Prof. Dr. Sebastian Peitz
Scientific Machine Learning (Peitz)
Kontakt und Affiliationen
- E-Mail:
- sebastian.peitz@uni-paderborn.de
- Telefon:
- +49 5251 60-5021
- ORCID:
- 0000-0002-3389-793X
- Web:
- Homepage
- Social Media:
- Büroanschrift:
-
Pohlweg 51
33098 Paderborn - Raum:
- O4.213
- E-Mail:
- sebastian.peitz@uni-paderborn.de
- Telefon:
- +49 5251 60-5021
- ORCID:
- 0000-0002-3389-793X
- Web:
- Homepage
- Social Media:
- Büroanschrift:
-
Pohlweg 51
33098 Paderborn - Raum:
- O4.213
Über Sebastian Peitz
Curriculum Vitae
Seit 01.10.2026: Professor für Scientific Machine Learning
01.10.2024 - 30.09.2026: Professor für sichere autonome Systeme (TU Dortmund)
01.04.2021 - 30.09.2024: Juniorprofessor
Data Science for Engineering, Institut für Informatik, Universität Paderborn
01.10.2017 - 31.03.2021: Geschäftsführer
Institut für Industriemathematik, Universität Paderborn
01.10.2013 - 30.09.2017: Wissenschaftlicher Mitarbeiter
Lehrstuhl für Angewandte Mathematik und Institut für Industriemathematik (Prof. Dr. Michael Dellnitz, Universität Paderborn)
08.08.2017: Promotion
Titel: "Exploiting Structure in Multiobjective Optimization and Optimal Control"
01.10.2007 - 18.07.2013: Studium
Maschinenbau (RWTH Aachen)
Abschluss: 18.07.2013 (M. Sc.)
16.06.2006: Abitur
Hans-Ehrenberg-Gymnasium (Sennestadt)
2024: ERC Starting Grant
Finanziert durch den European Research Council der EU.
Titel: “Koopman-Operator-based Reinforcement Learning Control of Partial Differential Equations” (DOI)
2022: Nachwuchsgruppenleiter ("Multikriterielles Maschinelles Lernen"), gefördert vom BMBF
2019: Best Paper Award auf dem 2019 IEEE International Symposium on Predictive Control of Electrical Drives and Power Electronics (PRECEDE)
Forschung
Ausgewählte Projekte
- ESN4NW: Energieoptimierte Supercomputer-Netzwerke durch die Nutzung von Windenergie
- SPP 2353: Mehr Intelligenz wagen – Entwurfsassistenten in Mechanik und Dynamik, TP: Hybride Modellierung für die datengestützte Mehrzieloptimierung von Mehrkörpersystemen
- Multikriterielles Maschinelles Lernen – Effizienz, Robustheit, Interaktivität und Systemwissen
- SAIL - Nachhaltiger Lebenszyklus von intelligenten soziotechnischen Systemen
- DARE: Trainings-, Validierungs- und Benchmarkwerkzeuge zur Entwicklung datengetriebener Betriebs- und Regelungsverfahren für intelligente, lokale Energiesysteme
Publikationen
Ausgewählte Publikationen
Finite-data error bounds for Koopman-based prediction and control
F. Nüske, S. Peitz, F. Philipp, M. Schaller, K. Worthmann, Journal of Nonlinear Science 33 (2023).
On the Universal Transformation of Data-Driven Models to Control Systems
S. Peitz, K. Bieker, Automatica 149 (2023).
Koopman analysis of quantum systems
S. Klus, F. Nüske, S. Peitz, Journal of Physics A: Mathematical and Theoretical 55 (2022) 314002.
On the Treatment of Optimization Problems with L1 Penalty Terms via Multiobjective Continuation
K. Bieker, B. Gebken, S. Peitz, IEEE Transactions on Pattern Analysis and Machine Intelligence 44 (2022) 7797–7808.
Deep model predictive flow control with limited sensor data and online learning
K. Bieker, S. Peitz, S.L. Brunton, J.N. Kutz, M. Dellnitz, Theoretical and Computational Fluid Dynamics 34 (2020) 577–591.
Alle Publikationen anzeigen