Jacob Schmieder
Offen für Promotionsmöglichkeiten
Ich bin Medizinphysiker mit einem starken Hintergrund in theoretischer und computergestützter Physik, wissenschaftlichem Rechnen und Machine Learning. Derzeit suche ich eine Promotionsstelle in der Physik, im Bereich KI oder an deren Schnittstelle, in der ich durch physikalisches Verständnis, quantitative Analyse und rechnerische Methoden zu wissenschaftlich motivierter Forschung beitragen kann.
- Forschungsrichtung: Physics-informed Machine Learning, probabilistische Modellierung, Unsicherheitsquantifizierung, wissenschaftliches Rechnen und simulationsgestützte Studien
- Technisches Profil: Research Software Engineering, Open-Source-KI-Werkzeuge, reproduzierbare ML-Workflows und HPC-basierte Rechenumgebungen
- Aktuelles Ziel: Eine Forschungsgruppe finden, in der physikalisches Verständnis, Machine Learning und rechnerische Umsetzung in einem fokussierten Promotionsprojekt zusammenkommen
Wenn das zu Ihrer Gruppe oder einem möglichen Projekt passt, freue ich mich über eine Nachricht.
Über mich
Meine praktische Arbeit konzentriert sich darauf, rechnerische Ideen in nutzbare Forschungswerkzeuge und verlässliche Workflows zu übersetzen. Als Senior Data Scientist entwickle ich Open-Source-Projekte wie ScrAIbe und ScrAIbe-WebUI, arbeite mit Slurm-basierten HPC-Workflows und containerisierten Diensten und nutze DevOps- und GitOps-orientierte Workflows für reproduzierbares Deployment, Automatisierung und Infrastrukturmanagement.
Diese Arbeit verbindet Research Software Engineering, KI-Werkzeuge und wissenschaftliche Infrastruktur mit dem Ziel, komplexe Methoden robust und in realen Forschungskontexten nutzbar zu machen.
Außerhalb der Arbeit beschäftige ich mich in einem kleinen Homelab weiter mit Infrastruktur, Automatisierung und Home Automation.
Berufserfahrung
Alle anzeigen
Physik trifft Data Science
Ausbildung
Auswahl meiner Arbeiten
Numerical Information Field Theory for Acoustic Monitoring (Poster)
Passive acoustic monitoring provides continuous, high-resolution recordings, but real ocean soundscapes are messy: noise is non-stationary and biologically important click events can be sparse. These conditions often challenge purely discriminative detectors. This poster explores Information Field Theory (IFT) as a Bayesian alternative for acoustic denoising. IFT treats signals as latent fields and reconstructs their posterior mean together with calibrated uncertainty.
Methodologically, the spectrogram is modeled as data generated from a latent acoustic field plus noise. A time-periodic, frequency-random prior encodes expected click structure, and variational optimisation of the Gibbs free energy yields the reconstruction. Minimising this free energy corresponds to variational Bayesian inference within IFT.
Presented at HAICON25, Karlsruhe (03.06.2025) — Schmieder J., Albrecht S., Mousavi H., Fais A.
ScrAIbe-WebUI: Browserbasierte Transkription für Forschungsteams
ScrAIbe-WebUI macht aus dem ScrAIbe-Backend einen praktischen, browserbasierten Workflow für Forschungsteams. Im Mittelpunkt stehen die Schritte, die in Projekten täglich gebraucht werden: Medien hochladen oder direkt aufnehmen, Modelle auswählen, Jobs starten und reproduzierbare Transkripte erhalten, ohne auf der Kommandozeile zu arbeiten.
Highlights:
- Drag-and-drop-Uploads und Aufnahmen per Mikrofon oder Webcam, ausgelegt für lange Dateien und reale Forschungs-Workflows.
- Synchrone und asynchrone Verarbeitung: kurze Aufnahmen direkt im Browser verarbeiten oder längere Jobs im Hintergrund starten; optional wird das Ergebnis nach Abschluss per E-Mail zugestellt.
- Erweiterte Modellsteuerung in der UI: beliebige Whisper-Modelle oder das schnellere faster-whisper-CPU-Backend wählen und Pyannote-Diarisierung bei Bedarf aktivieren.
ScrAIbe-WebUI hält die zugrunde liegende Pipeline reproduzierbar und macht sie zugleich einfacher nutzbar in gemeinsamen Forschungsumgebungen, Workshops und Projektteams.
ScrAIbe: Research-Grade Transcription & Diarisation
ScrAIbe ist aus einem praktischen Bedarf in Forschungsprojekten entstanden: verlässliche Transkripte für Interviews, Besprechungen, Feldaufnahmen und technische Audiodaten, die generische Speech-to-Text-Dienste nur begrenzt abdecken. Ich habe es als Open-Source-Pipeline für Forschungsaufnahmen entwickelt, bei denen Rauschen, deutsch/englische Sprachwechsel und mehrere Sprecherinnen und Sprecher eher Normalfall als Ausnahme sind.
ScrAIbe ist eine modulare, mehrsprachige Pipeline für Transkription und Sprecherverarbeitung:
- Whisper-basierte automatische Spracherkennung (ASR) für präzise Transkription und optionale segmentweise Übersetzung.
- Sprecherdiarisierung und -erkennung via Pyannote, mit VoxCeleb-Embeddings für robuste Sprechertrennung.
- Automatische Sprachidentifikation mit VoxLingua, um gemischtsprachige Aufnahmen sauber zu verarbeiten.
- Mehrere Einstiegspunkte: eine Python-API für volle Kontrolle, eine CLI für Batch-Jobs und eine schlanke Gradio-App für schnelle lokale Läufe.
Mein Ziel mit ScrAIbe ist, hochwertige Transkription reproduzierbar, nachvollziehbar und an projektspezifische Anforderungen anpassbar zu machen. Für browserbasierte Team-Workflows stellt das Begleitprojekt ScrAIbe-WebUI eine eigene Weboberfläche auf Basis desselben Backends bereit.
Master’s Thesis: Machine Learning Optimization of Gaussian Basis Sets
My master’s thesis explored how machine learning can optimize Gaussian basis sets for ab initio density-functional theory (DFT) calculations, with particular attention to compact basis families and accuracy trade-offs.
- Introduced a projection-based loss that aligns an optimisable Gaussian basis to a larger reference set, enabling joint optimisation of exponents and contractions with gradient-based methods via automatic differentiation.
- Evaluated the learned bases across diverse small molecules, showing consistent energy-error reductions for minimal and split-valence sets, especially STO-nG, while gains over modern polarised/augmented references remained modest.
The study highlights both the promise and the current limitations of ML-driven basis-set optimisation, motivating richer datasets and hybrid strategies.
Bachelorarbeit: EEG-Based Assessment of Consciousness
Während meiner Bachelorarbeit habe ich untersucht, ob EEG-Marker als Echtzeit-Index für den Bewusstseinszustand von Patientinnen und Patienten während propofol-sedierter Endoskopien dienen können.
- Diese Features wurden anhand klinischer Annotationen (einschließlich RASS) mit ROC-/AUC-Analysen verglichen, um die trennschärfsten Marker zu identifizieren.
- Bandbegrenzte Amplituden – insbesondere im β-Bereich, wobei α zusätzliche Hinweise auf Übergänge zwischen entspannter Wachheit und leichter Sedierung lieferte – erwiesen sich als am informativsten. Phasensynchronisationsmetriken generalisierten dagegen über Personen hinweg schlecht.
Die Ergebnisse unterstützen personalisierte Multi-Feature-Ansätze für Closed-Loop-Sedierungsmonitoring und zeigen den Bedarf an größeren, standardisierten Korpora.
