Dr. Sören Dittmer

Projekte

1. Design-KIT: Künstliche Intelligenz in der mechanischen Bauteilentwicklung; TP: Deep Learning zur Geometrieerzeugung von mechanischen Bauteilen (01.10.2020 - 31.03.2022)
2. Magnetic Particle Imaging (seit 01.03.2016)

Veranstaltungen (Auswahl)vollständige Liste

1. Mathematical Foundations of AI (Sommersemester 2023)
2. Mathematical Foundations of Deep Learning (Wintersemester 2022/2023)
3. Mathematical Foundations of AI (Wintersemester 2022/2023)
4. Mathematical Foundations of AI (Sommersemester 2022)

Abschlussarbeiten (Auswahl)vollständige Liste

1. Contrasting and motivating augmented contrastive learning (Jule Pätzold)
2. Inverse Problems Learning – data specific regularizations using projections (Julius Arkenberg)
3. Unsupervised Denoising von Magnetic-Particle-Imaging-Messungen durch Neuronale Netze (Nikolas Dreverhoff)
4. Differentiable architecture search - Fractional Kernel sizes in convolutional neural networks (Daniel Klosa)

Publikationen (Auswahl)vollständige Liste

1. S. Dittmer, M. Roberts, J. Preller, .. AIX-COVNET Collaboration, J. H. F. Rudd, J. A. D. Aston, C. Schönlieb.
   Reinterpreting survival analysis in the universal approximator age.
   Zur Veröffentlichung eingereicht.
2. C. Arndt, S. Dittmer, N. Heilenkötter, M. Iske, T. Kluth, J. Nickel.
   Bayesian view on the training of invertible residual networks for solving linear inverse problems.
   Zur Veröffentlichung eingereicht.

   online unter: https://www.x-mol.net/paper/article/1682514725633245184

3. C. Arndt, A. Denker, S. Dittmer, N. Heilenkötter, M. Iske, T. Kluth, P. Maaß, J. Nickel.
   Invertible residual networks in the context of regularization theory for linear inverse problems.
   Zur Veröffentlichung eingereicht.

   online unter: https://arxiv.org/abs/2306.01335

4. D. Erzmann, S. Dittmer, H. Harms, P. Maaß.
   DL4TO: A Deep Learning Library for Sample-Efficient Topology Optimization.
   Lecture Notes in Computer Science, Geometric Science of Information. GSI 2023 14071, Springer Verlag, 2023.

   DOI: 10.1007/978-3-031-38271-0_54

5. P. Maaß, S. Dittmer, T. Kluth, J. Leuschner, M. Schmidt.
   Mathematische Architekturen für Neuronale Netze.
   Erfolgsformeln – Anwendungen der Mathematik, M. Ehrhardt, M. Günther, W. Schilders (Hrsg.), Mathematische Semesterberichte, S. 190-195, Springer Verlag, 2022.

   DOI: 10.1007/s00591-022-00325-y