Podcasts about technologie kit

In this episode Gudrun speaks with Nadja Klein and Moussa Kassem Sbeyti who work at the Scientific Computing Center (SCC) at KIT in Karlsruhe. Since August 2024, Nadja has been professor at KIT leading the research group Methods for Big Data (MBD) there. She is an Emmy Noether Research Group Leader, and a member of AcademiaNet, and Die Junge Akademie, among others. In 2025, Nadja was awarded the Committee of Presidents of Statistical Societies (COPSS) Emerging Leader Award (ELA). The COPSS ELA recognizes early career statistical scientists who show evidence of and potential for leadership and who will help shape and strengthen the field. She finished her doctoral studies in Mathematics at the Universität Göttingen before conducting a postdoc at the University of Melbourne as a Feodor-Lynen fellow by the Alexander von Humboldt Foundation. Afterwards she was a Professor for Statistics and Data Science at the Humboldt-Universität zu Berlin before joining KIT. Moussa joined Nadja's lab as an associated member in 2023 and later as a postdoctoral researcher in 2024. He pursued a PhD at the TU Berlin while working as an AI Research Scientist at the Continental AI Lab in Berlin. His research primarily focuses on deep learning, developing uncertainty-based automated labeling methods for 2D object detection in autonomous driving. Prior to this, Moussa earned his M.Sc. in Mechatronics Engineering from the TU Darmstadt in 2021. The research of Nadja and Moussa is at the intersection of statistics and machine learning. In Nadja's MBD Lab the research spans theoretical analysis, method development and real-world applications. One of their key focuses is Bayesian methods, which allow to incorporate prior knowledge, quantify uncertainties, and bring insights to the “black boxes” of machine learning. By fusing the precision and reliability of Bayesian statistics with the adaptability of machine and deep learning, these methods aim to leverage the best of both worlds. The KIT offers a strong research environment, making it an ideal place to continue their work. They bring new expertise that can be leveraged in various applications and on the other hand Helmholtz offers a great platform in that respect to explore new application areas. For example Moussa decided to join the group at KIT as part of the Helmholtz Pilot Program Core-Informatics at KIT (KiKIT), which is an initiative focused on advancing fundamental research in informatics within the Helmholtz Association. Vision models typically depend on large volumes of labeled data, but collecting and labeling this data is both expensive and prone to errors. During his PhD, his research centered on data-efficient learning using uncertainty-based automated labeling techniques. That means estimating and using the uncertainty of models to select the helpful data samples to train the models to label the rest themselves. Now, within KiKIT, his work has evolved to include knowledge-based approaches in multi-task models, eg. detection and depth estimation — with the broader goal of enabling the development and deployment of reliable, accurate vision systems in real-world applications. Statistics and data science are fascinating fields, offering a wide variety of methods and applications that constantly lead to new insights. Within this domain, Bayesian methods are especially compelling, as they enable the quantification of uncertainty and the incorporation of prior knowledge. These capabilities contribute to making machine learning models more data-efficient, interpretable, and robust, which are essential qualities in safety-critical domains such as autonomous driving and personalized medicine. Nadja is also enthusiastic about the interdisciplinarity of the subject — repeatedly changing the focus from mathematics to economics to statistics to computer science. The combination of theoretical fundamentals and practical applications makes statistics an agile and important field of research in data science. From a deep learning perspective, the focus is on making models both more efficient and more reliable when dealing with large-scale data and complex dependencies. One way to do this is by reducing the need for extensive labeled data. They also work on developing self-aware models that can recognize when they're unsure and even reject their own predictions when necessary. Additionally, they explore model pruning techniques to improve computational efficiency, and specialize in Bayesian deep learning, allowing machine learning models to better handle uncertainty and complex dependencies. Beyond the methods themselves, they also contribute by publishing datasets that help push the development of next-generation, state-of-the-art models. The learning methods are applied across different domains such as object detection, depth estimation, semantic segmentation, and trajectory prediction — especially in the context of autonomous driving and agricultural applications. As deep learning technologies continue to evolve, they're also expanding into new application areas such as medical imaging. Unlike traditional deep learning, Bayesian deep learning provides uncertainty estimates alongside predictions, allowing for more principled decision-making and reducing catastrophic failures in safety-critical application. It has had a growing impact in several real-world domains where uncertainty really matters. Bayesian learning incorporates prior knowledge and updates beliefs as new data comes in, rather than relying purely on data-driven optimization. In healthcare, for example, Bayesian models help quantify uncertainty in medical diagnoses, which supports more risk-aware treatment decisions and can ultimately lead to better patient outcomes. In autonomous vehicles, Bayesian models play a key role in improving safety. By recognizing when the system is uncertain, they help capture edge cases more effectively, reduce false positives and negatives in object detection, and navigate complex, dynamic environments — like bad weather or unexpected road conditions — more reliably. In finance, Bayesian deep learning enhances both risk assessment and fraud detection by allowing the system to assess how confident it is in its predictions. That added layer of information supports more informed decision-making and helps reduce costly errors. Across all these areas, the key advantage is the ability to move beyond just accuracy and incorporate trust and reliability into AI systems. Bayesian methods are traditionally more expensive, but modern approximations (e.g., variational inference or last layer inference) make them feasible. Computational costs depend on the problem — sometimes Bayesian models require fewer data points to achieve better performance. The trade-off is between interpretability and computational efficiency, but hardware improvements are helping bridge this gap. Their research on uncertainty-based automated labeling is designed to make models not just safer and more reliable, but also more efficient. By reducing the need for extensive manual labeling, one improves the overall quality of the dataset while cutting down on human effort and potential labeling errors. Importantly, by selecting informative samples, the model learns from better data — which means it can reach higher performance with fewer training examples. This leads to faster training and better generalization without sacrificing accuracy. They also focus on developing lightweight uncertainty estimation techniques that are computationally efficient, so these benefits don't come with heavy resource demands. In short, this approach helps build models that are more robust, more adaptive to new data, and significantly more efficient to train and deploy — which is critical for real-world systems where both accuracy and speed matter. Statisticians and deep learning researchers often use distinct methodologies, vocabulary and frameworks, making communication and collaboration challenging. Unfortunately, there is a lack of Interdisciplinary education: Traditional academic programs rarely integrate both fields. It is necessary to foster joint programs, workshops, and cross-disciplinary training can help bridge this gap. From Moussa's experience coming through an industrial PhD, he has seen how many industry settings tend to prioritize short-term gains — favoring quick wins in deep learning over deeper, more fundamental improvements. To overcome this, we need to build long-term research partnerships between academia and industry — ones that allow for foundational work to evolve alongside practical applications. That kind of collaboration can drive more sustainable, impactful innovation in the long run, something we do at methods for big data. Looking ahead, one of the major directions for deep learning in the next five to ten years is the shift toward trustworthy AI. We're already seeing growing attention on making models more explainable, fair, and robust — especially as AI systems are being deployed in critical areas like healthcare, mobility, and finance. The group also expect to see more hybrid models — combining deep learning with Bayesian methods, physics-based models, or symbolic reasoning. These approaches can help bridge the gap between raw performance and interpretability, and often lead to more data-efficient solutions. Another big trend is the rise of uncertainty-aware AI. As AI moves into more high-risk, real-world applications, it becomes essential that systems understand and communicate their own confidence. This is where uncertainty modeling will play a key role — helping to make AI not just more powerful, but also more safe and reliable. The lecture "Advanced Bayesian Data Analysis" covers fundamental concepts in Bayesian statistics, including parametric and non-parametric regression, computational techniques such as MCMC and variational inference, and Bayesian priors for handling high-dimensional data. Additionally, the lecturers offer a Research Seminar on Selected Topics in Statistical Learning and Data Science. The workgroup offers a variety of Master's thesis topics at the intersection of statistics and deep learning, focusing on Bayesian modeling, uncertainty quantification, and high-dimensional methods. Current topics include predictive information criteria for Bayesian models and uncertainty quantification in deep learning. Topics span theoretical, methodological, computational and applied projects. Students interested in rigorous theoretical and applied research are encouraged to explore our available projects and contact us for further details. The general advice of Nadja and Moussa for everybody interested to enter the field is: "Develop a strong foundation in statistical and mathematical principles, rather than focusing solely on the latest trends. Gain expertise in both theory and practical applications, as real-world impact requires a balance of both. Be open to interdisciplinary collaboration. Some of the most exciting and meaningful innovations happen at the intersection of fields — whether that's statistics and deep learning, or AI and domain-specific areas like medicine or mobility. So don't be afraid to step outside your comfort zone, ask questions across disciplines, and look for ways to connect different perspectives. That's often where real breakthroughs happen. With every new challenge comes an opportunity to innovate, and that's what keeps this work exciting. We're always pushing for more robust, efficient, and trustworthy AI. And we're also growing — so if you're a motivated researcher interested in this space, we'd love to hear from you." Literature and further information Webpage of the group G. Nuti, Lluis A.J. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arxiv Jan 2019 Wikipedia: Expected value of sample information C. Howson & P. Urbach: Scientific Reasoning: The Bayesian Approach (3rd ed.). Open Court Publishing Company. ISBN 978-0-8126-9578-6, 2005. A.Gelman e.a.: Bayesian Data Analysis Third Edition. Chapman and Hall/CRC. ISBN 978-1-4398-4095-5, 2013. Yu, Angela: Introduction to Bayesian Decision Theory cogsci.ucsd.edu, 2013. Devin Soni: Introduction to Bayesian Networks, 2015. G. Nuti, L. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arXiv:1901.03214 stat.ML, 2019. M. Carlan, T. Kneib and N. Klein: Bayesian conditional transformation models, Journal of the American Statistical Association, 119(546):1360-1373, 2024. N. Klein: Distributional regression for data analysis , Annual Review of Statistics and Its Application, 11:321-346, 2024 C.Hoffmann and N.Klein: Marginally calibrated response distributions for end-to-end learning in autonomous driving, Annals of Applied Statistics, 17(2):1740-1763, 2023 Kassem Sbeyti, M., Karg, M., Wirth, C., Klein, N., & Albayrak, S. (2024, September). Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection. In Uncertainty in Artificial Intelligence (pp. 1890-1900). PMLR. M. K. Sbeyti, N. Klein, A. Nowzad, F. Sivrikaya and S. Albayrak: Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection pdf. To appear in Transactions on Machine Learning Research, 2025 Podcasts Learning, Teaching, and Building in the Age of AI Ep 42 of Vanishing Gradient, Jan 2025. O. Beige, G. Thäter: Risikoentscheidungsprozesse, Gespräch im Modellansatz Podcast, Folge 193, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.

In this episode Gudrun speaks with Nadja Klein and Moussa Kassem Sbeyti who work at the Scientific Computing Center (SCC) at KIT in Karlsruhe. Since August 2024, Nadja has been professor at KIT leading the research group Methods for Big Data (MBD) there. She is an Emmy Noether Research Group Leader, and a member of AcademiaNet, and Die Junge Akademie, among others. In 2025, Nadja was awarded the Committee of Presidents of Statistical Societies (COPSS) Emerging Leader Award (ELA). The COPSS ELA recognizes early career statistical scientists who show evidence of and potential for leadership and who will help shape and strengthen the field. She finished her doctoral studies in Mathematics at the Universität Göttingen before conducting a postdoc at the University of Melbourne as a Feodor-Lynen fellow by the Alexander von Humboldt Foundation. Afterwards she was a Professor for Statistics and Data Science at the Humboldt-Universität zu Berlin before joining KIT. Moussa joined Nadja's lab as an associated member in 2023 and later as a postdoctoral researcher in 2024. He pursued a PhD at the TU Berlin while working as an AI Research Scientist at the Continental AI Lab in Berlin. His research primarily focuses on deep learning, developing uncertainty-based automated labeling methods for 2D object detection in autonomous driving. Prior to this, Moussa earned his M.Sc. in Mechatronics Engineering from the TU Darmstadt in 2021. The research of Nadja and Moussa is at the intersection of statistics and machine learning. In Nadja's MBD Lab the research spans theoretical analysis, method development and real-world applications. One of their key focuses is Bayesian methods, which allow to incorporate prior knowledge, quantify uncertainties, and bring insights to the “black boxes” of machine learning. By fusing the precision and reliability of Bayesian statistics with the adaptability of machine and deep learning, these methods aim to leverage the best of both worlds. The KIT offers a strong research environment, making it an ideal place to continue their work. They bring new expertise that can be leveraged in various applications and on the other hand Helmholtz offers a great platform in that respect to explore new application areas. For example Moussa decided to join the group at KIT as part of the Helmholtz Pilot Program Core-Informatics at KIT (KiKIT), which is an initiative focused on advancing fundamental research in informatics within the Helmholtz Association. Vision models typically depend on large volumes of labeled data, but collecting and labeling this data is both expensive and prone to errors. During his PhD, his research centered on data-efficient learning using uncertainty-based automated labeling techniques. That means estimating and using the uncertainty of models to select the helpful data samples to train the models to label the rest themselves. Now, within KiKIT, his work has evolved to include knowledge-based approaches in multi-task models, eg. detection and depth estimation — with the broader goal of enabling the development and deployment of reliable, accurate vision systems in real-world applications. Statistics and data science are fascinating fields, offering a wide variety of methods and applications that constantly lead to new insights. Within this domain, Bayesian methods are especially compelling, as they enable the quantification of uncertainty and the incorporation of prior knowledge. These capabilities contribute to making machine learning models more data-efficient, interpretable, and robust, which are essential qualities in safety-critical domains such as autonomous driving and personalized medicine. Nadja is also enthusiastic about the interdisciplinarity of the subject — repeatedly changing the focus from mathematics to economics to statistics to computer science. The combination of theoretical fundamentals and practical applications makes statistics an agile and important field of research in data science. From a deep learning perspective, the focus is on making models both more efficient and more reliable when dealing with large-scale data and complex dependencies. One way to do this is by reducing the need for extensive labeled data. They also work on developing self-aware models that can recognize when they're unsure and even reject their own predictions when necessary. Additionally, they explore model pruning techniques to improve computational efficiency, and specialize in Bayesian deep learning, allowing machine learning models to better handle uncertainty and complex dependencies. Beyond the methods themselves, they also contribute by publishing datasets that help push the development of next-generation, state-of-the-art models. The learning methods are applied across different domains such as object detection, depth estimation, semantic segmentation, and trajectory prediction — especially in the context of autonomous driving and agricultural applications. As deep learning technologies continue to evolve, they're also expanding into new application areas such as medical imaging. Unlike traditional deep learning, Bayesian deep learning provides uncertainty estimates alongside predictions, allowing for more principled decision-making and reducing catastrophic failures in safety-critical application. It has had a growing impact in several real-world domains where uncertainty really matters. Bayesian learning incorporates prior knowledge and updates beliefs as new data comes in, rather than relying purely on data-driven optimization. In healthcare, for example, Bayesian models help quantify uncertainty in medical diagnoses, which supports more risk-aware treatment decisions and can ultimately lead to better patient outcomes. In autonomous vehicles, Bayesian models play a key role in improving safety. By recognizing when the system is uncertain, they help capture edge cases more effectively, reduce false positives and negatives in object detection, and navigate complex, dynamic environments — like bad weather or unexpected road conditions — more reliably. In finance, Bayesian deep learning enhances both risk assessment and fraud detection by allowing the system to assess how confident it is in its predictions. That added layer of information supports more informed decision-making and helps reduce costly errors. Across all these areas, the key advantage is the ability to move beyond just accuracy and incorporate trust and reliability into AI systems. Bayesian methods are traditionally more expensive, but modern approximations (e.g., variational inference or last layer inference) make them feasible. Computational costs depend on the problem — sometimes Bayesian models require fewer data points to achieve better performance. The trade-off is between interpretability and computational efficiency, but hardware improvements are helping bridge this gap. Their research on uncertainty-based automated labeling is designed to make models not just safer and more reliable, but also more efficient. By reducing the need for extensive manual labeling, one improves the overall quality of the dataset while cutting down on human effort and potential labeling errors. Importantly, by selecting informative samples, the model learns from better data — which means it can reach higher performance with fewer training examples. This leads to faster training and better generalization without sacrificing accuracy. They also focus on developing lightweight uncertainty estimation techniques that are computationally efficient, so these benefits don't come with heavy resource demands. In short, this approach helps build models that are more robust, more adaptive to new data, and significantly more efficient to train and deploy — which is critical for real-world systems where both accuracy and speed matter. Statisticians and deep learning researchers often use distinct methodologies, vocabulary and frameworks, making communication and collaboration challenging. Unfortunately, there is a lack of Interdisciplinary education: Traditional academic programs rarely integrate both fields. It is necessary to foster joint programs, workshops, and cross-disciplinary training can help bridge this gap. From Moussa's experience coming through an industrial PhD, he has seen how many industry settings tend to prioritize short-term gains — favoring quick wins in deep learning over deeper, more fundamental improvements. To overcome this, we need to build long-term research partnerships between academia and industry — ones that allow for foundational work to evolve alongside practical applications. That kind of collaboration can drive more sustainable, impactful innovation in the long run, something we do at methods for big data. Looking ahead, one of the major directions for deep learning in the next five to ten years is the shift toward trustworthy AI. We're already seeing growing attention on making models more explainable, fair, and robust — especially as AI systems are being deployed in critical areas like healthcare, mobility, and finance. The group also expect to see more hybrid models — combining deep learning with Bayesian methods, physics-based models, or symbolic reasoning. These approaches can help bridge the gap between raw performance and interpretability, and often lead to more data-efficient solutions. Another big trend is the rise of uncertainty-aware AI. As AI moves into more high-risk, real-world applications, it becomes essential that systems understand and communicate their own confidence. This is where uncertainty modeling will play a key role — helping to make AI not just more powerful, but also more safe and reliable. The lecture "Advanced Bayesian Data Analysis" covers fundamental concepts in Bayesian statistics, including parametric and non-parametric regression, computational techniques such as MCMC and variational inference, and Bayesian priors for handling high-dimensional data. Additionally, the lecturers offer a Research Seminar on Selected Topics in Statistical Learning and Data Science. The workgroup offers a variety of Master's thesis topics at the intersection of statistics and deep learning, focusing on Bayesian modeling, uncertainty quantification, and high-dimensional methods. Current topics include predictive information criteria for Bayesian models and uncertainty quantification in deep learning. Topics span theoretical, methodological, computational and applied projects. Students interested in rigorous theoretical and applied research are encouraged to explore our available projects and contact us for further details. The general advice of Nadja and Moussa for everybody interested to enter the field is: "Develop a strong foundation in statistical and mathematical principles, rather than focusing solely on the latest trends. Gain expertise in both theory and practical applications, as real-world impact requires a balance of both. Be open to interdisciplinary collaboration. Some of the most exciting and meaningful innovations happen at the intersection of fields — whether that's statistics and deep learning, or AI and domain-specific areas like medicine or mobility. So don't be afraid to step outside your comfort zone, ask questions across disciplines, and look for ways to connect different perspectives. That's often where real breakthroughs happen. With every new challenge comes an opportunity to innovate, and that's what keeps this work exciting. We're always pushing for more robust, efficient, and trustworthy AI. And we're also growing — so if you're a motivated researcher interested in this space, we'd love to hear from you." Literature and further information Webpage of the group G. Nuti, Lluis A.J. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arxiv Jan 2019 Wikipedia: Expected value of sample information C. Howson & P. Urbach: Scientific Reasoning: The Bayesian Approach (3rd ed.). Open Court Publishing Company. ISBN 978-0-8126-9578-6, 2005. A.Gelman e.a.: Bayesian Data Analysis Third Edition. Chapman and Hall/CRC. ISBN 978-1-4398-4095-5, 2013. Yu, Angela: Introduction to Bayesian Decision Theory cogsci.ucsd.edu, 2013. Devin Soni: Introduction to Bayesian Networks, 2015. G. Nuti, L. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arXiv:1901.03214 stat.ML, 2019. M. Carlan, T. Kneib and N. Klein: Bayesian conditional transformation models, Journal of the American Statistical Association, 119(546):1360-1373, 2024. N. Klein: Distributional regression for data analysis , Annual Review of Statistics and Its Application, 11:321-346, 2024 C.Hoffmann and N.Klein: Marginally calibrated response distributions for end-to-end learning in autonomous driving, Annals of Applied Statistics, 17(2):1740-1763, 2023 Kassem Sbeyti, M., Karg, M., Wirth, C., Klein, N., & Albayrak, S. (2024, September). Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection. In Uncertainty in Artificial Intelligence (pp. 1890-1900). PMLR. M. K. Sbeyti, N. Klein, A. Nowzad, F. Sivrikaya and S. Albayrak: Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection pdf. To appear in Transactions on Machine Learning Research, 2025 Podcasts Learning, Teaching, and Building in the Age of AI Ep 42 of Vanishing Gradient, Jan 2025. O. Beige, G. Thäter: Risikoentscheidungsprozesse, Gespräch im Modellansatz Podcast, Folge 193, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.

Die weltweit genauste Waage steht am KIT, wiegt 200 Tonnen und hat eine der wichtigsten Aufgaben der Physik gelöst: Sie hat das Gewicht der Neutrinos bestimmt – kleine Geisterteilchen, die im Universum wahrscheinlich am häufigsten vorkommen. Lange dachte man, dass die Teilchen gar keine Masse haben. Stefan Troendle im Gespräch mit Prof. Kathrin Valerius, Karlsruher Institut für Technologie (KIT).

Deutschland steht für Ingenieurskunst, exzellente Ausbildung und eine starke Industrie. Doch bei Zukunftstechnologien droht das Land ins Hintertreffen zu geraten. Es gibt eine sehr gute Hochschullandschaft, aber "wenn unsere Startups Geld aus Kalifornien bekommen, gehen die guten Ideen eben nach Kalifornien", sagt Oliver Kraft, Vizepräsident des Karlsruher Instituts für Technologie (KIT). Besonders in den Zukunftsbranchen wiederholt sich dieses Muster: Photovoltaik, Batterietechnologie, Künstliche Intelligenz - überall gab es vielversprechende Ansätze, doch oft fehlte der langfristige Wille zur Förderung.Besonders bitter: Es mangelt nicht an klugen Köpfen oder innovativen Ideen, sondern an finanzieller und struktureller Unterstützung. In den 2000er Jahren war Deutschland führend in der Solartechnologie, bevor Unternehmen reihenweise aufgegeben haben oder ins Ausland abgewandert sind. "Unsere Photovoltaik-Industrie haben wir erst einmal aus dem Land vertrieben - und jetzt tun wir es gerade zum zweiten Mal", warnt Kraft.Auch in der Batterietechnik sah es gut aus: "Vor 15 Jahren waren wir in der Forschung zur Lithium-Ionen-Batterie weit vorn und haben auch das aufgegeben, weil die deutsche Industrie abgewunken hat", so Kraft. Dasselbe drohe nun im Bereich der Künstlichen Intelligenz: Während in den USA Milliarden in KI-Startups fließen, läuft die Förderung in Deutschland eher schleppend.Doch nicht alles sieht düster aus. 2024 feierte das KIT sein 200-jähriges Bestehen - eine Hochschule, die Pionierleistungen hervorgebracht hat: Das damalige Polytechnikum Karlsruhe war Vorbild für das berühmte Massachusetts Institute of Technology (MIT) in den USA. Carl Benz studierte in Karlsruhe, bevor er das Automobil erfand. Heinrich Hertz entdeckte die elektromagnetischen Wellen, die später Basis für Funk, WLAN und Mobilfunk wurden. Otto Lehmann legte mit der Erforschung von Flüssigkristallen den Grundstein für moderne Displays.Karlsruhe entwickelt sich durch das KIT immer mehr zu einem Hotspot für IT-Unternehmen - über 50 Prozent der Gewerbesteuereinnahmen der Stadt kommen mittlerweile aus der Tech-Branche. Auch bei Ausgründungen gibt es Lichtblicke: "Startups aus dem KIT wurden von großen Playern wie Zoom übernommen, die hier Entwicklungszentren aufbauen", erzählt Kraft. Diese Dynamik müsse auf andere Technologiefelder ausgeweitet werden, damit Deutschland nicht an globalem Einfluss verliere.Ein vielversprechender Bereich ist die Materialwissenschaft, in der das KIT eine Vorreiterrolle spielt. Hier wird mit Künstlicher Intelligenz an autonomen Laboren geforscht, die neue Werkstoffe schneller entdecken und entwickeln als je zuvor. Wie das funktioniert und wieso Oliver Kraft trotz aller Schwierigkeiten positiv auf den Standort Deutschland blickt, erzählt er in der neuen Folge von "So techt Deutschland". Sie haben Fragen für Frauke Holzmeier und Andreas Laukat? Dann schreiben Sie eine E-Mail an sotechtdeutschland@ntv.de Alle Rabattcodes und Infos zu unseren Werbepartnern finden Sie hier: https://linktr.ee/sotechtdeutschlandUnsere allgemeinen Datenschutzrichtlinien finden Sie unter https://datenschutz.ad-alliance.de/podcast.htmlWir verarbeiten im Zusammenhang mit dem Angebot unserer Podcasts Daten. Wenn Sie der automatischen Übermittlung der Daten widersprechen wollen, klicken Sie hier: https://datenschutz.ad-alliance.de/podcast.htmlUnsere allgemeinen Datenschutzrichtlinien finden Sie unter https://art19.com/privacy. Die Datenschutzrichtlinien für Kalifornien sind unter https://art19.com/privacy#do-not-sell-my-info abrufbar.

Zurzeit läuft Europas größte Bildungsmesse Didacta in Stuttgart. Ein Thema: Digitale Hilfsmittel im Unterricht wie Tablets und digitale Tafeln. Und auch die Künstliche Intelligenz spielt auf der Didacta eine große Rolle. Aber wie viel Digitalisierung im Unterricht ist sinnvoll? Stefan Troendle im Gespräch mit Schulpädagogin Prof. Dr. Britta Klopsch, Karlsruher Institut für Technologie (KIT).

In dieser Interviewfolge der Sportfamilie spricht Max mit Professor Dr. Ingo Wagner über das Thema Schulsport und wie dieser durch interdisziplinäre Ansätze bereichert werden kann. Gemeinsam diskutieren sie, warum der Sportunterricht weit mehr ist als nur Bewegung und welche Rolle er für die ganzheitliche Bildung von Kindern und Jugendlichen spielt. Von den Herausforderungen eines modernen Schulsports bis hin zu innovativen Konzepten wie der Verknüpfung mit MINT-Fächern (Mathematik, Informatik, Naturwissenschaften und Technik): Diese Folge bietet spannende Einblicke für Lehrkräfte, Eltern und alle, die sich für die Zukunft des Schulsports und der Schule in Deutschland interessieren. Ingo Wagner ist Professor für Sportpädagogik, Sportsoziologie und Gesundheitsbildung an der Albert-Ludwigs-Universität Freiburg. Nach seinem Studium der Fächer Sport, Mathematik, Philosophie und Pädagogik für das gymnasiale Lehramt an der Universität zu Köln, der Deutschen Sporthochschule Köln und der Sorbonne Université (Paris), sammelte er wertvolle Erfahrungen als Gastdozent an der University of Brighton (UK) und als Lehrer an verschiedenen Schulformen. Seine Promotion schloss er 2015 an der Deutschen Sporthochschule Köln ab. Bis 2024 war er Professor am Karlsruher Institut für Technologie (KIT), wo er die Abteilung für Interdisziplinäre Didaktik der MINT-Fächer und des Sports leitete. Die Forschungsschwerpunkte von Professor Wagner liegen in der Verbindung von MINT-Fächern und Sport, mit einem besonderen Fokus auf didaktische, pädagogische und soziale Fragestellungen. Für seine Arbeit wurde er mehrfach ausgezeichnet, darunter mit dem dvs-Nachwuchspreis und dem Karl-Hofmann-Preis. Darüber hinaus engagiert er sich aktiv für die Nachwuchsförderung in der Sportwissenschaft. Im Podcast **Die Sportfamilie** präsentieren wir – Maximilian Breboeck und Dr. Leon Brudy – jeden Mittwoch Interviews mit inspirierenden Persönlichkeiten aus der Welt des Sports sowie Wissensfolgen zur Verbesserung der körperlichen, geistigen und emotionalen Fitness, begleitet von unserer großartigen Sprecherin Stephanie Fehr. Unser Ziel ist es, dir wertvolle Einsichten und neue Perspektiven zu vermitteln, die dir und deiner Familie helfen, gemeinsam fitter und gesünder zu werden, während ihr eure sportlichen und persönlichen Ziele verfolgt. Maximilian Breböck ist ehemaliger Leistungssportler (Tennis), Sportökonom (ebs), Diplom-Kaufmann und Experte für Persönlichkeitsentwicklung. Mit seiner Leidenschaft für Fitness und lebenslanges Lernen inspiriert er als Autor und Coach Menschen, ihre sportlichen und persönlichen Ziele zu erreichen. Dr. Leon Brudy ist Sport- und Gesundheitsexperte mit einem Master und Doktortitel in Gesundheitswissenschaften. Als ehemaliger Leistungssportler (Fußball), Autor und Forscher interessiert er sich besonders für Prävention, mentale Stärke und digitale Gesundheit.

Warum werden narrative Spielelemente im Kontext von Gamification selten (erfolgreich) eingesetzt, obwohl wir Menschen Geschichten lieben? Und was gilt es bei der Verwendung von Narrativen zu beachten? ⁠Manuel Schmidt-Kraepelin⁠ ist Wirtschaftsinformatiker in der ⁠Forschungsgruppe "Critical Information Infrastructures" (cii)⁠ am Karlsruher Institut für Technologie (KIT). In seiner Dissertation untersuchte er den Einsatz von Gamification in Informationssystemen, um gesundheitliches Verhalten zu fördern. Dabei stieß er auf ein noch relativ wenig untersuchtes Thema in der Gamification: die Narration als Spielelement. Im Gespräch mit Philip und Ben erzählt Manuel u. a.: - wie er die historische Entwicklung von Gamification erlebt hat und von Positiv- & Negativbeispielen für narrative Elemente in Gamification-Anwendungen, - welche Aspekte man bei der Narration und dessen Einsatz betrachten kann (narrative content, discourse, product, act und narrative object) und welche Effekte sich durch diese Perspektiven ergeben, - warum die Narration zur gamifizierten Aufgabe passen sollte und wie er dies mit Robin Hood untersucht, - welche drei Typen von Healthcare-Gamification es gibt und an welchen spannenden Themen er in diesem Bereich schon gearbeitet hat. Zudem erfahrt ihr, ob Narrative auch schaden können, wie sich die Forschung zwischen Wirtschaftsinformatik und Mensch-Computer-Interaktion unterscheidet und wie man durch Laufsprints Truhen öffnet. === weiterführende Links === Paper 1 zu Konzeption von Narrativen in gamifizierten Informationssystemen: scholarspace.manoa.hawaii.edu/items/911b28f0-5818-4cb0-ae43-2c846277dd54 Paper 2 zu Narrative Transportation und Narrative-Task Congruence mit Beispiel "Run, Robin": dl.acm.org/doi/abs/10.1145/3544549.3585595 Manuels weiteres Schaffen: cii.aifb.kit.edu/deutsch/schmidt-kraepelin.php Mail: manuel.schmidt-kraepelin@kit.edu Dungeons & Workouts: dersportverlag.de/?listview&link=0804000 Konferenz "Mensch und Computer" im September 2024 am KIT: muc2024.mensch-und-computer.de/de/ Ihr vermisst Links? Lasst es uns gern wissen! === direkt Spielsinn weiterhören === zu Fußball als gamifiziertes Laufen: #37, zu Erzählung im Spiel: #16, zu gamifiziertem Radfahren mit Zwift: #58, zur CHI 2024: #61.2, zu Gamification bei der Berufsorientierung: #47, zu Ranglisten: #9, zu Onboarding: #14, zu intrinsischer Langzeitmotivation in Spielen: #19, zum Duolingo-Paper in der Jahresabschlussfolge 2023: #55.3, zum Octalysis-Framework: #5, zu Gamification-Trends: #29, zu Storytelling als Mindset: #32, zur Selbstbestimmungstheorie: #54.3 =========================

Ein Vortrag des Historikers Rolf-Ulrich KunzeModeration: Katrin Ohlendorf**********Hinweis: Im folgenden Hörsaal geht es um das Attentat vom 20 Juli 1944. Er wurde vor dem Anschlag auf Donald Trump produziert und nimmt keinen Bezug darauf. **********Am 20. Juli 2024 jährt sich Stauffenbergs Hitler-Attentat zum 80. Mal. Der Historiker Rolf-Ulrich Kunze mahnt: Lehren lassen sich wenn überhaupt nicht aus dem NS-Widerstand ziehen, sondern aus der Zeit davor: Wir müssen jetzt die Demokratie verteidigen, damit Widerstand gar nicht erst nötig wird.Rolf-Ulrich Kunze ist Professor für Neuere und Neueste Geschichte am Department für Geschichte des Karlsruher Instituts für Technologie (KIT). Seinen Vortrag mit dem Titel „Wehrhafte Demokratie statt später Widerstand – Wie verteidigen wir unseren Verfassungsstaat?" hat er am 10. Juli 2024 im Generallandesarchiv Karlsruhe gehalten - und zwar auf Einladung des Vereins Lernort Kislau und des Fördervereins Forum Recht.**********Schlagworte: +++ Hörsaal +++ Deutschlandfunk Nova +++ Vortrag +++ Wissenschaft +++ Geschichte +++ Nationalsozialismus +++ NS-Zeit +++ Weimarer Republik +++ Weiße Rose +++ Kreisauer Kreis +++ Widerstand +++ Hitler-Attentat +++ 20. Juli 1944 +++ Claus Schenk von Stauffenberg +++ Eugen Gerstenmaier +++ Georg Elser +++ Geschwister Scholl +++ Hans Scholl +++ Sophie Scholl +++ Carl Friedrich Goerdeler +++ Dietrich Bonhoeffer +++ Henning von Tresckow +++ Kurt Schumacher +++ Elisabeth Schumacher +++ Alfred Delp +++ Diktatur +++ Demokratie +++ Verfassung +++ Grundgesetz +++ Rechtsextremismus +++ #niewieder +++ Rechtspopulismus +++ AfD +++ Parteiverbot +++ Erinnerungspolitik +++ Gedenken +++ Gedenkstätte Deutscher Widerstand +++ Hitler +++ Bendlerblock +++**********Ihr hört in diesem Hörsaal:00:00:01 - Einführung ins Thema und Infos zum Vortrag00:04:29 - Beginn des Vortrags - Einleitung00:11:43 - Teil I: Erinnerungspolitik - Der funktionalisierende Umgang mit dem NS-Widerstand in Deutschland von 1945 bis heute00:30:39 - Teil II: Lehren aus dem NS-Widerstand und Weimar - Was wir tun können, um die Demokratie zu verteidigen00:44:28 - Abmoderation und Hörtipps**********Quellen aus der Folge:Karl Dietrich Bracher: Die deutsche Diktatur - Entstehung, Struktur, Folgen des Nationalsozialismus. Köln/Berlin 1969. Peter Hoffmann: Claus Schenk Graf von Stauffenberg und seine Brüder. Stuttgart 1992. Michael Burleigh: Die Zeit des Nationalsozialismus - Eine Gesamtdarstellung. Frankfurt am Main 2000. Gerd R. Ueberschär: Stauffenberg - Der 20. Juli 1944. Frankfurt am Main 2004. Eugen Gerstenmaier: Streit und Friede hat seine Zeit - Ein Lebensbericht. Frankfurt am Main u. a. 1980. Alle Quellen findet ihr hier.**********Empfehlungen aus der Folge:www.verfassungsblog.de **********Mehr zum Thema bei Deutschlandfunk Nova:Nationalsozialismus: Wie die Demokratie abgeschafft wurdeRechtswissenschaft: So könnte die AfD die Schulen verändernTheodor W. Adorno - Was ist deutsch? Stereotypenbildung befördert den kollektiven Narzissmus**********Den Artikel zum Stück findet ihr hier.**********Ihr könnt uns auch auf diesen Kanälen folgen: Tiktok und Instagram.

Immer weniger Deutsche denken darüber nach, ein E-Auto zu kaufen, viele liebäugeln stattdessen mit einem Verbrenner. Experten sprechen von einem „Akzeptanzproblem“ der elektrischen Fahrzeuge. Zu Recht? Wo hakt es bei der E-Mobilität, und was muss sich ändern, damit mehr Menschen aufs E-Auto umsteigen? Welche Rolle spielt die Diskussion um andere Technologien wie E-Fuels oder Wasserstoff? Welche Auswirkungen haben mögliche Strafzölle auf chinesische E-Autos? Geli Hensolt diskutiert mit Lisa Bohm – Unternehmensberaterin für E-Mobilität, Rellingen; Professor Claus-Christian Carbon – Lehrstuhl für Allgemeine Psychologie und Methodenlehre, Uni Bamberg; Thomas Koch – Leiter des Instituts für Kolbenmaschinen am Karlsruher Institut für Technologie (KIT)

Fragst du dich, ob es neben der traditionellen Silizium-basierten Technologie weitere Methoden gibt, um Sonnenenergie in elektrische Energie umzuwandeln? Die Antwort lautet: Ja! Organische Photovoltaik ist eine innovative und vielversprechende Technologie, die das Potenzial hat, die Energiegewinnung durch Solarzellen zu revolutionieren. In diesem Kontext spielt das Projekt SEMTRASOL am Karlsruher Institut für Technologie (KIT) eine führende Rolle. Organische Photovoltaik nutzt organische Moleküle zur Umwandlung von Sonnenlicht in Energie. Im Gegensatz zu traditionellen Photovoltaik-Systemen, die auf Silizium basieren, verwendet die organische Photovoltaik Kohlenstoff-basierte Materialien. Dies ermöglicht die Herstellung von flexiblen, lichtdurchlässigen PV-Folien, die nicht nur auf Dächern, sondern auch auf Fenstern, Fassaden und sogar Kleidung eingesetzt werden können, um Solarenergie effizient zu nutzen. Lena hat sich mit Christian Sprau, dem Leiter des SEMTRASOL-Projekts am KIT, über die spannenden Möglichkeiten und Herausforderungen der organischen Photovoltaik unterhalten. Christian und sein Team erforschen innovative Ansätze zur Steigerung der Effizienz und der Einsatzmöglichkeiten von organischer PV. In dieser Episode #EnergieaufsOhr teilt Christian faszinierende Einblicke in die Grundlagen, die technischen Aspekte und das enorme Potenzial der organischen Photovoltaik. Durch ihre Fähigkeit, auf verschiedensten Oberflächen angewendet zu werden, bietet die organische Photovoltaik eine flexible Lösung für die zukünftige Energiegewinnung aus Solar. Tauche ein in die Welt der organischen Photovoltaik und entdecke, wie SEMTRASOL die Landschaft der erneuerbaren Energien neu gestaltet. Kopfhörer auf und lass dich inspirieren! Zum Projekt SEMTRASOL am KIT: https://www.kit.edu/kit/pi_2023_030_photovoltaik-energieversorgung-mit-durchblick.php Zum Memodo Solarshop: https://memodo.de Zur Memodo Wissenswelt: https://www.memodo.de/m

Gudrun sprach im Januar 2024 mit zwei Studenten ihrer Vorlesung Mathematical Modelling and Simulation: Lukas Ullmer und Moritz Vogel. Sie hatten in ihrem Projekt Wahlmodelle ananlysiert. In dem Gespräch geht es darum, wie man hierfür mathematische Modelle findet, ob man Wahlsysteme fair gestalten kann und was sie aus den von ihnen gewählten Beispielen gelernt haben. Der Fokus ihrer Projektarbeit liegt auf der Betrachtung und Analyse von Wahlen, in denen mehrere verschiedene Wähler zu einem Thema abstimmen. Formal von Relevanz sind hierbei die sogenannten Wahlsysteme, welche die Art der Aggregation der Wählerstimmen beschreiben. Diese fallen in der Praxis recht vielfältig aus und über die Jahre wurden verschiedenste Wahlsysteme vorgeschlagen, angewendet und auch analysiert. In dieser Arbeit werden drei Kategorien präferenzbasierter Wahlsysteme analysiert: vergleichsbasierte Systeme, Scoring-Systeme sowie Approval-Systeme. Aufbauend darauf erfolgt die Konstruktion mehrstufiger und hybrider Wahlsysteme. Desweiteren werden verschiedenen Wahleigenschaften wie z.B. die Nicht-Diktatur oder die Strategiesicherheit betrachtet. Diese meist wünschenswerten Eigenschaften schließen sich teilweise gegenseitig aus. Die Themen Wahlmanipulation und Wahlkontrolle liegen deshalb besonders im Fokus. Literatur und weiterführende Informationen J. Rothe u.a. Einführung in Computational Social Choice: Individuelle Strategien und kollektive Entscheidungen beim Spielen, Wählen und Teilen. Spektrum Akademischer Verlag Heidelberg, 2012. doi: 10.1007/978-3-8274-2571-3. A.D. Taylor and A.M. Pacelli: Mathematics and Politics - Strategy, Voting, Power, and Proof. Springer-Verlag, Berlin Heidelberg, 2nd corrected ed. 2008, corr. 3rd printing, 2009. H.-J. Bungartz e.a.: Modellbildung und Simulation - Eine anwendungsorientierte Einführung Kapitel 4: Gruppenentscheidungen, Springer, 2009. G.G. Szpiro: Die verflixte Mathematik der Demokratie, Springer, 2011. W.D. Wallis. The Mathematics of Elections and Voting. Springer, Berlin, Heidelberg, 2014. K. Loewenstein: Verfassungsrecht und Verfassungspraxis der Vereinigten Staaten, Springer-Verlag, Berlin Heidelberg New York, 1959. Podcasts P. Stursberg, G. Thäter: Social Choice, Gespräch im Modellansatz Podcast, Folge 129, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. M. Lübbecke, S. Ritterbusch: Operations Research, Gespräch im Modellansatz Podcast, Folge 110, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. P. Staudt, G. Thäter: Wahlsysteme, Gespräch im Modellansatz Podcast, Folge 27, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014. M. Fehndrich, T. Pritlove: Wahlrecht und Wahlsysteme, Gespräch im CRE Podcast, Folge 128, Metaebene Personal Media, 2009. S. Gassama, L. Harms, D. Schneiderhan, G. Thaeter: Gruppenentscheidungen, Gespräch im Modellansatz Podcast, Folge 229, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2020.

Das Europaparlament hat heute für Lockerungen beim Einsatz von neuen, gentechnischen Verfahren wie der Genschere CRISPR/Cas in der Pflanzenzüchtung gestimmt. Viele Wissenschaftler*innen sehen darin die Chance, Nutzpflanzen so zu verändern, dass sie gesünder und widerstandsfähiger werden. Ralf Caspary im Gespräch mit dem Mikrobiologen Prof. Holger Puchta, Karlsruher Institut für Technologie (KIT).

while(true) ist der Podcast über Informatik in Studium, Forschung und Alltag. Sebastian Hahner ist wissenschaftlicher Mitarbeiter und Doktorand am Karlsruher Institut für Technologie (KIT) und forscht an der Schnittstelle von Software-Architektur und Sicherheit.

In dieser Folge spricht Jacqueline Klusik-Eckert mit Harald Sack und Holger Simon über den Knowledge Graph und seine Bedeutung für die Kunstgeschichte. Schon jetzt finden sich viele Informationen über Kulturgüter und Geschichte digital im Netz. Datenbanken und Repositories bieten zwar verstärkt Zugang zu Informationen, sind aber oft in isolierten Silos verstreut. Institutionen nutzen unterschiedliche Systeme zur Datenbereitstellung, was zu einer fragmentierten Landschaft führt. Meta-Datenbanken wie Europeana und die Deutsche Digitale Bibliothek versuchen, diese Fragmentierung zu überwinden, aber ihr Erfolg ist begrenzt. Es scheint, als bräuchten wir eine Meta-Meta-Datenbank, um diese Silos zu durchbrechen. Die Grundidee des Internets und das Konzept Linked Open Data (LOD) versprechen hier Abhilfe zu leisten. Die Herausforderung besteht darin, dieses vernetzte Wissen digital abzubilden. Hier kommt der Knowledge Graph ins Spiel. Im Rahmen des NFDI 4 Culture Projekts entsteht ein solcher Wissensgraph. Während in anderen Bereichen die Technologie des Knowledge Graphs schon länger im Einsatz ist – Google hat seit 2012 einen solchen Graphen etabliert –, befindet sich die Kunstgeschichte möglicherweise noch am Anfang dieser Entwicklung. GLAM-Institutionen (Galleries, Libraries, Archives, Museums) haben eine wichtige Rolle bei der Datenbereitstellung, müssen aber auch Anreize für den Austausch schaffen und erhalten.Für die Forschung eröffnet der Knowledge Graph neue Horizonte. Er ermöglicht nicht nur andere Fragestellungen und Visualisierungen von Datenmassen, sondern auch eine komplexere Anreicherung von Museumsinformationen. Aber letztendlich gewinnt der Mensch durch die Erkenntnisse, die aus diesen Daten gezogen werden.Von der Modellierung im Graphen bei der Digitalisierung bis hin zur Unterstützung durch die NFDI gibt es verschiedene Wege, sich einzubringen. Doch letztendlich liegt die Herausforderung darin, wie wir als Gemeinschaft von Forschenden und Kulturerbebewahrenden diese komplexe Datenlandschaft gemeinsam gestalten und nutzen können.Prof. Dr. Harald Sack isst Bereichsleiter für Information Service Engineering bei FIZ Karlsruhe – Leibniz-Institut für Informationsinfrastruktur und Professor am Karlsruher Institut für Technologie (KIT), Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB) mit der Forschungsgruppe „Information Service Engineering“. Und NFDI4Culture Co-Spockesperson von FIz KarlsruheProf. Dr. Holger Simon ist Sprecher im AK Digitale Kunstgeschichte, Geschäftsführer der Pausanio GmbH & Co. KG, Er ist außerplanmäßiger Professor an der Universität zu Köln und im Culture Steering Board NFDI 4 Culture.Begleitmaterial zu den Folgen findest du auf der Homepage unter https://www.arthistoricum.net/themen/podcasts/arthistocastAlle Folgen des Podcasts werden bei heidICON mit Metadaten und persistentem Identifier gespeichert. Die Folgen haben die Creative-Commons-Lizenz CC BY 4.0 und können heruntergeladen werden. Du findest sie unterhttps://doi.org/10.11588/heidicon/1738702Bei Fragen, Anregungen, Kritik und gerne auch Lob kannst du gerne per Mail an uns schicken unterpodcast@digitale-kunstgeschichte.de

Alle zwei Jahre pilgern Scharen von Architekturschaffenden zur Architekturbiennale nach Venedig. Die Show bringt sie alle zusammen, um innovative Ideen und Entwicklungen in der Architektur zu präsentieren und zu diskutieren. Mindestens genauso wichtig wie die fachliche Auseinandersetzung ist der Austausch mit den Laien, der Gesellschaft. Architektonische Inhalte so aufzubereiten, dass Laien sich angesprochen fühlen und die Inhalte auch verstehen, bleibt eine sehr anspruchsvolle Aufgabe. Wo wir bei der Wahrnehmung und Vermittlung von Architektur wären. „Ohne Kommunikation keine Architektur“ sagt unser heutiger Podcast-Gast Prof. Dr. Riklef Rambow von der Professur Architekturkommunikation (a*komm) vom Karlsruher Institut für Technologie (KIT). Aber spricht das Gebaute nicht für sich? Ist Architektur nicht einfach sinnlich/räumlich erfahrbar? Muss Architektur erklärt werden, um Gehör zu finden? Und was ist der richtige Weg zwischen der Theorie und der Praxis, oder noch pointierter: zwischen dem Elfenbeinturm der Wissenschaft und dem eigenen Bauchgefühl? Wir freuen uns auf das heutige Gespräch mit Prof. Dr. Riklef Rambow in unserem Podcast.

Immer öfter kommt es zu Wetterextremen. Bislang ist allerdings offen, ob das auch für Gewitter zutrifft. Forschende des Karlsruher Instituts für Technologie (KIT) wollen diese Frage beantworten. Dafür begeben sie sich als „Stormchaser“ direkt in das Gewitter.

In dieser Folge geht es darum, wie Sebastian und Gudrun Mathematik an Hochschulen unterrichten und welche Rollen das Medium Podcast und konkret unser Podcast Modellansatz dabei spielen. Die Fragen stellte unsere Hörerin Franziska Blendin, die in der Folge 233 im Jahr 2020 über Ihr Fernstudium Bachelor Maschinenbau berichtet hatte. Sie hatte uns vorab gefragt: "Was versprecht ihr euch von dem Podcast - was ist euer Fazit nach den Jahren den ihr ihn schon macht und wie gestaltet ihr warum Lehre? Was macht euch Spaß, was sind Herausforderungen, was frustriert euch? Warum und wie gestaltet ihr Lehre für Studierende außerhalb der Mathematik, also beispielsweise Maschinenbau?" Es ist ein bisschen lustig, dass die erste Folge Modellansatz, in der Sebastian und Gudrun sich spontan ein Thema zum reden suchten ausgerechnet ein Gespräch über eine neu konzipierte Vorlesung war und der Podcast diese Vorlesung bis heute in unterschiedlichen Rollen begleitet, obwohl das nicht zum ursprünglichen Plan gehörte, wie wir uns einen Podcast über Mathematik vorgestellt hatten. Einerseits haben viele kein Verständnis dafür, was alles mit Mathe gemacht werden kann, andererseits erleben wir intern andauernd so viele spannenden Vorträge und Personen. Eigentlich bringen wir die beiden Sachen in unserem Podcast nur zusammen. Das Medium Podcast ist dabei durch das Gespräch sehr niederschwellig: Es ist so sehr leicht mit den Gesprächen in die Themen einzusteigen und auch auf viel weiteren Ebenen sich darüber zu unterhalten. Wir sind überzeugt, dass wir mit Text oder Video nie so viele und so umfangreiche Austauschsformen einfangen können, mal ganz abgesehen davon, dass die Formate dann an sich für uns zu einer viel größeren Herausforderung in Form und Darstellung geworden wären. Wir hoffen, dass sich irgendwann auch mal eine Person dazu bekennt, wegen unseres Podcasts ein Mathe- oder Informatikstudium zu erwägen, aber bisher ist das tolle Feedback an sich ja schon eine ganz ausgezeichnete Bestätigung, dass diese Gespräche und Themen nicht nur uns interessieren. Viele der Gespräche haben sich auch schon vielfach für uns gelohnt: Sebastian hat aus vielen Gesprächen Inspirationen für Vorlesungen oder andere Umsetzungen gewonnen. Ein Fazit ist auf jeden Fall, dass das Ganze noch lange nicht auserzählt ist, aber wir auch nicht außerhalb unserer Umgebung leben. In der Pandemie sind einerseits Gespräche am Tisch gegenüber, wie wir sie gerne führen, schwierig geworden, und gleichzeitig ist die Lehre so viel aufwendiger geworden, dass kaum Zeit verblieb. Aufnahmen, waren zuletzt hauptsächlich "interne" Podcasts für Vorlesungen, damit die Studierenden daheim und unterwegs sich mit den Inhalten auseinandersetzen können. Gudrun hat damit auch Themen vorbereitet, die sie anschließend in die Zeitschrift Mitteilungen der Deutschen Mathematiker-Vereinigung als Artikel geschrieben hat. Das betrifft insbesondere die Folgen zu Allyship und zum Mentoring in der Mathematik. In der Vermittlung von Mathematik im Studium gibt es kaum Themen, die nicht irgendwo spannend und interessant sind. Um die Themen zu verstehen oder wie dort die Lösungen oder Verfahren gefunden wurden, muss die Theorie behandelt und in weiten Teilen verstanden werden. Da aber "Rosinenpickerei" nichts bringt (also nur die nötigsten Teile von Theorie zu erzählen), geht es darum, ein sinnvolles Mittelmaß zu finden. Also auf der einen Seite ein gutes Fundament aufzubauen zu einem Thema, aber gleichzeitig noch Zeit für Einblicke in spannende und interessante Teile zu haben. Es ist in der Vorbereitung auf der einen Seite total schön, wenn dann eine Anwendung perfekt in die Theorie passt, beispielsweise entwirft Sebastian gerade ein Skript zu formalen Sprachen und Grammatiken, und dann kann man das Komprimierverfahren LZW als eine dynamische Grammatik sehen. Oder es geht um theoretische und "langweilige" Zustandsmaschinen und dann gibt es das Beispiel, dass die Raspberry Pi Foundation gerade dazu einen eigenen Chip (RP2040) mit solchen Komponenten veröffentlicht, oder mit dem Newton-Verfahren wurde die schnelle Quadratwurzel für das Computerspiel Quake erst möglich. Ob das dann auch so toll in der Vorlesung herüberkommt, ist nochmal ein eigenes Thema, aber wenn es klappt, so ist das natürlich großartig. Umgekehrt frustriert es dann schon, wenn die Grundlagen nicht bei möglichst vielen ankommen- nicht jede Person muss sich ja bis ins letzte für ein Thema begeistern, aber am Ende sollte der Großteil die wichtigen Hauptsachen mitnehmen. Leider gibt es immer ein paar Leute, wo das dann trotz vieler Angebote leider nicht so gut klappt, und das frustriert natürlich. Dann muss geschaut werden, woran es liegen könnte. Aktuell hilft das Nörgeln und Nerven, wenn nicht regelmäßig die angebotenen Übungsaufgaben abgegeben werden, wohl mit am Besten. Warum werden mathematische Themen im Ingenieurstudium relevant: Das hängt ganz davon ab, welche Kurse wir haben, und was gebraucht wird... Sebastian unterrichtet jetzt gerade Informatik-Studierende und in den Wirtschaftswissenschaften, früher außer MACH/CIW/BIW/MAGE... auch mal Mathe-Lehrende. Das "Wie" ist dann jeweils auf die Gruppe zugeschnitten: Zunächst gibt es ja unterschiedliche Voraussetzungen: Curriculum, Haupt- & Nebenfächer, etc.. Dann gibt es eine Liste von Fertigkeiten, die vermittelt werden sollen und können, und dann besonders in den Vorlesungen außerhalb des Mathematik-Studiums die lästige Beschränkung des Umfangs der Veranstaltung, und wieviel Eigenarbeit erwartet werden kann. Grundsätzlich möchten wir auch bei den Nicht-Hauptfächlern so viel davon erzählen, was dahinter steht- statt "ist halt so"- und was heute damit gemacht werden kann. Diese Motivation macht vielen das Lernen leichter. Es muss aber auch immer viel selbst gemacht werden, dh. viele Aufgaben und prototypische Problemlösungen, denn Mathe lernt sich nicht durchs zuhören alleine. (leider... ;) Damit geht das Puzzle-Spiel los: Welche Grundlagen müssen aufgebaut werden, und was kann wie in der gegebenen Zeit sinnvoll behandelt werden... Und natürlich immer mit dem Blick darauf, ob es Anküpfungspunkte in die Studienrichtungen der Studierenden gibt. Literatur und weiterführende Informationen F. Blendin: Fußballfibel FSV Frankfurt MINT-Kolleg Baden-Württemberg fyyd - Die Podcast-Suchmaschine F. Blendin, S. Düerkop: Die Suche nach der ersten Frau, Zeit, 2.9.2020. GanzOhr-Konferenzen auf Wissenschaftspodcasts.de. RP2040 Dokumentation, Prozessor mit 8 Zustandsmaschinen. Schülerlabor Mathelabor der Fakultät für Mathematik am KIT und das Onlinelabor Einsetzungsverfahren gegenüber dem Gauß-Jordan-Verfahren Vom traditionellen Riemann-Integral zum modernen Lebesgue-Integral mit Nullmengen, das natürlich kompatibel ist zur Maßtheorie, Fourier-Transformation und zu den Sobolev-Räumen für Finite-Elemente Farbwahrnehmung durch Sinneszellen - Sinneszellen für langwelliges Licht werden auch durch kurzwelliges Licht angesprochen und das schließt die Illusion des Farbkreises Podcasts von Franziska Legende verloren Der Podcast über die vergessenen Geschichten des deutschen und internationalen Frauenfußballs, Produziert von Sascha, Sven, Petra, Freddy, Helga, Sunny, Franzi G4 Podcast über CNC-Maschinen (Thema Zerspanung, zuletzt mit Sonderfolgen zum Lernen im Studium) Braucast - Ein Hobbybrau-Podcast. Podcasts zum Thema Mathe in der Hochschullehre A. Chauhan, G. Thäter: CSE, Gespräch im Modellansatz Podcast, Folge 249, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2022. F. Blendlin, G. Thäter: Fernstudium Maschinenbau, Gespräch im Modellansatz Podcast, Folge 233, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2020. Y. Cai, S. Dhanrajani, G. Thäter: Mechanical Engineering, Gespräch im Modellansatz Podcast, Folge 176, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. ]http://modellansatz.de/maschinenbau-hm|G. Thäter, G. Thäter: Maschinenbau HM], Gespräch im Modellansatz Podcast, Folge 169, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. G. Thäter, J. Rollin: Advanced Mathematics, Conversation in the Modellansatz Podcast, Episode 146, Department of Mathematics, Karlsruhe Institute for Technology (KIT), 2017. A. Kirsch: Lehramtsausbildung, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 104, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. F. Hettlich, G. Thäter: Höhere Mathematik, Gespräch im Modellansatz Podcast, Folge 34, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2014. M.-L. Maier, S. Ritterbusch: Rotierender 3d-Druck, Gespräch im Modellansatz Podcast, Folge 9, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2013. C. Spannagel, S. Ritterbusch: Flipped Classroom, Gespräch im Modellansatz Podcast, Folge 51, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015. M. Lübbecke, S. Ritterbusch: Operations Research, Gespräch im Modellansatz Podcast, Folge 110, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. Podcasts als Projektabschluss S. Bischof, T. Bohlig, J. Albrecht, G. Thäter: Benchmark OpenLB, Gespräch im Modellansatz Podcast, Folge 243, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2021. Y. Brenner, B. Hasenclever, U. Malottke, G. Thäter: Oszillationen, Gespräch im Modellansatz Podcast, Folge 239, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2021. S. Gassama, L. Harms, D. Schneiderhan, G. Thäter: Gruppenentscheidungen, Gespräch im Modellansatz Podcast, Folge 229, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2020. L. Dietz, J. Jeppener, G. Thäter: Gastransport - Gespräch im Modellansatz Podcast, Folge 214, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT) 2019. A. Akboyraz, A. Castillo, G. Thäter: Poiseuillestrom - Gespräch im Modellansatz Podcast, Folge 215, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT) 2019.A. Bayer, T. Braun, G. Thäter: Binärströmung, Gespräch im Modellansatz Podcast, Folge 218, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. C. Brett, N. Wilhelm, G. Thäter: Fluglotsen, Gespräch im Modellansatz Podcast, Folge 196, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019. Weitere erwähnte Podcasts, Artikel und Vorträge J. Breitner, S. Ritterbusch: Incredible Proof Machine, Gespräch im Modellansatz Podcast, Folge 78, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. R. Pollandt, S. Ajuvo, S. Ritterbusch: Rechenschieber, Gespräch im Modellansatz Podcast, Folge 184, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. S. Ritterbusch: 0x5f3759df - ein WTF für mehr FPS, Vortrag auf der GPN20, 2022. M. Lösch, S. Ritterbusch: Smart Meter Gateway, Gespräch im Modellansatz Podcast, Folge 135, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2017. M. Fürst, S. Ritterbusch: Probabilistische Robotik, Gespräch im Modellansatz Podcast, Folge 95, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016. M. Heidelberger: Bilderkennung zeigt Wege als Klang, Presseinformation 029/2018, Karlsruher Institut für Technologie (KIT), 2018. N. Ranosch, G. Thäter: Klavierstimmung. Gespräch im Modellansatz Podcast, Folge 67, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2015.

ein Vortrag des Philosophen Frieder VogelmannModeration: Katrin Ohlendorf ********** Wir leben in einem "postfaktischen" Zeitalter, heißt es oft. Stimmt das? Nein, sagt der Philosoph Frieder Vogelmann und warnt vor dieser falschen Diagnose, die das Misstrauen gegenüber der Wissenschaft fördern könnte. Warum, erklärt er in seinem Vortrag. Frieder Vogelmann ist Professor für Epistemology & Theory of Science am University College Freiburg und der Philosophischen Fakultät der Albert-Ludwigs-Universität Freiburg. Unter anderem arbeitet er zur Beziehung zwischen (Un)Wahrheit und Demokratie und zum Bild wissenschaftlicher Praktiken. Seinen Vortrag "Wissenschaft als Mittel gegen das 'postfaktische Zeitalter'?" hat er am 25. Mai 2023 im Rahmen der Vortragsreihe "Colloqium Fundamentale" des Karlsruher Instituts für Technologie (KIT) gehalten, das zu diesem Zeitpunkt, im Sommersemester 2023, unter dem Titel "Was ist Wahrheit? Annäherung an ein umstrittenes Konzept" stand. ********** Schlagworte: +++ Politik +++ Wissenschaft +++ Forschung +++ Medien +++ Soziale Medien +++ Social Media +++ Gesellschaft +++ Demokratie +++ Diskurs +++ Debatte +++ postfaktisch +++ postfaktisches Zeitalter +++ Postfaktizität +++ Fake News +++ Fakenews +++ Polarisierung +++ Rechtspopulismus +++ Wahrheit +++ Erkenntnistheorie +++ Epistemologie +++ Wissenschaftstheorie +++ Wissenschaftskommunikation +++**********Mehr zum Thema bei Deutschlandfunk Nova:Vertrauen, Schuld und Lüge: Bessere Wissenschaftskommunikation in KrisenzeitenSoziale Medien: Mitte der Gesellschaft weniger fragmentiertWissenschaft und Politik: Die Macht des Wissens als Gefahr für die Demokratie**********Den Artikel zum Stück findet ihr hier.**********Ihr könnt uns auch auf diesen Kanälen folgen: Tiktok und Instagram.

Im Vortrag von Wolf Fichtner sollen Energietechnologien und Energiemärkte für das zukünftige Energiesystem aufgezeigt werden, wobei der Fokus des Beitrags auf dem Elektrizitätssektor liegt. Insbesondere werden die Herausforderungen auf dem Weg zu einem dekarbonisierten Elektrizitätssystem näher beleuchtet. Prof. Dr. Wolf Fichtner hat den Lehrstuhl für Energiewirtschaft am Karlsruher Institut für Technologie (KIT) inne. Dort leitet er sowohl das Institut für Industriebetriebslehre und Industrielle Produktion als auch das Deutsch-Französische Institut für Umweltforschung. Seine Promotion zum Dr. rer. pol. an der Fakultät für Wirtschaftswissenschaften der Universität Karlsruhe (TH) erlangte er mit einer Arbeit über „Entwicklung und Einsatz eines Energie- und Stoffflußmodells zur strategischen Entscheidungsunterstützung bei Energieversorgungsunternehmen“. Wolf Fichtner ist u.a. im Vorstand des Energy Solution Center sowie Mitglied im Verband der Hochschullehrer für Betriebswirtschaft. Den Originalbeitrag und mehr finden Sie bitte hier: https://lisa.gerda-henkel-stiftung.de/bfz_energiewende

MIT-Forscher haben ein Rechentool namens „FrameDiff“ entwickelt, das maschinelles Lernen nutzt, um neue Proteinstrukturen zu erstellen.https://news.mit.edu/2023/generative-ai-imagines-new-protein-structures-0712 Forscher des Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT haben PIGINet entwickelt, ein System, das maschinelles Lernen nutzt, um die Problemlösungsfähigkeiten von Haushaltsrobotern zu verbessern.https://news.mit.edu/2023/ai-helps-household-robots-cut-planning-time-half-0714 Forscher am Karlsruher Institut für Technologie (KIT) haben maschinelles Lernen genutzt, um ventrikuläre Extrasystolen nicht-invasiv zu lokalisieren, was die Diagnose und Therapie schwerer Erkrankungen verbessern könnte.https://medicalxpress.com/news/2023-07-artificial-neural-networks-localize-extra.html OpenAI hat seinen „KI-Klassifikator“ aufgrund seiner geringen Genauigkeit abgeschaltet.https://futurism.com/the-byte/openai-shuttered-ai-detection-tool Visit www.integratedaisolutions.com

Auf Island ist gestern ein Vulkan ausgebrochen. Droht uns jetzt wieder ein Flugchaos wegen Vulkanasche in der Luft wie 2010 beim Eyjafjallajökull? Der Vulkanforscher Joachim Ritter vom Karlsruher Institut für Technologie (KIT), hält das nicht für wahrscheinlich. "In den letzten beiden Jahren hat es ähnliche Eruptionen wie diese gegeben und auch die haben sich nicht zu einem größeren Ausbruch entwickelt“, so Ritter. Außerdem seien die Umstände anders als beim Ausbruch des Eyjafjallajökull im Jahr 2010. "Damals gab es am Vulkan ungewöhnlich viel Gletscherwasser, das hat zu viel Wasserdampf und damit auch zu der gefährlichen Asche geführt, die in der Luft war. Diese Menge Gletscherwasser fehlt diesmal“, erklärt Ritter. Wie es um die "schlafenden“ Vulkane in der Eifel steht, berichtet Ritter im Gespräch mit SWR Aktuell-Moderator Florian Rudolph.

Bislang konnte Glas nur 3D-gedruckt werden, wenn am Ende gesintert wurde – bei weit über 1000 °C. Das schränkte die Wahl der möglichen Substrate deutlich ein. Computerchips beispielsweise halten solche Temperaturen nicht aus. Forschende aus Karlsruhe haben nun eine Lösung gefunden, mit der Quarzglasstrukturen bei nur 650 °C entstehen. Möglich macht das ein hybrides organisch-anorganisches Polymerharz, dass mittels Zwei-Photonen-Polymerisation in Form gebracht wird. Mit dem neuen Verfahren können u.a. winzige Sensoren, Linsen oder 3D-Lichtleiterbahnen gebaut werden. Details verrät in dieser Folge Forschungsleiter Jens Bauer vom Institut für Nanotechnologie (INT) des Karlsruher Instituts für Technologie (KIT).

while(true) ist der Podcast über Informatik in Studium, Forschung und Alltag. Sebastian Hahner ist wissenschaftlicher Mitarbeiter und Doktorand am Karlsruher Institut für Technologie (KIT) und forscht an der Schnittstelle von Software-Architektur und Sicherheit.

Für den jüngst abgeschlossenen Studierendenwettbewerb Solar Decathlon, einem Hochschulwettbewerb für ressourcenschonende und energieeffiziente Architektur und Ingenieurwesen im Bausektor, brauchten die Wettbewerbsteams einen langen Atem. Bereits Anfang 2020 hatte eine international besetzte Jury die Gebäudeentwürfe der Bewerberteams ausgewählt, die dann – mit pandemiebedingter Verzögerung – ihre funktionierenden Hausprototypen im Maßstab 1:1 in Wuppertal dem Wettbewerb stellten. Dann ging alles schnell: Das Team RoofKIT aus Karlsruhe hat die Deutschlandpremiere in Wuppertal des weltweit größten universitären Wettbewerbs für sich entschieden. Die Studierenden des Karlsruher Instituts für Technologie haben in den Disziplinen des solaren Zehnkampfs insgesamt die meisten Punkte erzielt – und damit das überzeugendste Konzept für das klimafreundliche Weiterbauen präsentiert. Das nehmen wir zum Anlass und sprechen heute mit Prof. Dirk Hebel und Prof. Andreas Wagner vom Karlsruher Institut für Technologie KIT in unserem Podcast. Unter anderem, wie man über so lange Zeit die Motivation hoch hält, aber auch wie wir generell anders denken, planen, produzieren, bauen, Energie erzeugen und nutzen müssen…

Svenja Lauble vom Institut für Technologie und Management im Baubetrieb am Karlsruher Institut für Technologie (KIT) spricht heute über die Digitalisierung in der Bauwirtschaft, Prozessplanung und -steuerung von Bauprojekten. Diese Branche muss Herausforderungen wie Fachkräftemangel, Ressourcenknappheit und Inflation bewältigen, aber auch strukturelle Probleme: 99 % der Bauunternehmen sind klein oder mittelständisch und haben kaum Kapazitäten zur Datenerfassung und -auswertung. Wie können sie Plattformen verwenden, um diese Hindernisse zu überwinden?

Nach Jahren der Zurückhaltung entdecken die Gewerkschaften in Deutschland und Europa ihre Macht wieder. Das zeigt sich nicht nur in satten Tarifabschlüssen, sondern auch in ungewohnten Forderungen: So will die IG Metall in den kommenden Verhandlungen die Viertagewoche vorantreiben. Das Wochenende könnte sich also zumindest in der Stahlbranche demnächst um einen Tag verlängern – und andere dürften folgen. Philipp Frey, Arbeitsforscher am Karlsruher Institut für Technologie (KIT), hält die Entwicklung nur für folgerichtig. In Großbritannien und Belgien laufen bereits sehr erfolgreiche Feldversuche. „Immer mehr Unternehmen kommen auf die Idee: Wenn wir bessere Arbeitsbedingungen bieten, werden wir vielleicht auch attraktiver als Arbeitgeber – und können damit den Fachkräftemangel beheben“, sagt er im Podcast „Die Stunde Null“. „Für die Einzelbetriebe geht die Rechnung auf.“ Frey verweist darauf, dass der technische Fortschritt historisch zu sinkenden Arbeitszeiten geführt hatte, bis es ab 1990 zu einer „Stagnation“ gekommen sei. Es gehe nun darum, dass die Menschen an der steigenden Produktivität auch teilhaben müssten. // Weitere Themen: Der Heizungsbauer Viessmann wird verkauft +++60 Tage lang kostenlos Capital+ lesen - Zugriff auf alle digitalen Artikel, Inhalte aus dem Heft und das ePaper. Unter Capital.de/plus-gratis +++Weitere Infos zu unseren Werbepartnern finden Sie hier: https://linktr.ee/diestundenull +++Unsere allgemeinen Datenschutzrichtlinien finden Sie unter https://datenschutz.ad-alliance.de/podcast.html +++Unsere allgemeinen Datenschutzrichtlinien finden Sie unter https://art19.com/privacy. Die Datenschutzrichtlinien für Kalifornien sind unter https://art19.com/privacy#do-not-sell-my-info abrufbar.

Ich freue mich sehr über meinen Gast Prof. Dr. Hagen Lindstädt vom Karlsruher Institut für Technologie (KIT). Er ist mir auf LinkedIn durch seinen geistreichen Kommentare aufgefallen, unter anderem zu Themen wie Kapitalmarkt, EU, Ukraine-Krieg und die Klima-Bewegung. Wir hatten viel zu diskutieren und sind teilweise sehr in die Tiefe gegangen. Deshalb haben wir das Gespräch auf 2 Episoden aufgeteilt. Der zweite Teil erscheint am Freitag, den 28. April 2023. In diesem ersten Teil sprechen wir über den Euro, die EU, den Brexit, die Energiewende, über Klima-Proteste und Last Generation. Freut euch auf die positive, tiefgründige Art von Prof. Lindstädt und einen wahnsinnig interessanten Talk, in dem wir uns die Frage stellen: In welcher Welt leben wir? Wo und wie wollen wir leben? Shownotes: Mehr zu Prof. Hagen Lindstädt findet ihr hier: https://www.ibu.kit.edu/mitarbeiter_lindstaedt.php --- Unsere Weiterbildungsmöglichkeiten:

Am kommenden Samstag wird der Schalter umgelegt: Die letzten drei Kernkraftwerksblöcke in Deutschland gehen vom Netz. Dann ist die Atom-Ära in Deutschland zu Ende. Aber ist sie das wirklich? Über unsere Nachbarländer - vor allem Frankreich - sind wir weiter in einem europäischen Verbund, in dem diese Energieform eine große Rolle spielt. Und weltweit gibt es durchaus Konzepte, wie eine neue Generation von Kernkraftwerken zum Klimaschutz beitragen könnte. Werner Eckert diskutiert mit Prof. Veit Hagenmeyer - Experte für Energiesysteme am Karlsruher Institut für Technologie KIT, Dr. Björn Peters - Physiker und Vorstand des Atomkraft-Start-Ups „Dual Fluid“, Christoph Rat-Fischer - deutsch-französischer Politologe und EU-Berater

while(true) ist der Podcast über Informatik in Studium, Forschung und Alltag. Sebastian Hahner ist wissenschaftlicher Mitarbeiter und Doktorand am Karlsruher Institut für Technologie (KIT) und forscht an der Schnittstelle von Software-Architektur und Sicherheit.

Reallabore sind Experimentierräume, in denen nachhaltige Lösungen entwickelt und erforscht werden. Dabei arbeiten Forschende mit der Zivilgesellschaft Hand in Hand. Im Rückblick auf die Konferenz des Netzwerk der Reallabore für Nachhaltigkeit 2022 reflektieren Dr. Oliver Parodi, Leiter des Karlsruher Transformationszentrums am Karlsruher Institut für Technologie (KIT), Dr. Regina Rhodius, wissenschaftliche Mitarbeiterin in der Arbeitsgruppe Transdisziplinäre Nachhaltigkeitsforschung am Öko-Institut e. V., und Matthias Wanner, Researcher im Forschungsbereich Innovationslabore am Wuppertal Institut, in dieser Podcastepisode über die Reallabor-Entwicklung der letzten zehn Jahre. Dabei überlegen sie, wie Reallabore so weiterentwickelt werden können, dass die Ergebnisse auch tatsächlich in die Praxis umgesetzt werden. Außerdem fragen sie sich, wie politisch Reallabore eigentlich sind und wie transdisziplinär sie gestaltet werden müssen. Es wird spannend! Reinhören und informiert bleiben: #ZukunftswissenFM *** Links: Oliver Parodi, https://www.itas.kit.edu/kollegium_parodi_oliver.php Regina Rhodius, https://www.oeko.de/das-institut/team/team-detail/regina-rhodius, https://www.waldbau.uni-freiburg.de/mitarbeiter/mitarbeiter_sammlung/Regina%20Rhodius Matthias Wanner, https://wupperinst.org/c/wi/c/s/cd/1388, https://twitter.com/WannerMatthias Wuppertal Institut für Klima, Umwelt, Energie gGmbH, https://wupperinst.org, Twitter: @Wupperinst, Instagram: @wupperinst Zukunftswissen.fm, https://zukunftswissen.fm Kontakt: zukunftswissen_fm@wupperinst.org Produktion: Wuppertal Institut für Klima, Umwelt, Energie gGmbH Impressum: https://wupperinst.org/impressum GEMAfreie Musik von https://audiohub.de #zukunftswissen #zukunftskunst #wuppertalinstitut #wupperinst #reallabor #reallabore #Nachhaltigkeit #reallaborforschung #forschung

In Balingen wird induktives Laden ohne Kabel für Elektrofahrzeuge in der Praxis getestet. Für das Pilotprojekt bekommt ein Gartenschau-Shuttlebus die entsprechende Technik. An dem Projekt sind Electreon Germany, EnBW, das Karlsruher Institut für Technologie (KIT) sowie die Stadtwerke Balingen beteiligt. Mehr auf energyload.eu >>> https://energyload.eu/elektromobilitaet/ladestationen-infrastruktur/kabelloses-laden-elektrofahrzeuge/

„Humor ist ein adäquates Mittel, auch für ernste Themen“, sagt Klimaforscher Christian Scharun. Mit seinem Science Slam über bessere Methan-Messungen in der Nordsee hat er bei den Süddeutschen Science-Slam-Meisterschaften in Ludwigsburg überzeugt. Martin Gramlich im Gespräch mit dem Biochemiker Dr. Christian Scharun, Karlsruher Institut für Technologie KIT.

Beim 3D-Druck gibt es generell eine Krux: Wer große Bauteile schnell in den Händen halten will, muss grobe Strukturen und Oberflächen akzeptieren. Wer hingegen feine Details wünscht, sollte viel Zeit mitbringen. Forschende am Karlsruher Institut für Technologie (KIT) ändern das nun. Ihren Ansatz nennen sie „Light-Sheet 3D Printing“. Er basiert auf einem speziellen Harz, dass nur dort aushärtet, wo sich zwei Lichtstrahlen mit unterschiedlichen Wellenlängen kreuzen. Das Druck-Prozedere: Zuerst wird mit blauem Licht das Schichtbild von unten in den Kunststoff projiziert. Dadurch wird das Material entlang des Strahlenkanals selektiv aktiviert. Dann strahlt ein roter Laser von der Seite eine Art „Lichtblatt“ in den Bauraum und härtet die Ebene aus. Dieser Ablauf wiederholt sich tausendfach – in der Dauer eines Wimpernschlags. Entsprechend schnell sind die ultrafein aufgelösten Bauteile fertig. Details zum Verfahren und etwaigen Anwendungsgebieten erklärt in dieser Folge einer der maßgeblichen Mitentwickler: Postdoktorand Vincent Hahn.

In dieser Folge des Stoiker Podcasts sprechen Markus und Ralph mit Dr. Inga Bones und Katharina Wolf über ihren philosophischen Lesekreis, in dem es um Lebenskunst und auch um die Stoa ging. Dr. Inga Bones ist Philosophin und arbeitet als Assistentin am Karlsruher Institut für Technologie (KIT) am Lehrstuhl für philosophische Anthropologie und hat 2022 einen Lesekreis für ihre Studentinnen und Studenten initiiert. Katharina Wolf ist Studentin und Teilnehmerin an Ingas Lesekreis gewesen. Zusammen sprechen sie darüber, welchen Einfluss die Pandemie auf dieses Projekt hatte und wie es dazu kam, dass die Stoiker Einzug in den Lesekreis gehalten haben. Inga, Katharina, Markus und Ralph sprechen gemeinsam über die Themen, die die Teilnehmer im Lesekreis besonders beschäftigt haben. Dazu zählen vor allem das Menschenbild, die Emotionstheorie sowie das Thema der Nicht-Anhaftung/apatheia. Am Ende sprechen die Podcaster mit ihren Gästen darüber, welche Fragen und Antworten sie über die Stoiker aus dem Lesekreis mitnehmen. Mehr über Dr. Inga Bones erfahrt ihr auf ihrem Profil vom KIT: https://www.philosophie.kit.edu/mitarbeiter_921.php Mehr über Katharinas Auseinandersetzung mit Kunst und Philosophie und Stoizismus findet ihr auch auf ihrem Instagram-Account: https://www.instagram.com/p/Cf2VWjKoSgz/ Die Buchempfehlungen aus dieser Folge findest du hier: http://www.stoikerpodcast.de/buecher/ Wenn dir gefällt, was wir tun, spendiere uns einen Kaffee oder Tee: http://www.stoikerpodcast.de/spenden/ Und mit unserem Newsletter halten wir dich über neue Folgen und Veranstaltungen auf dem Laufendem: http://www.stoikerpodcast.de/newsletter/ Schreibe uns deine Frage direkt an mail@stoikerpodcast.de Intro- und Outro-Musik von Tobias Rueß Mehr über uns auf http://www.stoikerpodcast.de

Thema heute:    KIT: Hochreflektierende Spiegel aus dem Tintenstrahldrucker Dielektrische Spiegel, auch Bragg-Spiegel genannt, können Licht fast vollständig reflektieren. Damit eignen sie sich für zahllose Anwendungen, etwa in Kamerasystemen, in der Mikroskopie, in der Medizintechnik oder in Sensorsystemen. Bisher mussten diese Spiegel aufwendig in teuren Vakuumapparaturen hergestellt werden. Forschende des Karlsruher Instituts für Technologie (KIT) haben nun erstmalig Bragg-Spiegel in hoher Qualität mit Tintenstrahldruckern gedruckt. Das Verfahren könnte den Weg zu einer digitalen Fertigung von maßgeschneiderten Spiegeln eröffnen. Für Bragg-Spiegel werden mehrere Materialschichten dünn auf einen Träger aufgebracht. Diese Spiegel, die aus einer Vielzahl von dünnen Schichten bestehen, bilden einen optischen Spiegel, der dafür sorgt, dass Licht bestimmter Wellenlänge gezielt reflektiert wird. Wie stark Bragg-Spiegel reflektieren, hängt von den Materialien ab, aber auch davon, wie viele Schichten man aufbringt und wie dick diese sind. Bisher mussten Bragg-Spiegel mit kostspieligen Vakuum-Produktionsanlagen hergestellt werden. Dem Karlsruher Team ist es erstmals gelungen, sie auf verschiedene Träger zu drucken. Damit lässt sich die Produktion erheblich vereinfachen. Tinten aus Nanopartikeln „Es war eine große Herausforderung, geeignete Tinten zu entwickeln und ein zuverlässiges Verfahren zur Herstellung mehrerer Schichten zu etablieren“, so Professor Uli Lemmer vom Lichttechnischen Institut (LTI) des KIT, der das Projekt im Rahmen des Exzellenzclusters „3D Matter Made to Order“ leitet. Die Bestandteile der Tinten müssen passende optische Eigenschaften haben und außerdem löslich sein. Darüber hinaus sollte jede Schicht so gleichmäßig wie möglich sein, um einen einheitlichen Stapel an Schichten zu gewährleisten. Außerdem muss sich der Druck genau steuern lassen und die Ergebnisse müssen reproduzierbar sein, um verlässlich hervorragende optische Eigenschaften, das heißt ein hohes Reflektionsvermögen der Bragg-Spiegel, zu garantieren. Das Forschungsteam setzte dabei auf Nanopartikel: „Aufgrund der rasanten Entwicklung in der Nanochemie werden Nanopartikel immer preiswerter und vielfältiger“, so Lemmer. Sein Team verwendete als optisch wirksame Bestandteile der Tinten einen Mix zweier unterschiedlicher Materialien. Mit diesen Tinten gelang es ihnen, die optischen Eigenschaften und die Dicke einer einzelnen Schicht mit extremer Präzision im Tintenstrahldruck zu erzeugen. „Wir haben einen ultrahohen Reflektionsgrad von 99 Prozent mit nur zehn Doppelschichten erreicht“, sagt Lemmer. Diesen Beitrag können Sie nachhören oder downloaden unter:

In dieser Folge des Podcasts sprechen Alfred Schmit und Christoph Affeld mit der Bundestagsabgeordneten Zoe Mayer von den Grünen. Bei der Bundestagswahl 2021 gewann sie das Direktmandat im Wahlkreis Karlsruhe-Stadt. Mit 27 Jahren ist sie eine der jüngeren Abgeordneten. Als Schwerpunkte ihrer politischen Arbeit nennt Zoe Mayer Klimaschutz und Tierschutz neben zahlreichen weiteren Themen, deren Rang zu Beginn der Legislaturperiode teils noch nicht absehbar war. Im Verlauf des Gesprächs geht es somit auch um Merkmale der Zeitenwende, die seit Februar 2022 die deutsche Politik beeinflusst. Ebenso wie um die Rolle von jungen Frauen in der Politik und die Bedeutung von Stiftungen im Kontext des persönlichen Werdegangs. Zoe Mayer lebt in Karlsruhe, hat einen Masterabschluss in Wirtschaftsingenieurwesen und ist seit 2019 Doktorandin am Karlsruher Institut für Technologie (KIT) mit dem Schwerpunkt Klimaschutz im Gebäudesektor. Dieser Podcast setzt die Reihe mit Ehemaligen der Studienstiftung fort, die Mitglieder des Deutschen Bundestages sind.

Normale Spiegel, wie sie etwa in Badezimmern zu finden sind, reflektieren lediglich gut 90% des Lichts. Bragg-Spiegel sind da deutlich besser: Sie kommen auf nahezu 100%. Doch das ist nicht alles: je nach Aufbau können sie ausgewählte Lichtfarben durchlassen – und andere Wellenlängen reflektieren. Genutzt werden solche Bauteile u.a. in Kamerasystemen und Sensoren sowie in der Lasertechnik und der Mikroskopie. Hergestellt werden sie bislang in teuren Vakuumanlagen, etwa mittels des thermischen Aufdampfens. Forschende am Karlsruher Instituts für Technologie (KIT) schaffen das jetzt mit einem Tintenstrahldrucker. Wie das funktioniert – und wo überall das genutzt werden kann –, erklärt in dieser Folge der Direktor des Lichttechnischen Instituts, Uli Lemmer.

Thema heute:   KIT: Neuer Sensor ermöglicht mehr Züge auf einer Strecke  Um Menschen oder Waren klimaschonend von A nach B zu bringen, gilt der Schienenverkehr als optimal. Doch mangelnde Kapazitäten, häufige Verspätungen und teils unvorteilhafte Taktung dämpfen die Begeisterung vieler Reisender für die Bahn. Könnten innerhalb eines engeren Zeitraums mehr Züge auf demselben Gleis fahren, ließen sich viele dieser Engpässe abmildern oder gar beseitigen. Expertinnen und Experten des Karlsruher Instituts für Technologie (KIT) und von ITK Engineering haben jetzt einen Sensor entwickelt, der mittels magnetischen Fingerabdrucks die Position von Zügen genau ermittelt. Das könnte die Kapazität des bestehenden Schienennetzes enorm steigern.„Indem wir die Position eines Zuges auf dem Gleis genauer und zuverlässiger bestimmen als bisher, können Züge in kürzeren zeitlichen Abständen einen Gleisabschnitt passieren – die Kapazität pro Gleiskilometer steigt“, sagt Dr. Martin Lauer vom Institut für Mess- und Regelungstechnik (MRT) des KIT. Die Funktionsweise des neuen Magnetic Railway Onboard Sensor (MAROS) ist simpel: „Auch ein Bahngleis aus Metall hat eine Art Fingerabdruck, der an jeder Stelle ein ganz individuelles Profil aufweist“, erläutert Lauer. Der MAROS kann diesen Fingerabdruck genau erkennen. „Somit lassen sich Züge weltweit gleisgenau und kontinuierlich lokalisieren“, sagt Tobias Hofbaur, Programmmanager Bahntechnik bei ITK Engineering.„Dazu erzeugt der Sensor, befestigt an der Fahrzeugunterseite, ein elektromagnetisches Feld, das von den ferromagnetischen Stoffen wie den Schienen oder dem Befestigungsmaterial der Schienen beeinflusst wird. Der Sensor misst, wie stark das elektromagnetische Feld verändert wird. So lässt sich jedem Streckenabschnitt ein exakter elektromagnetischer Fingerabdruck zuteilen“, erläutert Lauer. Um die individuelle Ortssignatur einer exakten geographischen Position zuordnen zu können, braucht es ein Software-Backend inklusive intelligenter Algorithmen. „So muss jede Bahnstrecke mindestens einmal abgefahren und vermessen werden, ehe diese Daten dann mit Kartenmaterial der Zugstrecke übereinandergelegt werden können“, sagt Hofbaur. Dann kann jeder folgende Zug präzise lokalisiert werden. Kamerasysteme haben den Nachteil, dass sie bei Nacht oder Schneefall nur eingeschränkt funktionieren. GPS-Signale stoßen in Tunnels, Gebirgstälern oder Häuserschluchten an ihre Grenzen. Die Defizite umgeht der MAROS-Sensor.  Diesen Beitrag können Sie nachhören oder downloaden unter:

Gudrun spricht in dieser Folge mit Anshuman Chauhan über sein Masterstudium Computational Sciences in Engineering (CSE) an der TU Braunschweig. CSE ist dort ein viersemestriger Masterstudiengang, der etwa zur Hälfte in Englisch und zur anderen Hälfte in Deutsch unterrichtet wird. Er ist an der Fakultät Architektur, Bauingenieurwesen und Umweltwissenschaften angesiedelt, kombiniert aber in der Ausbildung Ingenieurwissenschaften, Mathematik und angewandte Informatik. In gewisser Weise ist es eine konsequente Weiterentwicklung der Idee der Technischen Universitäten deutscher Prägung, dass heute solche interdisziplinären Studiengänge angeboten werden. So wie das heutige KIT wurden sie ja häufig als Polytechnische Schulen gegründet, in denen zunächst das was wir heute Maschinenbau nennen mathematisiert wurde, um mit der Entwicklung der Technik Schritt halten zu können. In zunehmenden Maße waren dann immer mehr technische Fächer ohne eigene Forschung und auch ohne eine Grundausbildung in Mathematik nicht mehr denkbar. Heute hält nun endgülitg zunächst die Computersimulation aber zunehmend auch die Benutzung von Algorithmischem Lernen und Big Data Einzug in die Ingenieurwissenschaften. Diese Entwicklung wird mit Spezialisierungen in der Mathematik, insbesondere in den Studiengängen Technomathematik, in Spezialisierungen in den Ingenieurwissenschaften, aber auch durch die Schaffung von neuartigen Studiengängen begleitet, die im Namen wie in der Ausbildung mindestens zwei, oft aber drei Standbeine haben: Mathematik, Informatik und eine technische Anwendung. Anshuman ist in Neu-Dehli aufgewachsen. Nach seiner Bachelorarbeit zu Finite Element Methoden hatte er sich weltweit nach Studiengängen umgeschaut, die mit Computersimulation zu tun haben - am liebsten mit Aerodynamik für Autos. Deutschland war für ihn dabei attraktiv, weil es renommierte Technische Universitäten hat und die Kosten nicht exorbitant sind. Er entschied sich für die TU in Braunschweig aufgrund eben dieses Renomees der deutschen TU9. Sie hat zur Zeit etwa 20.000 Studierende in fast 80 Studiengänge. Seit 2018 gibt es einen Exzellenzcluster in Luftfahrt und Metrologie und der DLR ist in der Nähe. Im Gespräch erläutert Anshuman, dass er mit der Entscheidung für Braunschweig und für diesen Studiengang sehr zufrieden ist. Er ist nun nach erfolgreichem Abschluss und einiger Zeit in der Wirtschaft seit 2020 am KIT im Graduiertenkolleg SiMet, wo der Kontakt mit dem Podcast zustande kam. Braunschweig hat ein richtiges Stadtleben, das von den vielen Studierenden dort mit geprägt ist. Anshuman ist dort in einem Studentenwohnheim untergekommen und hatte sofort sozial Anschluss. In dem von ihm in Braunschweig belegten Masterprogramm CSE ist jedes Semester aufgeteilt zwischen Ingenieurfächern, Mathematik und Informatik. Zum Beispiel die Fächer Strömungsdynamik und Thermodynamik zusammen mit partiellen Differentialgleichungen in der Mathematik und Visualisierung im Informatikteil. Später sind dann Vertiefungskurse in z.B. Maschinenbau, Elektrotechnik, Bauingenieurwesen oder Informatik wählbar. Die Numerischen Methoden in der Aerodynamik z.B. waren sehr praxisnah. Er wollte seine Masterarbeit unbedingt in der Industrie schreiben, um Erfahrung in einem Unternehmen zu sammeln. Er sah aber sehr schnell, dass richtig Deutsch zu lernen dafür eine notwendige Voraussetzung ist. Deshalb nahm er sich ein Semester Zeit, um die Sprache noch besser zu üben und außerdem einige für ihn sehr interessante Kurse zu belegen, zu denen er vorher keine Zeit gehabt hatte. Überdies hat er auch noch spanisch belegt. Mit der deutschen Bewerbung hat es schließlich mit einer Masterarbeit in Stuttgart geklappt. Der Wechsel von Braunschweig in Norddeutschland nach Stuttgart in Süddeutschland war für ihn sehr spürbar - es ist einfach ein anderer Schlag Menschen. In der Firma gibt es natürlich vorgeschriebene Prozesse, in die man sich erst einarbeiten muss. Sie bringen aber eine gewisse Robustheit in die Entwicklung. Als Masterstudent hatte er trotzdem genug Freiheit und eine tolle Betreuung. In der Industrietätigkeit nach seinem Masterabschluss musste er sich oft schnell in die Probleme einarbeiten und konnte nicht so gründlich, sein wie er es aus der Studienzeit gewohnt war. Er beschäftigte sich mit der Optimierung am Einlasskanal in einem Motor mit Hilfe von Strömungsrechnung (CFD). D.h. er hatte sein ursprüngliches Traumziel eigentlich erreicht. Trotzdem war es ihm dann zu viel Routine und er wollte noch mehr über ein Zukunftsthema für Autos lernen: konkret über Batterien. Das kann er nun während der Promotion im Rahmen von SiMET tun. Hier ist er wieder in einem Umfeld von anderen jungen Menschen, die sehr unterschiedliche Masterabschlüsse erworben haben und Mathematik, Computer und die Anwendungsthemen alle verstehen müssen. Podcasts F. Blendlin, G. Thaeter: Fernstudium Maschinenbau, Gespräch im Modellansatz Podcast, Folge 233, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2020. S. Carelli, G. Thäter: Batteries, Gespräch im Modellansatz Podcast, Folge 211, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.Y. Cai, S. Dhanrajani, G. Thäter: Mechanical Engineering, Gespräch im Modellansatz Podcast, Folge 176, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018.

Gudrun hatte 2018 mit Carla Cederbaum über mathematische Konzepte gesprochen, mit denen man z.B. den Schwerpunkt von Sternen bestimmen kann. Im April 2022 trafen sich beide erneut zum Gespräch - diesmal per Videokonferenz. Carla ist inzwischen Professorin an der Uni Tübingen in der AG Geometrische Analysis, Differentialgeometrie und Relativitätstheorie und erhielt den Tübinger Preis für Wissenschaftskommunikation des Jahres 2022. Seit 2021 arbeiten Gudrun und Carla zusammen bei der Gestaltung der Zeitschrift Mitteilungen der Deutschen Mathematiker Vereinigung (MDMV). Gudrun ist 2021-24 als Herausgeberin verantwortlich für die Inhalte und hat neben drei anderen Kolleginnen und Kollegen auch Carla als Mitherausgeberin gewonnen. Im Gespräch geht es um das Praxishandbuch zum Mentoring von Frauen in der mathematischen Forschung, das unter der Creative Commons Lizenz CC-BY-SA 4.0 allen Interessierten zur Verfügung steht und an dessen Weiterentwicklung (auch aufgrund der offenen Lizenz) alle mitarbeiten können. Das Handbuch wurde von Carla Cederbaum, Sophia Jahns und Anna Wienhard im Rahmen des Schwerpunktprogramms SPP2026 Geometrie im Unendlichen der Deutschen Forschungsgemeinschaft (DFG) verfasst und basiert auf den Erfahrungen mit dem Math Ment♀ring Programm an der Universität Tübingen unter der Leitung von Carla einerseits und dem UPSTREAM Mentoring Netzwerk an der Universität Heidelberg unter der Leitung von Anna (und Michael Winckler) andererseits. (*) Mentoring gibt es heutzutage in vielen Zusammenhängen und kann konkret sehr viel Unterschiedliches bedeuten. Die Idee, ein spezielles Mentoring für Frauen an ihrem Fachbereich in Tübingen anzubieten, erwuchs aus Carlas eigenen Erfahrungen. Seit ihrem Studium in Freiburg erlebte sie, wie die Tatsache, einer Minderheit im Fach anzugehören, Frauen auf vielfältige Weise dabei behindert, sich in der Mathematik kompetent und in der Fachkultur heimisch zu fühlen. Inzwischen ist gut mit konkreten Zahlen belegt, dass beim Übergang von jeder Entwicklungsstufe auf die nächste in der akademischen Laufbahn mehr Frauen als Männer das Fach verlassen. D.h. bei jedem Karriereschritt sinkt der Anteil von Frauen. So gehen Talente verloren und das Fach Mathematik verliert als Ganzes. In vielen Universitäten hat man das inzwischen als Problem erkannt, dem man strukturell begegnen möchte, aber es gibt oft eine gewisse Ratlosigkeit, wie das geschehen kann. Carla und ihre Mitstreiterinnen sehen als einen Baustein in der Lösung dieses Problems die Wichtigkeit des Austauschs unter Frauen in einem geschützten Rahmen. Dies ist ein effektiver und vergleichsweise kostengünsitger Ansatz. Es geht nicht darum, Frauen zu einer Karriere in der Mathematik zu überreden, sondern diejenigen zu finden und zu unterstützen, die Lust und Talent dazu haben. Unterschiedliche Ausgangssituationen und fehlende Privilegien können so abgemildert werden. An der Duke University baute Carla erstmals Mentoring von und für Frauen in der Mathematik auf, u.a. mit Ingrid Daubechies. Für Tübingen hat sie daraus das Format übernommen, dass die Mentorin der Mentee in der Regel eine Stufe in der Karriereleiter voraus ist. So kann man sich noch recht einfach hineindenken, wie man selbst noch vor kurzem gedacht und gearbeitet hat - außerdem ist es ideal, wenn man selbst als Mentee in einem weiteren "Gespann" die "andere Seite" des Mentorings erlebt. In jedem Fall ist es hilfreich, wenn Mentorinnen eine Schulung oder zumindest eine Handreichung bekommen, bevor sie diese Rolle übernehmen. Im Handbuch ist erprobtes Material für die Schulung der Mentorinnen zusammengetragen (inkl. aller möglicher Vorlagen für Anschreiben, Aushänge etc.). Eine ausführliche und weiter wachsende Literatursammlung zu Mentoring und Gender Studies rundet das Material ab. Die grundlegende Struktur des Mentorings ruht außerdem auf folgenden Prinzipien: Vertraulichkeit zwischen Mentor*in und Mentee geht in beide Richtungen. Die Individualität der Mentee zu respektieren ist oberstes Gebot. Regelmäßige Treffen von Mentor*in und Mentee helfen, Vertrauen aufzubauen - möglichst bevor ernsthaftere Probleme auftreten. In Tübingen dauert die Mentorinnenschulung 1/2 Tag und konzentriert sich auf die Frage: Was ist Mentoring und was nicht und wie kann ich das konkret gestalten. In einem ersten Teil der Schulung werden typische Argumente und belegte Fakten erörtert, die für und gegen die Notwendigkeit der Unterstützung von Frauen in der Mathematik sprechen. Dafür hat sich das Format der Fishbowl-Diskussion zwischen zwei ausgelosten Gruppen bewährt. Danach werden offenes und proaktives Zuhören geübt und Antworten auf typische Mentoringfragen in unterschiedlichen Karrierestufen gesammelt. Das geschieht in 3er-Gruppen mit den Rollen Mentee/Mentorin/Beobachterin. Jede Gruppe zieht zufällig eine Vignette und spielt ein Gespräch zur dort geschilderten Situation durch. Anschließend erfolgt jeweils eine Besprechung dazu, wie die Personen die Gespräche in den unterschiedlichen Rollen wahrgenommen haben, was gut funktioniert hat und was vielleicht nicht so gut gelaufen ist. Danach werden die Rollen getauscht. Schließlich wird im dritten Teil der Schulung das erste Treffen mit einer Mentee vorbereitet, um eventuelle Nervosität oder Anspannung abzubauen. Man arbeitet in Paaren, um sich das erste Treffen möglichst genau vorzustellen. Hierbei werden die Paare von Schlüsselfragen geleitet. Auch werden Anlaufstellen für über das Mentoring hinausgehende Fragestellungen vorgestellt. Im Handbuch sind zu allen Teilen der Schulung viele Fallbeispiele und Schlüsselfragen gesammelt. Daneben finden sich Vorlagen für Werbung, Organisatorisches zu Treffen und zur Kontaktaufnahme. Es sind aber auch Verweise auf Ressourcen gesammelt, falls es ernsthafte Probleme gibt, die im Mentoringgespräch nicht gelöst werden können (wie z.B. Prüfungsangst, finanzielle Sorgen oder eine psychische Krise). Es wird dafür sensibilisiert, wie man erkennen kann, für welche Fragen man selbst eine kompetente Ansprechperson ist und dass es im Mentoring nicht darum geht ein "Mini-me" zu erziehen - nicht alles was für mich funktioniert hat, ist auch für das Gegenüber gut. Deshalb ist es wichtig, die Werte des Gegenübers herausfinden und dann die Zielsetzung der gemeinsamen Zeit möglichst danach auszurichten. Das Mentoring in Tübingen hat 2014/15 begonnen - der Übergang zur Postdoc-Phase scheint vor Ort das größte Leck zu sein. Als Gründe nennen die Mentees, dass eine akademische Laufbahn sich schwer mit Familiengründung und Partnerschaft vertrage, wenn in der Postdoc-Phase 2-3 längere Auslansdaufenthalte oder wenigstens Wechsel zwischen deutschen Universitäten erwartet werden. Gudrun hat für den Podcast mit drei Frauen gesprochen, die in Tübingen am Mentoringprogramm teilgenommen haben und inzwischen auf der nächsten Karrierestufe arbeiten. Das Gespräch mit Polyxeni Spiloti ist schon veröffentlicht. Die Gespräche mit Cornelia Vogel und Alix Richter folgen bald. Cornelia und Alix waren als Studentinnen Mentees und haben sich jeweils für eine Promotion entschieden, an der sie zur Zeit des Gespräches in Tübingen bzw. Paderborn arbeiteten. (*) Zusätzliche Förderung erhielt das Projekt durch die Duke University, das Zukunftskonzept der Universität Tübingen (DFG, ZUK 63) und durch das Athene-Mentoring Programm, Universität Tübingen, die HGS MathComp am IWR Heidelberg, den Exzellenzcluster STRUCTURES und die Research Station Geometry & Dynamics der Universität Heidelberg. Referenzen und weitere Informationen C. Cederbaum: Wo liegt der Schwerpunkt eines Sternes? Vortrag Faszination Astronomie Online vom 4. Februar 2021. Mentoring Material Podcasts C. Cederbaum, G. Thäter: Sternenschwerpunkt, Gespräch im Modellansatz Podcast, Folge 172, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2018. P. Spilioti, G. Thaeter: Spectral Geometry, Gespräch im Modellansatz Podcast, Folge 247, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2022.

Wir starten heute mit einer neuen Rubrik! „From Uni to Unicorn”

Podcast Silvia Richter-Kaupp Silvia Richter-Kaupp ist Master Certified Coach {IMCC) / ICF und bringt über 24 Jahre Coaching Erfahrung mit. Sie hat mit Führungskräften verschiedener Rollen und Funktionen gearbeitet, besonders aus dem Dienstleistungs-, IT- und Ingenieurs-Bereich. Silvia ist Director of Training einer ICF akkreditierten Coaching-Ausbildung mit weltweiter Anerkennung und Lehrbeauftragte des Karlsruher Institut für Technologie {KIT), wo sie Gewaltfreie Kommunikation und Life-Leadership gelehrt hat. Außerdem ist sie als Supervisorin und Mentor Coach tätig. Sie ist für große und mittelständische Unternehmen aus der Handels-, Konsumgüter- und IT-Branche, dem Ingenieurswesen und der Öffentlichen Verwaltung tätig.

Gudrun talks with Polyxeni Spilioti at Aarhus university about spectral geometry. Before working in Aarhus Polyxeni was a postdoctoral researcher in the group of Anton Deitmar at the University of Tübingen. She received her PhD from the University of Bonn, under the supervision of Werner Mueller after earning her Master's at the National and Technical University of Athens (Faculty of Applied Mathematics and Physics). As postdoc she was also guest at the MPI for Mathematics in Bonn, the Institut des Hautes Etudes Scientifiques in Paris and the Oberwolfach Research Institute for Mathematics. In her research she works on questions like: How can one obtain information about the geometry of a manifold, such as the volume, the curvature, or the length of the closed geodesics, provided that we can study the spectrum of certain differential operators? Harmonic analysis on locally symmetric spaces provides a powerful machinery in studying various invariants, such as the analytic torsion, as well as the dynamical zeta functions of Ruelle and Selberg. References and further information P. Spiliotti: Ruelle and Selberg zeta functions on compact hyperbolic odd dimensional manifolds PhD thesis, Bonn, 2015. Greek Women in Mathematics Website Celebration of Greek Women in mathematics, May 12 2022 Greek women in mathematics - First podcast episode Eberhard Zeidler on Wikipedia Podcasts A. Pohl: Quantenchaos, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 79, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016.

Gudrun talks with Polyxeni Spilioti at Aarhus university about spectral geometry. Before working in Aarhus Polyxeni was a postdoctoral researcher in the group of Anton Deitmar at the University of Tübingen. She received her PhD from the University of Bonn, under the supervision of Werner Mueller after earning her Master's at the National and Technical University of Athens (Faculty of Applied Mathematics and Physics). As postdoc she was also guest at the MPI for Mathematics in Bonn, the Institut des Hautes Etudes Scientifiques in Paris and the Oberwolfach Research Institute for Mathematics. In her research she works on questions like: How can one obtain information about the geometry of a manifold, such as the volume, the curvature, or the length of the closed geodesics, provided that we can study the spectrum of certain differential operators? Harmonic analysis on locally symmetric spaces provides a powerful machinery in studying various invariants, such as the analytic torsion, as well as the dynamical zeta functions of Ruelle and Selberg. References and further information P. Spiliotti: Ruelle and Selberg zeta functions on compact hyperbolic odd dimensional manifolds PhD thesis, Bonn, 2015. Greek Women in Mathematics Website Celebration of Greek Women in mathematics, May 12 2022 Greek women in mathematics - First podcast episode Eberhard Zeidler on Wikipedia Podcasts A. Pohl: Quantenchaos, Gespräch mit G. Thäter im Modellansatz Podcast, Folge 79, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2016.

Methanemissionen von Bohrinseln in der Nordsee wurden bislang nicht genau erfasst. Christian Scharun vom KIT hat das mit einem Algorithmus geändert. Mit einem Kurz-Vortrag darüber hat er beim nationalen FameLab gewonnen, einem Wettbewerb für Wissenschaftskommunikation. Christine Langer im Gespräch mit Dr. Christian Scharun, Karlsruher Institut für Technologie (KIT).

Roboterarme, Laserscanner, 3D-Drucker: Am Karlsruher Institut für Technologie (KIT) hilft ab sofort eine neue Forschungsfabrik, Entwicklungen bei Elektromobilität, Leichtbau oder Brennstoffzellentechnik schneller auf dem Markt bringen. Auch dank KI.

Der Ausbruch des unterseeischen Vulkans nahe des Inselreichs Tonga war nach Ansicht von Fachleuten der weltweit stärkste seit 30 Jahren. Das Ausmaß der Schäden ist noch unklar. Doch wie viele solcher Unterwasservulkane gibt es weltweit überhaupt? Und wie oft kommt es zu Eruptionen? Christine Langer im Gespräch mit Prof. Joachim Ritter, Geophysiker am Karlsruher Institut für Technologie (KIT).

Vom MIT zum KIT: Der Teilchenphysiker Markus Klute erhält eine Humboldt-Professur und wechselt vom Massachusetts Institute of Technology (MIT) ans Karlsruher Institut für Technologie (KIT). Dort will er mit seiner Arbeitsgruppe vor allem das Higgs-Teilchen weiter erforschen. Ralf Caspary im Gespräch mit Prof. Markus Klute vom Karlsruher Institut für Technologie (KIT).

Kilometerhohe Aschewolken, Lava-Fontänen, rotglühende Lava-Ströme: Wenn ein Vulkan ausbricht, ist das gefährlich und faszinierend zugleich. Anders als Erdbeben lassen sich Vulkanausbrüche recht gut vorhersagen. Aber wie misst man die Aktivität von Vulkanen? Jochen Steiner im Gespräch mit der Geophysikerin Dr. Ellen Gottschämmer, Karlsruher Institut für Technologie (KIT)

Baden-Württembergs Wissenschaftsministerin Theresia Bauer (Grüne) hat den neuen Supercomputer HoreKa am Karlsruher Institut für Technologie (KIT) eingeweiht. Er zählt mit 17 PetaFLOPS zu den schnellsten Rechnern in Europa und kann z.B. für Klimasimulationen eingesetzt werden.