion. Es ist das Standardverfahren zur Lösung nichtlinearer Gleichungen und Gleichungssysteme.

Das algorithmische Differenzieren (AD) liefert genaue Werte für jede Funktion, die in einer höheren Programmiersprache gegeben ist, und zwar mit einer zeitlichen und räumlichen Komplexität, die durch die Komplexität der Auswertung der Funktion beschränkt ist.

Der Kerngedanke der AD ist die systematische Anwendung der Kettenregel der Analysis. Zu diesem Zweck wird die Berechnung der Funktion in eine (typischerweise lange) Folge einfacher Auswertungen zerlegt, z.B. Additionen, Multiplikationen und Aufrufe von elementaren Funktionen wie zum Beispiel Exponentialfunktion oder Potenzen. Die Ableitungen bezüglich der Argumente dieser einfachen Operationen können leicht berechnet werden. Eine systematische Anwendung der Kettenregel ergibt dann die Ableitungen der gesamten Sequenz in Bezug auf die Eingangsvariablen

Man unterscheidet zwei Verfahren: den Vorwärts- und den Rückwärtsmodus. Im Vorwärtsmodus berechnet man das Matrizenprodukt der Jacobi-Matrix mit einer beliebigen Matrix (sogenannte Seedmatrix), ohne vorher die Komponenten der Jacobi-Matrix zu bestimmen. Der Rückwärtsmodus besteht aus zwei Phasen. Die Originalfunktion wird zunächst ausgeführt und gewisse Daten abgespeichert. Anschließend rechnet man rückwärts. Dabei werden Richtungsableitungen übergeben und es werden die im ersten Schritt gespeicherten Daten verwendet.

Mit dem Rückwärtsmodus von AD ist es möglich, den Gradienten einer skalarwertigen Funktion mit Laufzeitkosten von weniger als vier Funktionsauswertungen zu berechnen. Diese Grenze ist auch noch völlig unabhängig von der Anzahl der Eingangsvariablen. Das ist phänomenal effektiv, aber er ist mit einem erhöhten Speicherbedarf verbunden. Im Laufe der Jahre wurden Checkpointing-Strategien entwickelt, um einen goldenen Mittelweg zu finden.

Die Methoden sind für viele und sehr unterschiedliche Anwendungen interessant. In DFG-Projekten an denen Andrea beteiligt war und ist, wurde das unter anderem für die Modellierung von Piezokeramiken und für die Maxwellsche Wellengleichung umgesetzt. Außerdem sprechen Gudrun und Andrea über die Optimierung der Form einer Turbinenschaufel.

Andrea begann ihre berufliche Laufbahn mit einer Ausbildung zur Bankkauffrau in Bremerhaven. Sie entschied sich anschließend für ein Studium der Wirtschaftsmathematik, um Mathematik und ihren erlernten Beruf zusammen zu halten. Unter den wenigen verfügbaren Standorten für so ein Studium in Deutschland entschied sie sich für die Universität Bayreuth. Nach Abschluss des Diploms gab es die Chance, an der TU Dresden im Optimierungsfeld zu arbeiten. Dort promovierte sie, wurde es später Leiterin der selbständigen Nachwuchsgruppe "Analyse und Optimierung von Computermodellen", Juniorprofessorin für "Analyse und Optimierung von Computermodellen" und habilitierte sich. 2009-2019 war sie als Professorin für "Mathematik und ihre Anwendungen" an der Universität Paderborn tätig. Seit Oktober 2019 ist sie Professorin für "Mathematische Optimierung", Humboldt-Universität zu Berlin.

• A. Griewank und A. Walther: Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation, Second Edition. SIAM (2008).
• A. Gebremedhin und A. Walther: An Introduction to Algorithmic Differentiation. in WIREs Data Mining and Knowledge Discovery.
• S. Fiege, A. Walther und A. Griewank: An algorithm for nonsmooth optimization by successive piecewise linearization. Mathematical Programming 177(1-2):343-370 (2019).
• A. Walther und A. Griewank: Characterizing and testing subdifferential regularity for piecewise smooth objective functions. SIAM Journal on Optimization 29(2):1473-1501 (2019).

• G. Thäter, A. Zarth: Automatic Differentiation, Gespräch im Modellansatz Podcast, Folge 167, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018.
• G. Thäter, P. Allinger und N. Stockelkamp: Strukturoptimierung, Gespräch im Modellansatz Podcast, Folge 053, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015.

In den nächsten Wochen bis zum 20.2.2020 möchte Anna Hein, Studentin der Wissenschaftskommunikation am KIT, eine Studie im Rahmen ihrer Masterarbeit über den Podcast Modellansatz durchführen. Dazu möchte sie gerne einige Interviews mit Ihnen, den Hörerinnen und Hörern des Podcast Modellansatz führen, um herauszufinden, wer den Podcast hört und wie und wofür er genutzt wird. Die Interviews werden anonymisiert und werden jeweils circa 15 Minuten in Anspruch nehmen. Für die Teilnahme an der Studie können Sie sich bis zum 20.2.2020 unter der Emailadresse [email protected] bei Anna Hein melden. Wir würden uns sehr freuen, wenn sich viele Interessenten melden würden.

In the coming weeks until February 20, 2020, Anna Hein, student of science communication at KIT, intends to conduct a study on the Modellansatz Podcast within her master's thesis. For this purpose, she would like to conduct some interviews with you, the listeners of the Modellansatz Podcast, to find out who listens to the podcast and how and for what purpose it is used. The interviews will be anonymous and will take about 15 minutes each. To participate in the study, you can register with Anna Hein until 20.2.2020 at [email protected] . We would be very pleased if many interested parties would contact us.

This is the second of three conversation recorded Conference on mathematics of wave phenomena 23-27 July 2018 in Karlsruhe.

Gudrun is in conversation with Mariana Haragus about Benard-Rayleigh problems. On the one hand this is a much studied model problem in Partial Differential Equations. There it has connections to different fields of research due to the different ways to derive and read the stability properties and to work with nonlinearity. On the other hand it is a model for various applications where we observe an interplay between boyancy and gravity and for pattern formation in general.

An everyday application is the following: If one puts a pan with a layer of oil on the hot oven (in order to heat it up) one observes different flow patterns over time. In the beginning it is easy to see that the oil is at rest and not moving at all. But if one waits long enough the still layer breaks up into small cells which makes it more difficult to see the bottom clearly. This is due to the fact that the oil starts to move in circular patterns in these cells.

For the problem this means that the system has more than one solutions and depending on physical parameters one solution is stable (and observed in real life) while the others are unstable. In our example the temperature difference between bottom and top of the oil gets bigger as the pan is heating up. For a while the viscosity and the weight of the oil keep it still. But if the temperature difference is too big it is easier to redistribute the different temperature levels with the help of convection of the oil.

The question for engineers as well as mathematicians is to find the point where these convection cells evolve in theory in order to keep processes on either side of this switch. In theory (not for real oil because it would start to burn) for even bigger temperature differences the original cells would break up into even smaller cells to make the exchange of energy faster.

In 1903 Benard did experiments similar to the one described in the conversation which fascinated a lot of his colleagues at the time. The equations where derived a bit later and already in 1916 Lord Rayleigh found the 'switch', which nowadays is called the critical Rayleigh number. Its size depends on the thickness of the configuration, the viscositiy of the fluid, the gravity force and the temperature difference.

Only in the 1980th it became clear that Benards' experiments and Rayleigh's analysis did not really cover the same problem since in the experiment the upper boundary is a free boundary to the surrounding air while Rayleigh considered fixed boundaries. And this changes the size of the critical Rayleigh number. For each person doing experiments it is also an observation that the shape of the container with small perturbations in the ideal shape changes the convection patterns.

Maria does study the dynamics of nonlinear waves and patterns. This means she is interested in understanding processes which change over time. Her main questions are:

• Existence of observed waves as solutions of the equations
• The stability of certain types of solutions
• How is the interaction of different waves

She treats her problems with the theory of dynamical systems and bifurcations. The simplest tools go back to Poincaré when understanding ordinary differential equations. One could consider the partial differential equations to be the evolution in an infinite dimensional phase space. Here, in the 1980s, Klaus Kirchgässner had a few crucial ideas how to construct special solutions to nonlinear partial differential equations.

It is possible to investigate waterwave problems which are dispersive equations as well as flow problems which are dissipative. Together with her colleagues in Besancon she is also very keen to match experiments for optical waves with her mathematical analysis. There Mariana is working with a variant of the Nonlinear Schrödinger equation called Lugiato-Lefever Equation. It has many different solutions, e.g. periodic solutions and solitons.

Since 2002 Mariana has been Professor in Besancon (University of Franche-Comté, France). Before that she studied and worked in a lot of different places, namely in Bordeaux, Stuttgart, Bucharest, Nice, and Timisoara.

• V.A. Getling: Rayleigh-Bénard Convection Structures and Dynamics, Advanced Series in Nonlinear Dynamics, Volume 11, World Scientific, Oxford (1998)
• P. H. Rabinowitz: Existence and nonuniqueness of rectangular solutions of the Bénard problem. Arch. Rational Mech. Anal. (1968) 29: 32.
• M. Haragus and G. Iooss: Local bifurcations, center manifolds, and normal forms in infinite-dimensional dynamical systems. Universitext. Springer-Verlag London, Ltd., London; EDP Sciences, Les Ulis, 2011.
• Newell, Alan C. Solitons in mathematics and physics. CBMS-NSF Regional Conference Series in Applied Mathematics, 48. Society for Industrial and Applied Mathematics (SIAM), Philadelphia, PA, 1985.
• Y. K. Chembo, D. Gomila, M. Tlidi, C. R. Menyuk: Topical Issue: Theory and Applications of the Lugiato-Lefever Equation. Eur. Phys. J. D 71 (2017).

• S. Fliss, G. Thäter: Transparent Boundaries. Conversation in the Modellansatz Podcast episode 75, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.
• M. Kray, G. Thäter: Splitting Waves. Conversation in the Modellansatz Podcast episode 62, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.
• F. Sayas, G. Thäter: Acoustic scattering. Conversation in the Modellansatz Podcast episode 58, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.

In den nächsten Wochen bis zum 20.2.2020 möchte Anna Hein, Studentin der Wissenschaftskommunikation am KIT, eine Studie im Rahmen ihrer Masterarbeit über den Podcast Modellansatz durchführen. Dazu möchte sie gerne einige Interviews mit Ihnen, den Hörerinnen und Hörern des Podcast Modellansatz führen, um herauszufinden, wer den Podcast hört und wie und wofür er genutzt wird. Die Interviews werden anonymisiert und werden jeweils circa 15 Minuten in Anspruch nehmen. Für die Teilnahme an der Studie können Sie sich bis zum 20.2.2020 unter der Emailadresse [email protected] bei Anna Hein melden. Wir würden uns sehr freuen, wenn sich viele Interessenten melden würden.

In the coming weeks until February 20, 2020, Anna Hein, student of science communication at KIT, intends to conduct a study on the Modellansatz Podcast within her master's thesis. For this purpose, she would like to conduct some interviews with you, the listeners of the Modellansatz Podcast, to find out who listens to the podcast and how and for what purpose it is used. The interviews will be anonymous and will take about 15 minutes each. To participate in the study, you can register with Anna Hein until 20.2.2020 at [email protected] . We would be very pleased if many interested parties would contact us.

This is the first of three conversation recorded Conference on mathematics of wave phenomena 23-27 July 2018 in Karlsruhe. Gudrun talked to Fioralba Cakoni about the Linear Sampling Method and Scattering.

The linear sampling method is a method to reconstruct the shape of an obstacle without a priori knowledge of either the physical properties or the number of disconnected components of the scatterer. The principal problem is to detect objects inside an object without seeing it with our eyes. So we send waves of a certain frequency range into an object and then measure the response on the surface of the body. The waves can be absorbed, reflected and scattered inside the body. From this answer we would like to detect if there is something like a tumor inside the body and if yes where. Or to be more precise what is the shape of the tumor. Since the problem is non-linear and ill posed this is a difficult question and needs severyl mathematical steps on the analytical as well as the numerical side.

In 1996 Colton and Kirsch (reference below) proposed a new method for the obstacle reconstruction problem in inverse scattering which is today known as the linear sampling method. It is a method to solve the above stated problem, which scientists call an inverse scattering problem. The method of linear sampling combines the answers to lots of frequencies but stays linear. So the problem in itself is not approximated but the interpretation of the response is.

The central idea is to invert a bounded operator which is constructed with the help of the integral over the boundary of the body.

Fioralba got her Diploma (honor’s program) and her Master's in Mathematics at the University of Tirana. For her Ph.D. she worked with George Dassios from the University of Patras but stayed at the University of Tirana. After that she worked with Wolfgang Wendland at the University of Stuttgart as Alexander von Humboldt Research Fellow. During her second year in Stuttgart she got a position at the University of Delaware in Newark. Since 2015 she has been Professor at Rutgers University. She works at the Campus in Piscataway near New Brunswick (New Jersey).

• F. Cakoni, D. Colton and H. Haddar, Inverse Scattering Theory and Transmission Eigenvalues, CBMS-NSF Regional Conference Series in Applied Mathematics, 88, SIAM Publications, 2016.
• F. Cakoni, D. Colton, A Qualitative Approach to Inverse Scattering Theory, Springer, Applied Mathematical Series, Vol. 188, 2014.
• T. Arens: Why linear sampling works, Inverse Problems 20 163-173, 2003. https://doi.org/10.1088/0266-5611/20/1/010
• A. Kirsch: Characterization of the shape of a scattering obstacle using the spectral data of the far field operator, Inverse Problems 14 1489-512, 1998
• D. Colton, A. Kirsch: A simple method for solving inverse scattering problems in the resonance region, Inverse Problems 12 383-93, 1996.

• S. Fliss, G. Thäter: Transparent Boundaries. Conversation in the Modellansatz Podcast episode 75, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.
• M. Kray, G. Thäter: Splitting Waves. Conversation in the Modellansatz Podcast episode 62, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.
• F. Sayas, G. Thäter: Acoustic scattering. Conversation in the Modellansatz Podcast episode 58, Department of Mathematics, Karlsruhe Institute of Technology (KIT), 2015.

Emmy Noether, eine der bedeutendsten Mathematiker*innen weltweit, prägte mit ihren „Arbeits- und Auffassungsmethoden“ die moderne Algebra und trug entscheidend zur Algebraisierung mathematischer Disziplinen bei. Mit ihrer 1918 publizierten Habilitationsschrift löste sie zentrale mathematische Probleme der allgemeinen Relativitätstheorie. Am 4. Juni 1919 hielt Emmy Noether ihren Habilitationsvortrag. Sie war die erste Frau, die in Preußen habilitiert wurde. Genau 100 Jahre später stellte in Berlin eine interdisziplinäre Fachkonferenz deshalb die Frage: „Wie kommt das Neue in die Welt?“

Die Tagung wurde gemeinsam veranstaltet vom Berliner Exzellenzcluster MATH+, der Zentralen Frauenbeauftragten der Freien Universität Berlin und dem Max-Planck-Institut für Wissenschaftsgeschichte. Aus mathematischer, physikalischer, wissenschaftstheoretischer und ‑historischer Perspektive beleuchtete die Konferenz die Bedeutung Noethers bis in die Gegenwart. Darüber hinaus nahm sie Strukturen und Prozesse der Diskriminierung und Marginalisierung in den Blick, die Noether als Frau jüdischer Herkunft im deutschen Wissenschaftssystem widerfuhren und die Rezeption ihrer mathematischen Leistungen auch über ihren Tod hinaus beeinträchtigten.

Den Abschluss bildete am 6. Juni 2019 eine öffentliche Podiumsdiskussion zur Frage "Wie kommt das Neue in die Welt? Reflexionen über das Verhältnis von Mathematik, Gesellschaft, Geschlecht und Diversität" unter Moderation von Jan-Martin Wiarda (Wissenschaftsjournalist). Das Gespräch hat Gudrun für unseren Podcast mitgeschnitten.

Auf dem Podium waren vertreten:

• Prof. Dr. Katja Eilerts, Abteilung Grundschulpädagogik – Mathematik im Primarbereich, Humboldt-Universität zu Berlin
• Prof. Dr. Rupert Klein, Vorstandsmitglied des Exzellenzclusters MATH+ und Sprecher des Mathematik-SFB 1114, Freie Universität Berlin
• Prof. Dr. Helena Mihaljević, Professorin für Data Science und Analytics des Einstein Center Digital Future, Hochschule für Technik und Wirtschaft Berlin
• Dr. Anina Mischau, Leiterin der Arbeitsstelle Gender Studies in der Mathematik, Freie Universität Berlin
• Prof. Dr. Caren Tischendorf, Vorstandsmitglied des Exzellenzclusters MATH+, Humboldt-Universität zu Berlin

Außerdem spricht am Ende des Mitschnittes

• Dr. Mechthild Koreuber Frauenbeauftragte der Freien Universität Berlin.

Im Gespräch wird erörtert, inwieweit es zu Konflikten mit der Fachdisziplin Mathematik führt, wenn der Blick auch auf geschlechtergerechte Ausbildung - insbesondere im Lehramt - gelenkt wird. Anina Mischau hat hier Pionierarbeit in der Mathematik an der FU Berlin geleistet. Dort hat sie inzwischen den Eindruck, dass die Arbeit geschätzt wird. Bei der Untersuchung des Anteils von Frauen in den hoch renommierten Fachzeitschriften und auf den alle vier Jahre stattfindenden Intermationalen Konferenzen für Mathematik sind die Zahlen allerdings noch nicht sehr ermutigend. Selbst die relativ gibt es kaum Verbesserungen. Es stellt sich automatisch die Frage, wo diese Unterschiede herkommen. Im Gespräch wird erläutert, inwieweit der fachinterne Wettbewerb männlich geprägt ist und durch welche Maßnahmen es hier eine Veränderung geben kann.

Für jede einzelne Berufung ist es nicht so offensichtlich, wie man hier Gerechtigkeit schaffen kann, wenn die Bewerberlage schon eine Schieflage hat. Die massive Nutzung von zählbaren Größen als wichtiges Kriterium im Vergleich ist ja eigentlich erst sehr jungen Datums und ist für die Arbeit als Professor bzw. Professorin nur ein Anhaltspunkt unter vielen für die Eignung. Die DFG hat hier schon einige ganz gute Ideen implementiert. z.B. in der Vorgabe nur eine vorgegebene Anzahl von Veröffentlichungen beizufügen, die relevant sind und auch von Gutachtern in ihr Bild einbezogen werden können (statt Anzahlen zu vergleichen).

Frauen müssen schon früh von außen Bestätigung bekommen, wenn sie sich als begabt und geeignet zeigen. Das Übersehen von Talent abseits der ausgetretenen Pfade wird sich in jedem Fall als Nachteil für jede Bildungseinrichtung auswirken. Häufig geht es hier auch um Themenfelder, die etwa abseits der Trends liegen.

Das Theaterstück „Mathematische Spaziergänge mit Emmy Noether" kann am 10. Dezember 2019 in Göttingen sowie am 12. Mai 2020 in München besucht werden.

Das Exzellenzclusters MATH+ ist ein institutionenübergreifender und transdisziplinärer Exzellenzcluster. Ziel ist es, neue Ansätze in der anwendungsorientierten Mathematik zu erforschen und weiterzuentwickeln. Der Schwerpunkt liegt auf mathematischen Prinzipien zur Nutzung immer größerer Datenmengen in den Lebens- und Materialwissenschaften, in der Energie- und Netzwerkforschung sowie in den Geistes- und Sozialwissenschaften. Innerhalt des Clusters gibt es auch ein soziologisches Projekt, das die Karrierewege der beteiligten jungen Wissenschaftler und Wissenschaftlerinnen über einen längeren Zeitraum begleiten und untersuchen wird.

MATH+ wird von der DFG für einen ersten Zeitraum von sieben Jahren seit Januar 2019 gefördert. Es ist ein Gemeinschaftsprojekt der drei großen Berliner Universitäten - Freie Universität Berlin, Humboldt-Universität zu Berlin und Technische Universität Berlin - sowie des Weierstraß-Instituts für Angewandte Analysis und Stochastik (WIAS) und des Zuse Instituts Berlin (ZIB). MATH+ setzt die Erfolgsgeschichten des renommierten Forschungszentrums MATHEON und der Excellence-Graduate School Berlin Mathematical School (BMS) fort.

Prof. Dr. Katja Eilerts
Professorin für Grundschulpädagogik, Dr. rer. nat., promovierte in der Fakultät für Informatik, Elektrotechnik und Mathematik an der Universität Paderborn; 1997-2000 Studium des Lehramtes für die Primarstufe, Universität Paderborn; seit 2014 W2-Professorin für Grundschulpädagogik - Lernbereich Mathematik an der Humboldt Universität zu Berlin; 2012 Ruf auf eine W2-Professur an der Freien Universität Berlin (abgelehnt); 2012-2014 W2-Professorin für Grundschulpädagogik/Mathematik an der Universität Potsdam; 2011-2012 Gast-Professorin an der Freien Universität Berlin; 2009-2011 Vertretungs-Professorin an der Universität Kassel im Bereich der Mathematik-Didaktik; 2007-2009 Wissenschaftliche Mitarbeiterin, Fakultät für Informatik, Elektrotechnik und Mathematik, Universität Paderborn; 2005-2007 Stipendiatin des Graduiertenkollegs der Universität Paderborn & Lehrauftrag an der Fakultät für Informatik, Elektrotechnik und Mathematik, Universität Paderborn.

Prof. Dr. Rupert Klein
Professor für numerische Strömungsmechanik an der Freien Universität Berlin.
1979-1983 Studium Maschinenbau an der RWTH Aachen; Promotion 1988 in Maschinenbau; 1988-1990 Post-Doktorand, Mathematik, Princeton University; ab 1991 wissenschaftlicher Assistent in Aachen; 1995 Habilitation; 1996/97 Professor für Sicherheitstechnik an der Bergischen Universität Wuppertal; 1997-2007 Abteilungsleiter Data & Computation am Potsdam-Institut für Klimafolgenforschung (2006-2007 stellv. Direktor); ab 1997 Professor für Wissenschaftliches Rechnen (Scientific Computing) und Modellierung und Simulation globaler Umweltsysteme an der FU Berlin.

Dr. Mechthild Koreuber
Dipl. Mathematikerin, promovierte Mathematikhistorikerin; Studium der Mathematik, Geschichte, Politikwissenschaften und Philosophie an der Freien Universität Berlin; 1990–1998 wissenschaftliche Mitarbeiterin in der theoretischen Informatik an der Technischen Universität Berlin; seit 1999 hauptberufliche Zentrale Frauenbeauftragte der Freien Universität Berlin; 2015 Promotion über Emmy Noether und die Noether-Schule.

Prof. Dr. Helena Mihaljević
Promovierte Mathematikerin, Studium der Mathematik an der Georg-August-Universität Göttingen; 2006–2009 Promotion in Mathematik an der University of Liverpool zu Topologischer Dynamik ganzer transzendenter Funktionen; 2009–2011 wissenschaftliche Mitarbeiterin am Mathematischen Seminar der Christian-Albrechts-Universität zu Kiel; 2011–2014 Editorin und stellvertretende Abteilungsleiterin bei FIZ Karlsruhe – Leibniz Institut für Informationsinfrastruktur, Abteilung Mathematik und Informatik; 2014–2018 Senior Data Scientist bei The unbelievable Machine Company, Berlin; seit 2018 Professorin für Data Science an der Hochschule für Technik und Wirtschaft (HTW) Berlin (Professur gehört zum Einstein Center Digital Future).

Dr. Anina Mischau Soziologin
2002-2013 wissenschaftliche Mitarbeiterin am Interdisziplinären Zentrum für Frauen- und Geschlechterforschung (IFF) der Universität Bielefeld; 2012-2015 Gastprofessur für „Gender Studies in der Mathematik und Didaktik der Mathematik“ am FB Mathematik und Informatik der Freien Universität Berlin; 2015-2016 Gastprofessur zur „Integration von Genderkompetenz in die Lehramtsausbildung Primarstufe Mathematik“ am Institut für Erziehungswissenschaften, Abteilung Grundschulpädagogik – Lernbereich Mathematik der Humboldt-Universität zu Berlin; seit 2016 wissenschaftliche Mitarbeiterin am FB Mathematik und Informatik der FU Berlin, Leiterin der Arbeitsstelle „Gender Studies in der Mathematik“.

Prof. Dr. Caren Tischendorf
Studium der Mathematik in Berlin und Moskau; 1996 Promotion an der Humboldt-Universität zu Berlin in Numerischer Analysis, 2002-2004 Vorsitzende der Nachwuchsforschungsgruppe Numerische Analysis am DFG-Forschungszentrum MATHEON; 2004 Habilitation in Mathematik an der Humboldt-Universität zu Berlin; 2004-2006 Gastprofessorin an der TU; 2006-2012 Professorin für Mathematik/Numerische Analysis (W2) an der Universität zu Köln; seit Mai 2012 Professorin für Angewandte Mathematik am Institut für Mathematik an der Humboldt-Universität.

• Noether Konferenz im Juni 2019 in Berlin
• MATH+

• K. Eilerts & K. Skutella (Hrsg.): Materialien für einen realitätsbezogenen Mathematikunterricht. (ISTRON, Bd. 5). Hildesheim: Franzbecker, 2019.
• H. Mihaljević e.a.: Reflections on Gender Analyses of Bibliographic Corpora. In: Frontiers in Big Data, S. 1-9, 2019, ISSN 2624-909X
• M. Koreuber, A. Mischau: Mathematik: Geschlechterforschung in disziplinären Zwischenräumen. In B. Kortendiek e.a. (Hrsg.), Handbuch Interdisziplinäre Geschlechterforschung. Geschlecht und Gesellschaft, Bd. 65 (S. 719-728), Wiesbaden: Springer VS (2019).
• H. Mihaljević: A data analysis of women's trails among ICM speakers. In World Women in Mathematics 2018. Proceedings of the First World meeting for Women in Mathematics (WM)² , S. 1-18, Springer,
• L. Santamaria, H. Mihaljević: Comparison and benchmark of name-to-gender inference services. In: Peer J Computer Science, 2018, ISSN 2376-5992
• K. Eilerts & A. Mischau: Importance and possibility of integrating gender competence as a key qualification in mathematics teacher education. Paper für CERME10 vom 01.-05.02.2017, Dublin.
• H. Mihaljević e.a.: The Effect of Gender in the Publication Patterns in Mathematics. In: PLOS ONE, S. 1-23, 2016
• Gendergap in science
• Bericht des Oberwolfach Mini-Workshops Women in Mathematics: Historical and Modern Perspectives 8.-14.1. 2017.

• M. Koreuber, R. Klein, G. Thäter: Emmy Noether, Gespräch im Modellansatz Podcast, Folge 203, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.
• A. Mischau, M. Koreuber, G. Thäter: Gender und Mathematik, Gespräch im Modellansatz Podcast, Folge 142, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017.
• M. Jungbauer-Gans: Frauen in der Wissenschaft – Gleiche Chancen, Ungleiche Voraussetzungen? Zentrum für Gender Studies und feministische Zukunftsforschung, Podcast Kombinat, Universität Marburg, 2016.