KrylovENSprache wechseln: English

Über mich

Ich baue nur, was sich prüfen lässt.

Mein Hintergrund ist Computational Physics: numerische Verfahren, Simulation und wissenschaftliches Maschinelles Lernen. Was davon bleibt, ist vor allem eine Arbeitsweise.

Hintergrund

Seit 2023 forsche ich am Fraunhofer IISB in der Gruppe AI-Augmented Research, überwiegend an physikinformierten neuronalen Operatoren: Modellen, die nicht nur Muster in Daten finden, sondern die zugrunde liegende Physik direkt mit einbeziehen.

In der Praxis heißt das: Spannung und Dehnung von Stahl in der Metallurgie, die Wachstumsumgebung von Kristallwafern, Bibliotheken für Training und Feintuning von Foundation Models. Und lokal betriebene Agenten, die Ingenieuren und Forschenden Arbeit abnehmen. Der letzte Punkt ist der direkte Vorläufer von Krylov: dieselben Systeme, nur für Unternehmen statt für ein Forschungsinstitut.

Davor habe ich am Max-Planck-Institut für Plasmaphysik Elektronendichten am Fusionsreaktor Wendelstein 7-X rekonstruiert und bei Primetals an Bildverarbeitung für die Metallurgie gearbeitet. Ausgebildet bin ich in Computational Mathematics und Physik.

Zwei Gewohnheiten sind mir davon geblieben. Ein Verfahren ist nicht fertig, wenn es einmal ein gutes Ergebnis liefert, sondern wenn man weiß, wann es versagt. Und der interessante Teil ist selten das Modell selbst, sondern alles daneben: Datenqualität, Randbedingungen, Schnittstellen, Betrieb.

Beides fehlt in vielen Projekten. Gebaut wird eine überzeugende Demo, die im Alltag an Sonderfällen scheitert, und hinterher kann niemand erklären, warum. Ich gehe lieber andersherum vor: kleiner Anfang, echte Daten, ein messbares Ergebnis und eine klare Aussage dazu, was das System nicht kann.

Dass ich lokal arbeite, kam ebenfalls aus der Praxis. Wer mit Produktionsdaten aus der Industrie oder mit Messdaten aus der Forschung umgeht, kann sie nicht einfach an eine fremde Schnittstelle schicken. Dass sich inzwischen sehr gute offene Modelle auf überschaubarer eigener Hardware betreiben lassen, macht aus dieser Einschränkung ein lösbares technisches Problem. Das ist die Voreinstellung, kein Dogma: Wo die Daten eines Vorgangs es zulassen, läuft dasselbe System auch in Ihrer eigenen Cloud oder ruft eine gehostete Modell-Schnittstelle auf — und ich messe den Unterschied an Ihren Daten, damit das Verlagern eines Schritts von Ihrer eigenen Hardware eine informierte Entscheidung ist, kein Sprung ins Ungewisse.

Veröffentlichungen

Ein Teil davon ist veröffentlicht.

  • L. Armbruster et al., jNO: A JAX library for neural operator and foundation model training. arXiv, 2026
  • V. Medvedev, L. Armbruster et al., Physics-informed fine-tuning of foundation models for partial differential equations. ICLR 2026
  • L. Armbruster et al., Physics-Informed PointNets for Modeling Electromagnetic Scattering from All-Dielectric Metasurfaces with Inclined Nanopillars. arXiv
  • Nature of barriers determines first passage times in heterogeneous media. Soft Matter (RSC)

Zum Namen

Warum Krylov?

Krylov-Unterraumverfahren lösen Gleichungssysteme, die zu groß sind, um sie vollständig aufzustellen. Sie brauchen dafür nur zu wissen, wie das System auf einen einzelnen Vektor wirkt, und nähern sich der Lösung Schritt für Schritt an. So arbeite ich auch: klein anfangen, jeden Schritt überprüfen, aufhören, wenn es genau genug ist.

Ausblick

Woran ich noch arbeiten will

Längerfristig möchte ich beide Stränge zusammenführen und auch in Simulation und Ingenieurssoftware arbeiten, dort also, wo numerische Verfahren und maschinelles Lernen sich treffen. Als Leistung biete ich das heute nicht an, aber es prägt, wie ich an Probleme herangehe.

Kontakt

Reden wir über Ihren Prozess

Am einfachsten ist ein kurzes Gespräch. Sie brauchen dafür nichts vorzubereiten.

Kontakt aufnehmen