Meine Forschung befasst sich mit den Themengebieten Deep Learning, Physik und Scientific Computing. Aktuelle Projekte umfassen:

• Generative AI Based Optimization: Neue Methoden für Kombinatorische Optimierung basierend auf Deep Learning und Statistischer Mechanik.

• Daten effizientes Deep Learning: Entwicklung von Trainingsmethoden um von physikalischen Systemen effizient zu lernen.

• Lernen von Quantenlehrern: Evaluierung und Design spezieller Deep Learning Methoden um von Quantencomputern zu lernen.

• L. Lewis, H. Huang, V. Tran, S. Lehner, R. Kueng, J. Preskill, Improved machine learning algorithm for predicting ground state properties, Nature Communications 15(1): 895, 2024
   
• S. Sanokowski, W. Berghammer, S. Hochreiter, S. Lehner, Variational Annealing on Graphs for Combinatorial Optimization, Neural Information Processing Systems (NeurIPS 2023)
   
• A. Mayr, S. Lehner, A. Mayrhofer, C. Kloss, S. Hochreiter, J. Brandstetter, Boundary graph neural networks for 3d simulations, Thirty-Seventh AAAI Conference on Artificial Intelligence (AAAI 2023)
   
• P. M. Winter, C. Burger, S. Lehner, J. Kofler, T. I. Maindl, C. M. Schäfer, Residual neural networks for the prediction of planetary collision outcomes, Monthly Notices of the Royal Astronomical Society 520 (1), 1224-1242, 2023
   
• M. Gauch, M. Beck, T. Adler, D. Kotsur, S. Fiel, H. Eghbal-zadeh, J. Brandstetter, J. Kofler, M. Holzleitner, W. Zellinger, D. Klotz, S. Hochreiter, S. Lehner, Few-Shot Learning by Dimensionality Reduction in Gradient Space, Proceedings of the 1st Conference on Lifelong Learning Agents (CoLLAs 2022)

Full list: Google Scholar profile, öffnet eine externe URL in einem neuen Fenster

Meine Lehrtätigkeit umfasst eine breite Palette von Kursen in den KI-Lehrplänen, die von Einführungsvorlesungen in die KI bis hin zu Masterarbeitsseminaren reichen. Für eine vollständige Liste folgen Sie bitte diesem Link, öffnet eine externe URL in einem neuen Fenster und wählen Sie oben rechts das Jahr und das Semester aus.