Oliver Köhn

Im Rahmen meiner Promotion habe ich die Bewegung und Dynamik von Mikroschwimmern – insbesondere Bakterien – auf statistischer und physikalischer Basis analysiert. Ziel war es, komplexe Trajektorien aus zeitaufgelösten Daten zu verstehen, vorherzusagen und daraus neue Muster abzuleiten. Ein zentrales Element war der Einsatz von modernen KI-Methoden zur Zeitreihenanalyse (u.a. mit LSTM-Netzen, Kalman-Filtern und Deep Learning in Python/Tensorflow) zur Klassifikation und Prognose nichtlinearer Bewegungsdaten. Dies ermöglichte u. a. die Identifikation und Differenzierung verschiedener Partikelspezies anhand ihrer Bewegungsmuster – ein Ansatz, der sich auf viele AI/ML-getriebene Pattern Recognition-Anwendungen übertragen lässt. Zur physikalischen Modellierung und Simulation komplexer Systeme wurden numerische Methoden in C++ und Bash auf Hochleistungsrechnern (HPC/Cluster) eingesetzt. Dabei entstanden auch skalierbare Pipelines für datengetriebene Modellierungen, vergleichbar mit modernen Data-Science-Workflows und ML-Ops-Strukturen. Relevante Skills und Technologien: - Artificial Intelligence / Machine Learning / Deep Learning - Time Series Forecasting, LSTM, Kalman-Filter - Pattern Recognition, Trajektorienanalyse - Python, Tensorflow, C++, Bash - High Performance Computing / Cluster - Simulation komplexer dynamischer Systeme - Data-Driven Research, Feature Engineering, Statistical Modeling Diese Forschung liefert nicht nur tiefes technisches Verständnis für datenbasierte Entscheidungsmodelle, sondern zeigt auch, wie sich AI-Methoden in interdisziplinären Forschungsfeldern effizient einsetzen lassen – von der Biophysik bis hin zu modernen LLM-gestützten Datenanalysen und RAG-Anwendungen.

Im Rahmen meiner Promotion in Physik absolvierte ich ein forschungsorientiertes Praktikum mit Fokus auf der Simulation des Bewegungsverhaltens von Mikroschwimmern, insbesondere Bakterien in fluiden Medien. Mithilfe von C++, Bash und Cluster-Computing entwickelte ich numerische Modelle zur realitätsnahen Nachbildung komplexer Schwimmbewegungen. Ein zentrales Ziel war die Generierung synthetischer Bewegungsdaten, die als Grundlage für spätere AI-gestützte Analysen dienten – darunter zeitreihenbasierte Vorhersagemodelle (z. B. LSTM, Kalman-Filter) sowie Verfahren zur Mustererkennung mithilfe von Künstlicher Intelligenz und Deep Learning (Python, TensorFlow). Kerninhalte des Praktikums: - Entwicklung skalierbarer Simulationspipelines zur Erzeugung realistischer Trajektoriendaten - Kombination von klassischer physikalischer Modellierung mit modernen AI-Ansätzen - Einsatz von HPC-Infrastrukturen (High Performance Computing) für groß angelegte Simulationen - Anwendung von Künstlicher Intelligenz zur Mustererkennung und Bewegungsanalyse - Brücke zwischen physikalischer Grundlagenforschung und AI-unterstützter Datenanalyse Das Praktikum zeigte, wie sich Methoden der Artificial Intelligence erfolgreich in naturwissenschaftliche Fragestellungen integrieren lassen – insbesondere dort, wo datengetriebene Erkenntnisse aus komplexen, dynamischen Systemen gewonnen werden sollen.