The Young Investigator Network is the platform and democratic representation of interests for independent junior research group leaders and junior professors at the Karlsruhe Institut of Technology.
Peer Community
Interessensvertretung
Weiterbildung
Führung in der Wissenschaft
Individueller Support
Fördermöglichkeiten
Die Heidelberger Akademie der Wissenschaften vergab den Ökologiepreis 2026 der Viktor & Sigrid Dulger Stiftung an Benjamin Schäfer. Die nachhaltige Umstellung des Energiesystems ist herausfordernd, da die Verfügbarkeit von erneuerbaren Stromquellen wie Sonnen- und Windenergie stark schwankt. Benjamin Schäfer arbeitet daher daran, die Stabilität und Widerstandsfähigkeit des Stromnetzes durch transparente, erklärbare KI-Methoden zu erhöhen. Er kombiniert physikalische Modellierung, maschinelles Lernen und offene Daten, um Fluktuationen im Energiesystem zu quantifizieren und deren Ursachen zu erklären. Gemeinsam mit internationalen Forschenden hat er ein datengetriebenes Lastprofil entwickelt, mit dem das Gleichgewicht zwischen Angebot und Nachfrage künftig besser zu regulieren ist.
weiterlesen
Synthetische Nanomaterialien haben sich als vielversprechende Alternativen zu natürlichen Enzymen für katalytische und therapeutische Anwendungen erwiesen. Allerdings sind sie in ihrer Stabilität, Kompatibilität mit wässrigen Lösungen und ihrem katalytischen Wirkungsbereich beschränkt, was eine breitere Anwendung behindert. Pierre Picchetti und seine Gruppe haben nun biokompatible Nanopartikel entwickelt, die eine robuste und nachhaltige Plattform für enzymähnliche Katalyse in Wasser ermöglichen. Nach dem Vorbild der Natur lässt sich die Aktivität der Nanopartikel mit chemischen Signalen gezielt an- und ausschalten. Da sie zudem frei von Metall sind und von lebenden Zellen gut toleriert werden, eignen sie sich für intrazelluläre Anwendungen.
mehr
Künstliche Intelligenz (KI) hilft dabei, Stromnetze effizienter und stabiler zu betreiben. Gerade in kritischen Infrastrukturen wie dem Energiesystem sollten KI-gestützte Vorhersagen möglichst präzise und nachvollziehbar sein. Die Arbeitsgruppe von Benjamin Schäfer hat daher eine neue Methode entwickelt und im Fachmagazin Nature Communications vorgestellt: „SHAPformer“ kombiniert Transformer-Modelle – bekannt aus modernen Sprachmodellen – mit Verfahren der erklärbaren Künstlichen Intelligenz und macht sichtbar, welchen Einfluss einzelne Faktoren, wie Temperaturen, Feiertage oder Windprognosen, auf eine Vorhersage haben.
KIT Presseinfo