Dr. Philipp Wacker
Es konnte kein Kontakteintrag mit der angegebenen ID 6855 gefunden werden.
Es konnte kein Kontakteintrag mit der angegebenen ID 6855 gefunden werden.Forschungsinteressen
Ich interessiere mich hauptsächlich für die Lösung von PDE-basierten Inversen Problemen, also der Suche nach Parameterwerten, die mit indirekten und fehlerbehafteten Messungen kompatibel sind. Insbesondere beschäftige ich mich mit Bayesschen Methoden. Dieser Zugang beginnt mit der Festlegung einer A-Priori-Verteilung von „plausiblen“ Parameterwerten (etwa durch domänenspezifisches Expertenwissen). Gemeinsam mit den Daten kann damit eine A-Posteriori-Verteilung bestimmt werden, die beides synthetisiert: Expertenwissen und Daten.
Diese A-Posteriori-Verteilung muss nun durch geeignete Verfahren „befragt“ werden. Interessant hierbei sind der Mittelwert („Conditional Mean“), der „wahrscheinlichste“ Parameterwert („MAP estimator“) sowie Samplingverfahren, die Konfidenzintervalle an die Parameterwerte liefern. Approximative Verfahren wie der Ensemble-Kalman-Filter erlauben eine schnellere Schätzung dieser Größen.
Meine Anwendungsschwerpunkte liegen in den Geowissenschaften (Geohydrologie) und Biomathematik.
Außerdem experimentiere ich mit dem Einsatz von interaktiven, webbasierten Erklärungen zu mathematischen Themen [www.pwacker.com]
Lebenslauf
- Studium der Mathematik an der Universität Augsburg. B. Sc. (2011) und M. Sc. (2013)
- Dr. rer. nat in Mathematik an der Universität Augsburg 2016
- Wissenschaftlicher Mitarbeiter an der FAU Erlangen-Nürnberg seit 2016
Publikationen
Author Correction: Nested sampling for physical scientists (Nature Reviews Methods Primers, (2022), 2, 1, (39), 10.1038/s43586-022-00121-x)
In: Nature Reviews Methods Primers 2 (2022), Art.Nr.: 44
ISSN: 2662-8449
DOI: 10.1038/s43586-022-00138-2
BibTeX: Download
, , , , , , , , , , , , , , , , , , , , , , :
Nested sampling for physical scientists
In: Nature Reviews Methods Primers 2 (2022)
ISSN: 2662-8449
DOI: 10.1038/s43586-022-00121-x
BibTeX: Download
, , , , , , , , , , , , , , , , , , , , , , :
On the convergence of the Laplace approximation and noise-level-robustness of Laplace-based Monte Carlo methods for Bayesian inverse problems
In: Numerische Mathematik (2020)
ISSN: 0029-599X
DOI: 10.1007/s00211-020-01131-1
URL: https://rdcu.be/b5Bfu
BibTeX: Download
, , :
Well posedness and convergence analysis of the ensemble Kalman inversion
In: Inverse Problems 35 (2019)
ISSN: 0266-5611
DOI: 10.1088/1361-6420/ab149c
BibTeX: Download
, , , :
Wavelet-Based Priors Accelerate Maximum-a-Posteriori Optimization in Bayesian Inverse Problems
In: Methodology and Computing in Applied Probability 22 (2019), S. 853-879
ISSN: 1387-5841
DOI: 10.1007/s11009-019-09736-2
BibTeX: Download
, :
A STRONGLY CONVERGENT NUMERICAL SCHEME FROM ENSEMBLE KALMAN INVERSION
In: SIAM Journal on Numerical Analysis 56 (2018), S. 2537-2562
ISSN: 0036-1429
DOI: 10.1137/17M1132367
BibTeX: Download
, , :
Pattern size in Gaussian fields from spinodal decomposition
In: SIAM Journal on Applied Mathematics 77 (2017), S. 1292 - 1319
ISSN: 0036-1399
DOI: 10.1137/15M1052081
URL: https://arxiv.org/pdf/1510.01967.pdf
BibTeX: Download
, , :
Probabilistic estimates of the maximum norm of random Neumann Fourier series
In: Communications in Nonlinear Science and Numerical Simulation 47 (2017), S. 348 - 369
ISSN: 1007-5704
DOI: 10.1016/j.cnsns.2016.11.023
URL: https://arxiv.org/pdf/1603.04300.pdf
BibTeX: Download
, , :