Im Rahmen der Vorlesung Mathematical Modelling and Simulation haben Jan Dietrich und Alexander Grötz ein Projekt bearbeitet, wo sie Verkehr mit Hilfe der Software VISSIM simulieren. Die Idee kam ihnen durch ein Praktikum Firma ptvgroup an der Verkehrsmodellierung, das Jan Dietrich kürzlich dort absovliert hat. Im Gespräch geht es um verschiedene Formen der Modellierung von Verkehrsflüssen und um konkrete Umsetzung des Modells in VISSIM. Der ersten Teil des Podcasts ist dabei der theorietischen Ausgestaltung von Verkehrsmodellen gewidmet. Im Wesentlichen unterschiedet man zwischen zwei Gruppen von Verkehrsmodellen. Während die so genannten Verkehrsflussmodelle, die die zeitliche Veränderung des Verkehrsaufkommens untersuchen, werden Verkehrsnachfragemodelle dazu verwendet, um Aussagen über das Verkehrsaufkommen in einem Jahr oder die Aufteilung dieser Nachfrage auf die verschiedenen Transportmittel zu treffen. Weiter werden diese beiden Gruppen nochmals in drei Kategorien uterteilt; genauer in Makroskopische Modelle, Mesoskopische Modelle und Mikroskopische Modelle.Eine letzte Unterscheidungsmöglichkeit zwischen einzelnen (Verkehrs-)Modellen ist der Zufall: Wenn jede Modellvariable in dem Sinn "vorhersehbar", dass die quantitative Ausprägung der einzelnen Variablen für alle betrachteten Zeiten exakt berechenbar sind und über deren Ausprägung keine Unsicherheit herrscht, sprich man von deterministischen Modellen. Oft ist es jedoch so, dass man bestimmte Ereignisse oder auch Handlungen der einzelnen Verkehrsteilnehmer nicht exakt vorhersehen kann. Dadurch erhält man aber gewisse Unsicherheiten bei der Berechnung zukünftiger Zustände, weil man die genaue Ausprägung der zufälligen Größen erst ex post kennt. Man wird im Allgemeinen also nie den exakten Zustand eines Modells mit solchen zufälligen Einflussgrößen bestimmen können. Solche Modelle, die Zufallsvariablen beinhalten, nennt man stochastisch. Im zweiten Teil des Podcasts, geht es um die praktische Umsetzung von Verkehrsmodellen mit Hilfe der Software PTV VISSIM. In VISSIM werden zahlreiche Aspekte des Straßenverkehrs sehr realitätsnah und graphisch ansprechend abgebildet. Neben der reinen Simulation der Bewegung von Fahrzeugen wird dabei auch auf viele Details, die das Verhalten der Fahrzeuge in der Realität beeinßussen, Rücksicht genommen. Unter anderem werden verschiedene Fahrzeugklassen und deren unterschiedliches Verhalten beim Bremsvorgang berücksichtigt, aber auch Dinge wie Vorfahrtsregelungen und Spurwechsel können modelliert werden. Mit der Erweiterung PTV Viswalk kann sogar auf das Verhalten einzelner Fußgänger Rücksicht genommen werden. Die Modellierung der Bewegung der einzelnen Verkehrsteilnehmer in PTV Vissim basiert dabei grundlegend auf dem Fahrzeugfolgemodell von Rainer Wiedemann, einem s.g. mikroskopischen, stochastischen Verkehrsfolgemodell, in welches auch psychologische Aspekte der Verkehrsmodellierung mit einfließen. Um auch den Zuhörern des Podcasts, einen ersten Eindruck von VISSIM vermitteln zu können, hat Jan sich bereit erklärt, die grundlgenden Funktionen von VISSIM in einem kurzen Einführungsvideo vorzustellen. Weitere Modellierungsmöglichkeiten mit VISSIM findet man z.B in der zum Podcas gehörenden Ausarbeitung, die neben der Einführung in VISSIM auch einen Überblick über das Verkhsmodellierung im Allgemeinen gibt. Wie man im Einführungsvideo gut sehen kann, muss man für eine möglichst realitätsnahe Modellierung des Straßenverkehrs einige Parameter einstellen. Sinnvolle Kenngrößen für in die Simulation eingehenden Daten (wie z.B. das Verkehrsaufkommen in den einzelnen Fahrbahnen, Beschleunigung und Bremsstärke für einzelne Fahrzeugklassen, die Schaltung der Ampeln, etc.) müssen vor der Eingabe in Vissim zuerst aber noch ermittelt werden. Oft, wie beispielsweise beim erwarteten Verkehrsaufkommen, erfordert dies wiederum eigene Modelle. Einen guten Überblick über das Thema Verkehrsplanung, insbesondere im Zusammenhang mit dem Thema der Verkehrsnachfrage, bietet beispielsweise das Paper von Firedrich. Literatur und weiterführende Informationen U. Clausen, C. Geiger: Verkehrs- und Transportlogistik VDI-Buch, 2013. ISBN 978-3-540-34299-1 M. Treiber, A. Kesting: Verkehrsdynamik Springer, 2010. ISBN 978-3-642-32459-8 Friedrich, Markus. "Wie viele? Wohin? Womit? Was können uns Verkehrsnachfragemodelle wirklich sagen.Tagungsbericht Heureka 11 (2011). Fellendorf, Martin. VISSIM: Ein Instrument zur Beurteilung verkehrsabhängiger Steuerungen. In: Tagungsband zum Kolloquium "Verkehrsabhängige Steuerung am Knotenpunkt", Forschungsgesellschaft für Strassen- und Verkehrswesen, Köln, (1994) Wiedemann, Rainer. Simulation des Verkehrsflusses. Schriftenreihe des Instituts für Verkehrswesen, Heft 8, Universität (TH) Karlsruhe (seit 2009 KIT - Karlsruher Institut für Technologie), (1974) PTV Youtube-Kanal Podcasts P. Vortisch, G. Thäter: Verkehrsmodellierung I, Gespräch im Modellansatz Podcast, Folge 93, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. U. Leyn, G. Thäter: Verkehrswesen, Gespräch im Modellansatz Podcast, Folge 88, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. K. Nökel, G. Thäter: ÖPNV, Gespräch im Modellansatz Podcast, Folge 91, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. T. Kretz, G. Thäter: Fußgängermodelle, Gespräch im Modellansatz Podcast, Folge 90, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. S. Göttlich, G. Thäter: Verkehrsoptimierung, Gespräch im Modellansatz Podcast, Folge 209, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. 

Modellansatz

Verkehrsflusssimulation

Im Mai 2020 sprach Gudrun mit Verena Knoblauch. Sie ist Lehrerin und Medienpädagogin. Sie arbeitet in einer Nürnberger Grundschule und hat dort Tabletklassen im dritten und vierten Schuljahr unterrichtet. Gudrun und Verena sind sich auf Twitter begegnet. Dort gibt es eine sehr aktive und bunte Gruppe von Lehrpersonen, die sich unter dem Hashtag #twitterlehrerzimmer austauschen. Es gibt auch schon ein anderes Podcastgespräch "aus dem twitterlehrerzimmer" mit Jan-Martin Klinge zu den von ihm verwendeten Lerntheken. Unter dem Eindruck der Corona-Einschränkungen wollte Gudrun gern aus erster Hand erfahren, wie Verena den Unterricht aus der Ferne für die jüngsten Schülerinnen und Schüler gestaltet und erlebt. Verena berichtete, dass es für die Kleinen ohne Präsenzunterricht schwierig ist, da für sie neben den Inhalten des Unterrichts der Kontakt zu Lehrern und Mitschülern mindestens ebenso wichtig ist. Die Gemeinschaft in der Klasse lässt sich aber im Fernunterricht nicht gut herstellen. Verena steht im Zwiespalt wie alle Lehrpersonen: Verteilt man Arbeitsblätter, dann ist den Kindern und deren Eltern recht klar, was genau erledigt werden soll. Aber das ist nach kurzer Zeit schon langweilig. Auch für die Lehrpersonen. Deshalb werden Kolleginnnen und Kollegen auch sehr kreativ bei der Erstellung von freieren Aufgaben. Leider sind dann aber oft die Eltern überfordert und ohne Eltern geht Fernunterricht in der Grundschule nicht. In ihrer Tätigkeit als Grundschullehrerin - auch ohne Corona - gibt es eigentlich keinen Alltag und keine Routine. Verena sieht eine wichtige Rolle darin, zu unterichten wie man sich bei Fragen zu helfen weiß, z.B. mit der Kindersuchmaschine fragFinn. Sie stellt sich nicht als allwissende Lehrperson mit Wissenshoheit vor die Klasse, denn es ist auch für die Kinder wichtig zu lernen: Keiner weiß alles. Und es ist eine wichtige Kompetenz, nicht nur die Eltern oder andere Erwachsene fragen zu müssen, sondern selbst zu suchen und zu finden und mit den Ergebnissen souverän umgehen zu können. Was ist vernünftig, was stimmt, was ist ganz bestimmt Quatsch? Seit einigen Jahren schon setzt Verena in ihren 3. und 4. Klassen auf die Unterstützung durch Tablets für den Unterricht. Die Anregung hierzu kam von außen in Form einer Spende von zwei Klassensätzen Tablets für die Grundschule. Nachdem sie spontan zugesagt hatte, dass sie diese gern für ihren Unterricht einsetzen möchte, musste sie sich zunächst einmal damit beschäftigen, wie man das verwaltet, versichert, aufbewahrt und pflegt. Und mehr darüber lernen, was man nun damit anfangen kann. Hierzu hilft der Austausch mit Kolleginnen aus nah und fern. Verena hat sich aber sogar entschieden dafür noch Medienpädagogik zu studieren. Als erstes fallen einem im Zusammenhang mit Tablets im Unterricht natürlich Übungsapps ein, die es für viele Fächer gibt, wo die Kinder auf sie zugeschnittene Aufgaben finden und gleich Rückmeldung bekommen, was sie richtig gemacht haben. Verena stellte jedoch fest, dass man mit Tablets viel viel mehr machen kann. In Film und Ton und mit Bildern können die Kinder ihre Ideen ausdrücken und sogar erklären, warum sie Sachen so machen und damit zeigen, was sie wie verstanden haben. In einem Projekt haben die Kinder Informationen zu bestimmten Ländern als Reportagen präsentiert, die vor einem Greenscreen aufgezeichnet wurden. Dann konnte ein Bild des Landes als Hintergrund eingefügt werden und schon wirkte es wie ein Bericht vor Ort. Oder eine Lesekiste wird gebastelt, wo eine Szene aus einem Buch nachgebaut wird. "Darin" kann man dann über das Buch berichten, nachdem ein Foto, das in der Kiste aufgenommen wird hinter den Filmbericht gelegt wird. Von dort ist es nur ein kleiner Schritt, zu verstehen wie leicht es ist, nur den Anschein von Wahrheit zu erwecken. Verena ist dann noch etwas weiter gegangen und hat die Schülerinnen und Schüler Fake News produzieren lassen, die professionell aussehen. Wenn man als Drittklässler mit drei Clicks Bilder fälschen kann, dann schaut man sich anderswo Informationen automatisch viel kritischer an. Inzwischen arbeitet Verena in der Fortbildung für Kollegen. Zur Zeit auschließlich in der Form von Webinaren. So kann sie Ihre Erfahrung mit den Möglichkeiten der Tablets im Unterricht recht niederschwellig an Kolleginnen und Kollegen weiter geben. Außerdem ist es interessant, auch Lehrerin für Erwachsene zu sein. Und es hilft ihr davon weg zu kommen als Einzelkämpferin zu arbeiten, wie es in der Schulzeit und im Examen an der Uni gelernt wird. Statt dessen ist es für sie und alle Lehrpersonen ein großer Gewinn, sich zu öffnen und z.B. bei Twitter oder in Fortbildungen neues lernen und von den Ideen der anderen zu profitieren. Literatur und weiterführende Informationen Der Zauberer Korinthe - ein Medienprojekt Stop Motion Film nach einem Gedicht von James Krüss (mit zwei selbst gedichteten Strophen) Blog von V. Knoblauch B. Vorsamer: Besser selber machen SZ vom 26.07.2019 V. Knoblauch: Tablets in der Grundschule. Konzepte und Beispiele für digitales Lernen AOL-Verlag, 2020, ISBN: 978-3-403-10596-1. V. Knoblauch: Escape Rooms für die Grundschule - Klasse 3/4. Auer Verlag, 2020, ISBN: 978-3-403-08435-8. Exciting Edu Talk 2018 YouTube 2019. Plattform Bildung und Digitalität V. Knoblauch, S. Maurer und W. Tiedmann: Grundschule in Zeiten von Homeschooling Vortrag für Pacemaker Initiative auf Vimeo, April 2020. Sketch Notes, Webinar von Verena Wibke Tiedmann, 28.04.2020 Podcasts V. Knoblauch: Die pädagogische Ausbrecherin. Der Durchfechter Podcast Folge 26, April 2020. B. Lutz-Westphal, G. Thäter: Forschendes Lernen, Gespräch im Modellansatz Podcast, Folge 181, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. J.-M. Klinge, G. Thäter: Lerntheken, Gespräch im Modellansatz Podcast, Folge 178, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. 

Grundschule am Tablet

Gudrun sprach im Mai 2020 mit Andreas Bischof. Zu dem Zeitpunkt leitete er eine Forschungsgruppe mit dem Namen Nebeneinander wird Miteinander an der Technischen Universität Chemnitz am Lehrstuhl Medieninformatik. Er hat sich mit der Problematik beschäftigt, falls technische Entwicklungen lediglich vom technisch möglichen gedacht werden statt vom gewollten Ergebnis her. Konkret spiegelt sich das in seiner Forschung zu alternativen Anwendungen für die Gesundheitsrobotik. Er arbeitet in einem interdisziplinären Netzwerk, das Medien und Kommunikation, Mensch-Maschine-Interaktion, Soziologie, Medieninformatik, Design, Wissenschafts- und Technikwissenschaften sowie Soziogerontologie umspannt. Er hat an der Universität Leipzig Kulturwissenschaften studiert. Nach seiner Promotion in der Graduiertenschule Crossworlds an der TU Chemnitz schloss er sich einer Forschungsgruppe an, die sich mit der Integration von Nutzern bei der Gestaltung des Internet der Dinge befasst. 2018 erhielt er eine Förderung des Bundesministeriums für Bildung und Forschung (BMBF) zum Aufbau eines CityLab in Chemnitz. Was macht Roboter sozial? Auf der Suche nach Antworten auf diese Frage besuchte Andreas Bischof Forschungslabors und Konferenzen in Europa und Nordamerika: In der Zukunft sollen Roboter die Fabrikhallen verlassen und Teil von Alltagswelten wie Krankenhäusern, Kindergärten und Privatwohnungen werden. Die Konstrukteur_innen der zahlreichen Forschungsprojekte hierzu stehen vor der Herausforderung, die Ambivalenzen und Kontingenzen alltäglicher Interaktionen in die diskrete Sprache der Maschinen zu übersetzen. Die ethnografische Studie zeichnet nach, welche Forschungsziele in der Sozialrobotik vorherrschen und welche Implikationen die jeweiligen epistemischen Praktiken der Ingenieur_innen für die Konstruktion von Sozialrobotern haben. Wenn derzeit die gesellschaftliche Relevanz von Robotern thematisiert wird, dann fast immer der Einsatz in Pflegesettings. Roboter sind Teil der Lösungen des »Pflegenotstands«, auch wenn keine marktreifen Pflegeroboter existieren und weder Gepflegte noch Pflegende Interesse an solcher Technologie artikulieren. Ebenso gibt es auf Seiten der Entwickler wenige Bestrebungen, die Forschung an den tatsächlichen Bedarfen der Pflege auszurichten. Gudrun und Andreas hatten seit 2012 immer mal wieder virtuell Kontakt, weil Andreas das ehemalige Leipziger Label analogsoul mitgeführt hat. Dort hat Gudrun Musik gekauft und am Projekt I Am A Forest teilgenommen. Die Idee, dieses Gespräch für den Modellansatz zu führen entstand allerdings aus einem kurzen Gedankenaustausch auf dem Podcaster Forum sendegate. Andreas fand, dass sich doch ein Format wie der Modellansatz gut eignen würde, um Forschung an einer TU zu präsentieren. So wurde er zum Mitinitiator des TUCscicasts, der forschende an der TU Chemnitz ausführlich zu Wort kommen lässt und direkt am Rektorat angebunden ist. Literatur und weiterführende Informationen A. Bischof: Soziale Maschinen bauen – Epistemische Praktiken der Sozialrobotik Transkript Verlag 2017. A. Bischof: Problematische Aspekte der MRI-Forschung, Epistemologische und methodologische Kritik des Zustands eines Feldes Mensch und Computer 2019 - Workshopband. Bonn: Gesellschaft für Informatik e.V., 2019. DOI: 10.18420/muc2019-ws-658 A. Bischof: „Wir wollten halt etwas mit Robotern in Care machen“. Epistemische Bedingungen der Entwicklungen von Robotern für die Pflege in J. Hergesell, A. Maibaum, M. Meister (Hrsg.) Genese und Folgen der »Pflegerobotik«, Beltz Juventa, 2020. A. Bischof: Musicians - from Genius to Participation TED-Talk 2015. Rezo: Die Zerstörung der CDU YouTube, 18.05.2019. Thread zu Rezo-Video als Vorlesung Pepper Roboter Pflege Roboter Paro N. Rößler: Soziale Pflege-Roboter setzen sich nur langsam durch Deutschlandfunk: Hintergrund vom 18.02.2019. Podcasts J. Ehlers, G. Thäter: Mensch-Maschine-Interaktion, Gespräch im Modellansatz Podcast, Folge 187, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. P. Purgathofer, T. Pritlove: Mensch-Maschine Interaktion, CRE Folge 131, Technik Kultur Gesellschaft, Metaebene Personal Media, 2009. Soziale Roboter – fehlendes Fingerspitzengefühl detektor.fm 11.07.2017. Episode 17: Gebt Oma & Opa einen Roboter! – Soziale Maschinen in der Pflege Das neue Berlin: Wie Roboter auf die Welt kommen Episode 33 vom 29. Juni 2019 Schaubühne Podcast: Heinz Bude im Gespräch mit Elisabeth André 25. November 2019

Soziale Maschinen

Gudrun spricht mit Petra Schwer und Thomas Kahle. Alle drei sind während des Gesprächs jeweils in ihrem Wohnzimmer und treffen sich auf einer Videoplattform. Deshalb ist es etwas schwieriger, stets nur nacheinander zu sprechen. Petra und Thomas sind an der Otto von Guericke Universität in Magdeburg Professorin bzw. Professor am Institut für Algebra und Geometrie. Der Anlass des Gespräches ist, dass die beiden kürzlich einen Mathepodcast gestartet haben, nämlich Pi ist genau drei. Zur Zeit des Gespräches, im April 2020, waren dort die ersten drei Episoden veröffentlicht mit den Themen Was ist Mathematik, Beweise, Offene Probleme. Im Podcast Pi ist genau drei ist jeweils eine der beiden Personen auf das Thema vorbereitet, die andere wird "überrascht". Als Publikum kann man auf diese Art und Weise die beiden beim Denken und Ideen entwickeln beobachten und sich zum mitdenken anregen lassen. Im Gespräch von Gudrun, Thomas und Petra geht es darum, wie man Mathematik im Podcastformat darstellen kann. Welche Erfahrungen und Wünsche wurden von ihnen gemacht? Inwieweit gehört Mut dazu, sich relativ ungeschützt beim Diskutieren und Ideen Entwickeln zu zeigen und welche Vorteile hat es, diesen Mut aufzubringen? Davon ausgehend reden Sie auch darüber, wie sich Aspekte des Nachfragens und des offenen Denk-Raumes auch in der Lehre realisieren lassen sollten. Weil sie selbst durch andere Podcasts inspiriert worden sind, es selbst zu versuchen, empfehlen sie auch ihre Lieblingspodcasts. weitere Informationen Der Titel des Podcasts spielt auf eine Szene der Serie Die Simpsons an. In dieser Episode (S12E16 „Bye Bye Nerdy“, dt: „Lisa knackt den Rowdy-Code“) verschafft sich Professor Frink durch die schockierende Aussage „Pi ist genau drei!“ die Aufmerksamkeit seiner Kollegen. Podcasts Pi ist genau drei - der irgendwas mit Mathe Podcast aus Magdeburg P. Schwer: Metrische Geometrie, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 102, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. Podcast-Empfehlungen von Thomas, Gudrun und Petra: Anekdotisch Evident Hotel Matze Was denkst Du denn Mein Freund der Baum Thomas hat den Modellansatz kennengelernt über die Folge: G. Thäter, E. Duarte: Algebraic Geometry, Gespräch im Modellansatz Podcast, Folge 171, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. 

Pi ist genau 3

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. Literatur und weiterführende Informationen 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. Podcasts 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.

Energie und KI

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. Literatur und weiterführende Informationen Veranstaltung zum Erscheinen der Fußballfibel F. Blendin: Fußballfibel FSV Frankfurt Redtenbacher als Mathematisierer des Maschinenbaus MINT-Kolleg Baden-Württemberg Podcasts von Franziska 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 Podcasts zum Thema 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.

Fernstudium Maschinenbau

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. Literatur und weiterführende Informationen 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) Podcasts 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.

Machine Learning - Maschinelles Lernen

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. References 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 Podcasts 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. 

Photoacoustic Tomography

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. References 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 Podcasts 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. 

Waveguides

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 studie.modellansatz@web.de 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. Literatur und weiterführende Informationen 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) Podcasts 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.

Gruppenentscheidungen

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 studie.modellansatz@web.de 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. Literatur und weiterführende Informationen 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). Podcasts 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. 

Algorithmisches Differenzieren

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 studie.modellansatz@web.de 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 studie.modellansatz@web.de . 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. References 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). Podcasts 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. 

Pattern Formation

 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 studie.modellansatz@web.de 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 studie.modellansatz@web.de . 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). References 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. Podcasts 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. 

Linear Sampling

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. Die Referent*innen im Detail 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. Literatur und weiterführende Informationen 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. Podcasts 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.

Emmy Noether Konferenz

Gudrun traf im November 2019 Jan Richter. Er ist einer der Gründer der Batemo GmbH in Karlsruhe. Mit den Kollegiaten von SiMET hatte Gudrun das Unternehmen kurz vorher in der Technologiefabrik besucht und dabei das Podcast-Gespräch vereinbart. Batemo ist noch ein recht junges Unternehmen. Es wurde im März 2017 von Michael Schönleber und Jan Richter gegründet. Die beiden haben an der KIT-Fakultät für Elektrotechnik und Informationstechnik promoviert. Sie hatten sich schon länger mit der Idee auseinandergesetzt, im Anschluss an die Promotionszeit den Schritt zur Unternehmensgründung zu wagen. Es war klar, dass sie sich mit einem Thema beschäftigen möchten, das Ihnen ermöglicht, die Entwicklung von Akkus zu beeinflussen. Außerdem wollten sie gern ohne finanzielle Fremdmittel auskommen, um in jedem Moment die volle Kontrolle zu behalten. Inzwischen ist das gut gelungen und die Firma ist auf Simulationssoftware für Lithium-Ionen-Batterien spezialisiert. Für beliebige Lithium-Ionen-Zellen erstellen sie einen digitalen Zwilling, also ein Modell im Computer. Dass sie damit glaubwürdig für zahlungsfähige Kunden sind, liegt daran, dass sie auch die Validität dieser Modelle im gesamten Betriebsbereich nachweisen. Die Modelle sind sehr komplexe und stark nichtlinear gekoppelte Systeme aus algebraischen und partiellen Differentialgleichungen, die die physikalischen, chemischen und thermodynamische Prozesse abbilden. Sie sind auch dafür geeignet, das Verhalten der Akkus über die Lebenszeit der Zellen hin nachzubilden. Es ist besonders herausfordernd, da die Prozesse in unterschiedlichen Längen- und Zeitskalen ablaufen. Zwei Fragen, die beim Besuch mit den SiMET-Kollegiaten im Mittelpunkt des Gespräches standen, sind: Mit welchen Betriebsstrategien wird die Lebensdauer der Zellen erhöht? Wie werden innovative Schnellladeverfahren entwickelt, die die Zellen nicht zu schnell altern lassen? Im Gespräch berichtet Jan auch davon, wieso er sich für ein Studium der Elektrotechnik entschieden hat und wie er den Weg in die Selbstständigkeit von heute aus bewertet. Literatur und weiterführende Informationen A. Latz, J. Zausch: Thermodynamic consistent transport theory of Li-ion batteries, Journal of Power Sources 196 3296--3302, 2011. M. Maier: The Mathematical Analysis of a Micro Scale Model for Lithium-Ion Batteries. PhD Thesis KIT 2016 M. Kespe, H. Nirschl: Numerical simulation of lithium-ion battery performance considering electrode microstructure, International Journal of Energy Research 39 2062-2074, 2015. Podcasts A. Jossen: Batterien, Gespräch mit Markus Völter im Omega Tau Podcast, Folge 222, 2016. J. Holthaus: Batterien für morgen und übermorgen, KIT.Audio Podcast, Folge 2, 2016. D. Breitenbach, U. Gebhardt, S. Gaedtke: Elektrochemie, Laser, Radio, Proton Podcast, Folge 15, 2016. M. Maier: Akkumulatoren, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 123, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. V. Auinger: Optimale Akkuladung, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 160, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. S. Carelli, G. Thäter: Batteries, Gespräch im Modellansatz Podcast, Folge 211, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.

Batemo

Bei genauem Hinsehen finden wir die Naturwissenschaft und besonders Mathematik überall in unserem Leben, vom Wasserhahn über die automatischen Temporegelungen an Autobahnen, in der Medizintechnik bis hin zum Mobiltelefon. Woran die Forscher, Absolventen und Lehrenden in Karlsruhe gerade tüfteln, erfahren wir hier aus erster Hand.

hubhopper

Modellansatz

hubhopper