Forschungsverbünde

Mehrere Arbeitsgruppen des Instituts für Mathematik sind unter anderem an folgenden Forschungsverbünden beteiligt:

SFB 1294 "Data Assimilation"
Der Sonderforschungsbereich 1294 "Data Assimilation" wird seit 2017 von der Deutschen Forschungsgemeinschaft (DFG) gefördert. Beteiligt sind folgende Institutionen: Universität Potsdam, Humboldt-Universität zu Berlin, GFZ Potsdam, TU Berlin und WIAS-Institut Berlin. Leitung am Institut für Mathematik der Universität Potsdam.

SPP 2026 "Geometry at Infinity"
Das Schwerpunktprogramm 2026 "Geometry at Infinity" wird seit 2017 von der Deutschen Forschungsgemeinschaft (DFG) gefördert. Beteiligt sind Wissenschaftler und Wissenschaftlerinnen aus mehr als 20 Instituten in Deutschland und der Schweiz. Leitung an den Instituten für Mathematik der Universität Augsburg und der Universität Potsdam.

Research Group Linkage: Singular diffusions: analytic and stochastic approaches
Die Institutspartnerschaft zwischen dem mathematischen Institut der Universität Potsdam und dem mathematischen Institut der nationalen Akademie der Wissenschaften der Ukraine wird von der Alexander von Humboldt Stiftung gefördert. Dieses Programm fördert eine längerfristige wissenschaftliche Kooperation zwischen den beiden Instituten. In die Zusammenarbeit werden auch Nachwuchswissenschaftlerinnen und Nachwuchswissenschaftler integriert, die als potentielle Bewerber für ein Forschungsstipendium der Humboldt-Stiftung in Frage kommen.

PharMetrX
PharMetrX ist ein interdisziplinäres Promotionsprogramm der Freien Universität Berlin und der Universität Potsdam an der Schnittstelle von Pharmazie & Mathematik. Es wird von einem internationalen Konsortium forschender pharmazeutisscher Unternehmen unterstützt. Die Forschung und Ausbildung von PharMetrX liegt in den Bereichen Pharmakometrie & computergestützte Krankheitsmodellierung, mit Anwendungen in der Arzneimittelforschung und -entwicklung sowie in der therapeutischen Anwendung.

ASCAI-Projekt
Das ASCAI-Projekt befasst sich mit dem unüberwachten Lernen in einer Batch- und einer sequentiellen Umgebung. Unüberwachtes Lernen ist ein Kernproblem der künstlichen Intelligenz im Allgemeinen und des maschinellen Lernens im Besonderen. Obwohl es allgegenwärtig ist, bleiben viele wichtige Fragen offen, insbesondere bei komplexen Problemen, die über einfaches Clustering hinausgehen. In ASCAI gehen wir von den jüngsten Fortschritten beim Clustering aus und zielen darauf ab, diese Ergebnisse auf komplexe unüberwachte Lernprobleme auszudehnen, sowohl in einer Batch- als auch in einer sequentiellen Umgebung.