* Entwicklung einer neuartigen, auf neuronalen-Netzen-basierten Methode für
Kristallstrukturvorhersagen unter der Verwendung von quantenmechanischen
Materialdaten. Als Einzige unter anderen bekannten Methoden aus dem betrachteten
Wissenschaftsfeld liefert die Methode zuverlässige Vorhersagen in
realistischen Anwendungsszenarien, d.h. 100% gegen 0% Genauigkeit.
* Mitentwicklung einer auf Compressed-Sensing-basierten Methode für das Extrahieren
der besten Features aus Milliarden von Kandidaten für Multi-Task-
Symbolische-Regressions-Modelle. Die Weiterentwicklung zur Multi-Task-Methode
ermöglichte das Fitten von akkuraten Modellen trotz lückenhafter Trainingsdaten.
* Aufstellen von Modellen zur Vorhersage der Ungenauigkeit von unterschiedlichen
Machine-Learning-Modellen aus der theoretischen Materialwissenschaft.
* Anwendung weiterer Machine-Learning-Methoden (z.B. Kernel Ridge Regression,
Support Vector Machines, Principal Component Analysis, Clustering-Methoden)
und der numerischen Mathematik zur Analyse unterschiedlicher, materialwissenschaftlich
relevanter Datensätze wie auch zum Aufstellen von Modellen zur
Vorhersage.
* Organisieren und Erstellen von Machine-Learning-Sessions und -Tutorien in
unterschiedlichen internationalen Workshops.