Max-Planck-Institut für Mathematik in den Naturwissenschaften

Max-Planck-Institut für Mathematik in den Naturwissenschaften

Ohne Mathematik ist unser Alltag nicht vorstellbar. Telefonnetze, Fahrpläne und Lagerbestände werden mit modernen Methoden der diskreten Mathematik optimiert. Die schnelle Übertragung von Bildern durch Datenkompression benutzt Konzepte der Analysis. Die hocheffiziente Verschlüsselung von Daten, beispielsweise bei Banktransaktionen im Internet, ist eine Anwendung der Zahlentheorie. Die hochauflösende Computertomographie wurde durch neue mathematische Verfahren der Bildrekonstruktion ermöglicht. Die Liste der Beispiele ließe sich verlängern, und mathematische Modelle und Methoden gewinnen zunehmend an Bedeutung bei der Optimierung ganzer Produktionsprozesse. Allerdings ist die Verbindung zwischen Mathematik und deren Anwendungen keine Einbahnstraße. Fundamentale Fragen aus den Natur- und Ingenieurwissenschaften und der Ökonomie haben Mathematiker immer wieder inspiriert, nach neuen mathematischen Methoden und Strukturen zu suchen. Die Interaktion von Mathematik und den Naturwissenschaften bildet den Kernpunkt der Arbeit dieses Instituts.

Kontakt

Inselstraße 22
04103 Leipzig
Telefon: +49 341 9959-50
Fax: +49 341 9959-658

Promotionsmöglichkeiten

Dieses Institut hat eine International Max Planck Research School (IMPRS):

IMPRS Mathematics in the Sciences

Darüber hinaus gibt es die Möglichkeit zur individuellen Promotion bei den Direktoren bzw. Direktorinnen und in den Forschungsgruppen.

Abteilung Geometrische Methoden, Komplexe Strukturen in Biologie und Kognition

mehr

Abteilung Musterbildung, Energielandschaften und Skalierungsgesetze

mehr

Abteilung Nichtlineare Algebra

mehr

Abteilung Geometrie, Gruppen und Dynamik

mehr
Freiwillige Helferinnen und Helfer versorgen am Hauptbahnhof in Berlin Menschen, die vor dem Krieg in der Ukraine geflüchtet sind. Sie stehen aus SIcht des Betrachters vor einem langen Tisch mit hellbraunen Bechern und Getränken. Im Fokus steht dabei eine Helferin mit grüner Signalweste und FFP-2-Maske, die von schräg hinten zu sehen ist. Auf der anderen Seite stehen Menschen, die sich an den angebotenen Getränken bedienen.

Die Kopplung von zwei Ansätzen der Spieltheorie kann die Entwicklung moralischer Normen erklären

mehr
Der chemische Raum und das Periodensystem der chemischen Elemente

Forscher untersuchen historische Entwicklungen des Periodensystems der Elemente

mehr

Industrieller Fisch- und Walfang haben die großen Tiere des Meeres dezimiert

mehr

Die maritime Biomasse war über 23 Zehnerpotenzen fast gleich verteilt – bis Fischerei und Walfang das Gefüge durcheinanderbrachten

mehr

Mathematische Metriken helfen, Instabilitäten an Märkten offenzulegen

mehr
Mehr anzeigen

Selbstlernende Algorithmen sind dabei, unsere Gesellschaft gehörig umzukrempeln. Doch allzu oft verstehen ihre Entwickler selbst nicht genau, wie sie funktionieren. Mit grundlegenden Theorien zum maschinellen Lernen wollen Forschende des Max-Planck-Instituts für Mathematik in den Naturwissenschaften nun Abhilfe schaffen.

Politische Debatten geraten heute oft zur verbalen Keilerei - vor allem in sozialen Medien. Um dem entgegenzuwirken, untersuchen Eckehard Olbrich und Sven Banisch am Max-Planck-Institut für Mathematik in den Naturwissenschaften sowie Philipp Lorenz-Spreen am Max-Planck-Institut für Bildungsforschung, wie es zu Polarisierung kommt und wie Meinungsbildung in Gruppen funktioniert.

Momentan sind keine Angebote vorhanden.

Lösen von polynomiellen Gleichungen

2021 Breiding, Paul

Mathematik

Viele praktische Probleme lassen sich auf das Lösen von polynomiellen Gleichungssystemen zurückführen. In diesem Bericht wird eine solche Anwendung vorgestellt. Ausgehend von diesem Beispiel wird diskutiert, was grundlegende Strategien sind um Lösungen zu berechnen und was es in diesem Kontext eigentlich konkret heißt, ein Gleichungssystem zu lösen. Dabei soll herausgearbeitet werden, dass anwendungsbezogene und theoretische Fragestellungen sich nicht gegenseitig ausschließen, sondern einander ergänzen.

mehr

Deep Learning Theorie

2020 Montúfar, Guido

Mathematik

Deep Learning ist eine erfolgreiche Methode des maschinellen Lernens. Wir entwickeln eine mathematische Theorie, die dazu beiträgt, dass Deep Learning breiter anwendbar, effizienter, interpretierbarer, sicherer und zuverlässiger wird. Konkret untersuchen wir das Zusammenspiel zwischen a) der Darstellungskraft künstlicher neuronaler Netze als parametrische Sätze von Hypothesen, b) den Eigenschaften und Konsequenzen der Parameteroptimierungsverfahren, welche zur Auswahl einer auf Daten basierenden Hypothese verwendet werden und c) der Leistung trainierter Netze zur Testzeit auf neue Daten.

mehr

Inverse Probleme sind allgegenwärtig in der Natur, in medizinischen, ingenieur- und naturwissenschaftlichen Messverfahren und auch in unseren alltäglichen Erfahrungen. In all diesen Problemen ist es das Ziel, durch indirekte Messungen auf Eigenschaften des zugrundeliegenden Systems zu schließen. Da diese Probleme in einem mathematisch präzisen Sinn "schlecht gestellt" sind, erweist sich dies im Allgemeinen als sehr schwer. In diesem Artikel werden einige dieser Herausforderungen anhand von Beispielen, die am MPI MiS untersucht werden, vorgestellt.

mehr

Theoretische Modelle politischer Meinungsbildung

2018 Sven Banisch, Eckehard Olbrich und Jürgen Jost

Mathematik

Heutige Gesellschaften stehen vor schwierigen Herausforderungen, die demokratisch getragene Entscheidungen verlangen. Meinungen bezüglich verschiedener Themen - etwa zum Klimawandel oder zum Umgang mit der gestiegenen Zahl an Flüchtlingen - gehen allerdings oft auseinander. Am Max-Planck-Institut für Mathematik in den Naturwissenschaften untersuchen wir im Rahmen des Europäischen Projektes "Odycceus" grundlegende Mechanismen der Dynamik von politischen Meinungen, um soziale, kulturelle und themenspezifische Umstände zu beleuchten, die Prozesse politischer Meinungsbildung beeinflussen. 

mehr

Tensoren und ihre Zerlegungen

2017 Michałek, M.; Sturmfels, B.

Mathematik

Tensoren sind höher-dimensionale Matrizen. Sie erlauben die Speicherung und statistische Analyse grosser Datenmengen. Die Zerlegung in Tensoren vom Rang 1 ermöglicht es, vordergründig nicht erkennbare Strukturen und Zusammenhänge aufzudecken. Die Geometrie der Tensoren spielt dabei eine wichtige Rolle.

mehr
Zur Redakteursansicht