<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom">
	<channel>
		<title>Title of the feed</title>
		<link>https://www.th-nuernberg.de/veranstaltungen/</link>
		<description>General description of the feed</description>
		<language>en</language>
		<pubDate>Tue, 13 Oct 2026 21:40:51 +0200</pubDate>
		<lastBuildDate>Tue, 13 Oct 2026 21:40:51 +0200</lastBuildDate>
		<generator>TYPO3 EXT:calendarize</generator>
		

	
	<item>
		<guid isPermaLink="false">calendarize-5846</guid>
		<pubDate>20261013T173000CEST</pubDate>
		<title>Scientific Machine Learning (SciML) für industrielle Simulation und Optimierung</title>
		&lt;link&gt;/veranstaltung/9518-scientific-machine-learning-sciml-fuer-industrielle-simulation-und-optimierung/&lt;/link&gt;
		<description>&lt;figure class=&quot;table&quot;&gt;&lt;table&gt;&lt;tbody&gt;&lt;tr&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;strong&gt;Beschreibung:&lt;/strong&gt;&lt;/td&gt;&lt;td rowspan=&quot;1&quot;&gt;Das Fraunhofer-Institut für Integrierte Systeme und Bauelementetechnologie (IISB) forscht an elektronischen Systemen, Bauelementen und Technologien – von der Halbleiterfertigung über die Leistungselektronik bis hin zu energieeffizienten KI-Systemen. Der Vortrag gibt einen Einblick in unsere Arbeiten im Bereich Scientific Machine Learning (SciML), in dem moderne KI-Methoden mit etablierten numerischen Simulations- und Optimierungsverfahren kombiniert werden, um effiziente und zuverlässige digitale Werkzeuge für industrielle Anwendungen zu entwickeln. Ein zentraler Schwerpunkt ist das physik-informierte maschinelle Lernen, bei dem die zugrunde liegenden physikalischen Gesetze direkt in das Training neuronaler Netze einfließen. Die so entstehenden, schnell auswertbaren Surrogatmodelle ermöglichen eine physik-basierte Inter- und Extrapolation außerhalb des Trainingsdatenbereichs und insgesamt deutlich zuverlässigere Vorhersagen als rein datengetriebene Modelle. Die Differenzierbarkeit dieser hybriden Ansätze ermöglicht effiziente gradientenbasierte Optimierung und verbesserte inverse Design-Workflows, da die Sensitivitäten der Modellausgaben bezüglich Design- und Prozessparametern direkt aus dem Modell abgeleitet werden können. Als industrielle Anwendung steht die Herstellung von Halbleitern im Mittelpunkt, wobei der Schwerpunkt auf Lithografie und Halbleiterprozessen liegt: vom inversen Design in der optischen Lithografie über messkalibrierte Surrogat-Löser für Fotolack-Reaktionen bis hin zu thermischen Simulationen mit inverser Heizer-Optimierung in Kristallzüchtungsöfen.&amp;nbsp;&lt;/td&gt;&lt;/tr&gt;&lt;tr&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;strong&gt;Referierende:&lt;/strong&gt;&lt;/td&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;a href=&quot;https://www.iisb.fraunhofer.de/de/research_areas/simulation.html&quot; target=&quot;_blank&quot; rel=&quot;noreferrer&quot;&gt;&lt;strong&gt;Dr.-Ing. Andreas Roßkopf, Fraunhofer IISB, Erlangen&lt;/strong&gt;&lt;/a&gt;&lt;/td&gt;&lt;/tr&gt;&lt;tr&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;strong&gt;Information:&lt;/strong&gt;&lt;/td&gt;&lt;td rowspan=&quot;1&quot;&gt;Weitere Angebote des Mathematisch-Physikalischen Kolloquium finden Sie &lt;a href=&quot;t3://page?uid=2202&quot;&gt;hier&lt;/a&gt;&lt;/td&gt;&lt;/tr&gt;&lt;/tbody&gt;&lt;/table&gt;&lt;/figure&gt;</description>
		<![CDATA[<figure class="table"><table class="contenttable"><tbody><tr><td rowspan="1"><strong>Beschreibung:</strong></td><td rowspan="1">Das Fraunhofer-Institut für Integrierte Systeme und Bauelementetechnologie (IISB) forscht an elektronischen Systemen, Bauelementen und Technologien – von der Halbleiterfertigung über die Leistungselektronik bis hin zu energieeffizienten KI-Systemen. Der Vortrag gibt einen Einblick in unsere Arbeiten im Bereich Scientific Machine Learning (SciML), in dem moderne KI-Methoden mit etablierten numerischen Simulations- und Optimierungsverfahren kombiniert werden, um effiziente und zuverlässige digitale Werkzeuge für industrielle Anwendungen zu entwickeln. Ein zentraler Schwerpunkt ist das physik-informierte maschinelle Lernen, bei dem die zugrunde liegenden physikalischen Gesetze direkt in das Training neuronaler Netze einfließen. Die so entstehenden, schnell auswertbaren Surrogatmodelle ermöglichen eine physik-basierte Inter- und Extrapolation außerhalb des Trainingsdatenbereichs und insgesamt deutlich zuverlässigere Vorhersagen als rein datengetriebene Modelle. Die Differenzierbarkeit dieser hybriden Ansätze ermöglicht effiziente gradientenbasierte Optimierung und verbesserte inverse Design-Workflows, da die Sensitivitäten der Modellausgaben bezüglich Design- und Prozessparametern direkt aus dem Modell abgeleitet werden können. Als industrielle Anwendung steht die Herstellung von Halbleitern im Mittelpunkt, wobei der Schwerpunkt auf Lithografie und Halbleiterprozessen liegt: vom inversen Design in der optischen Lithografie über messkalibrierte Surrogat-Löser für Fotolack-Reaktionen bis hin zu thermischen Simulationen mit inverser Heizer-Optimierung in Kristallzüchtungsöfen.&nbsp;</td></tr><tr><td rowspan="1"><strong>Referierende:</strong></td><td rowspan="1"><a href="https://www.iisb.fraunhofer.de/de/research_areas/simulation.html" target="_blank" rel="noreferrer"><strong>Dr.-Ing. Andreas Roßkopf, Fraunhofer IISB, Erlangen</strong></a></td></tr><tr><td rowspan="1"><strong>Information:</strong></td><td rowspan="1">Weitere Angebote des Mathematisch-Physikalischen Kolloquium finden Sie <a href="/fakultaeten/amp/fakultaet/veranstaltungen/">hier</a></td></tr></tbody></table></figure>]]>
	</item>



	
	<item>
		<guid isPermaLink="false">calendarize-5854</guid>
		<pubDate>20261015T130000CEST</pubDate>
		<title>Abschlussevent des Lehrlabor³</title>
		&lt;link&gt;/veranstaltung/9521-abschlussevent-des-lehrlabor3/&lt;/link&gt;
		<description>&lt;p&gt;Wie können bestehende Lehrkonzepte und -szenarien für alle Beteiligten motivierender gestaltet werden? An den Antworten arbeitet die bayernweite Initiative Lehrlabor³, die ausdrücklich auch Studierende mit einbezieht. Sie organisiert das kooperative Zusammenspiel zwischen der TH Nürnberg, dem Forschungs- und Innovationslabor digitale Lehre (fidl) sowie dem Bayerischen Zentrum für Innovative Lehre (BayZiel).&amp;nbsp;&lt;/p&gt;</description>
		<![CDATA[<p>Wie können bestehende Lehrkonzepte und -szenarien für alle Beteiligten motivierender gestaltet werden? An den Antworten arbeitet die bayernweite Initiative Lehrlabor³, die ausdrücklich auch Studierende mit einbezieht. Sie organisiert das kooperative Zusammenspiel zwischen der TH Nürnberg, dem Forschungs- und Innovationslabor digitale Lehre (fidl) sowie dem Bayerischen Zentrum für Innovative Lehre (BayZiel).&nbsp;</p>]]>
	</item>



	
	<item>
		<guid isPermaLink="false">calendarize-5883</guid>
		<pubDate>20261019T190000CEST</pubDate>
		<title>Ringvorlesung Künstliche Intelligenz - Generative und agentische KI</title>
		&lt;link&gt;/veranstaltung/9533-ringvorlesung-kuenstliche-intelligenz-generative-und-agentische-ki/&lt;/link&gt;
		<description>&lt;figure class=&quot;table&quot;&gt;&lt;table&gt;&lt;tbody&gt;&lt;tr&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;strong&gt;Beschreibung:&lt;/strong&gt;&lt;/td&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;p&gt;Generative und Agentische KI – ein Status Quo. Vor knapp vier Jahren hat ChatGPT gezeigt, dass Maschinen schreiben können. Das war generative KI. Heute recherchieren KI-Agenten selbstständig, entwickeln Software und erledigen Aufgaben, für die Menschen Stunden brauchen. Das ist agentische KI. Aber wie viel davon hält einer Überprüfung stand? Im Auftaktvortrag der Ringvorlesung Künstliche Intelligenz zeigt Prof. Dr. Stephan Kurpjuweit, was die besten Modelle heute können, woran sie noch scheitern und warum beides oft näher beieinanderliegt, als man denkt. Er erklärt, ob da wirklich nur ein statistischer Papagei spricht und was sich ändert, wenn die Maschine nicht mehr nur antwortet, sondern handelt.&lt;/p&gt;&lt;p&gt;Der Referent: Stephan Kurpjuweit ist Professor für Generative AI Engineering an der Hochschule Worms sowie Mitgründer und Geschäftsführer der THINKING LABS GmbH, eines Beratungs- und Umsetzungspartners für KI-Lösungen. Er forscht daran, wie sich die Qualität generativer KI-Systeme im Betrieb messen und belegen lässt. Zuvor war er Chief Product &amp;amp; Technology Officer beim Softwareunternehmen Netbiscuits und strategischer Assistent des CIO der Zurich Versicherung. Er ist Diplom-Informatiker und hat an der Universität St. Gallen promoviert.&lt;/p&gt;&lt;/td&gt;&lt;/tr&gt;&lt;tr&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;strong&gt;Referierende:&lt;/strong&gt;&lt;/td&gt;&lt;td rowspan=&quot;1&quot;&gt;Prof. Dr. Stephan Kurpjuweit, &lt;a href=&quot;https://www.hs-worms.de/service/hochschul-nachricht/hochschule-worms-richtet-mit-professor-stephan-kurpjuweit-erste-schwerpunktprofessur-ein&quot;&gt;Professor für Generative AI Engineering an der Hochschule Worms&lt;/a&gt;&lt;/td&gt;&lt;/tr&gt;&lt;tr&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;strong&gt;Information:&lt;/strong&gt;&lt;/td&gt;&lt;td rowspan=&quot;1&quot;&gt;&lt;p&gt;Keine Anmeldung erforderlich; im Anschluss an den Vortrag und die Diskussion gibt es ein Get-together.&lt;/p&gt;&lt;p&gt;Über die Ringvorlesung KI: Künstliche Intelligenz verändert, wie wir arbeiten, kommunizieren und entscheiden. Aber was steckt wirklich dahinter – jenseits von Hype und Hysterie? Die Ringvorlesung “Künstliche Intelligenz – mit Expert:innen im Dialog” beleuchtet in sechs Abenden gemeinsam mit Expert:innen aus Wissenschaft, Wirtschaft und Medien die Chancen, Risiken und offenen Fragen rund um KI. Für Studierende, Interessierte und alle, die mitreden wollen.&lt;/p&gt;&lt;/td&gt;&lt;/tr&gt;&lt;/tbody&gt;&lt;/table&gt;&lt;/figure&gt;</description>
		<![CDATA[<figure class="table"><table class="contenttable"><tbody><tr><td rowspan="1"><strong>Beschreibung:</strong></td><td rowspan="1"><p>Generative und Agentische KI – ein Status Quo. Vor knapp vier Jahren hat ChatGPT gezeigt, dass Maschinen schreiben können. Das war generative KI. Heute recherchieren KI-Agenten selbstständig, entwickeln Software und erledigen Aufgaben, für die Menschen Stunden brauchen. Das ist agentische KI. Aber wie viel davon hält einer Überprüfung stand? Im Auftaktvortrag der Ringvorlesung Künstliche Intelligenz zeigt Prof. Dr. Stephan Kurpjuweit, was die besten Modelle heute können, woran sie noch scheitern und warum beides oft näher beieinanderliegt, als man denkt. Er erklärt, ob da wirklich nur ein statistischer Papagei spricht und was sich ändert, wenn die Maschine nicht mehr nur antwortet, sondern handelt.</p><p>Der Referent: Stephan Kurpjuweit ist Professor für Generative AI Engineering an der Hochschule Worms sowie Mitgründer und Geschäftsführer der THINKING LABS GmbH, eines Beratungs- und Umsetzungspartners für KI-Lösungen. Er forscht daran, wie sich die Qualität generativer KI-Systeme im Betrieb messen und belegen lässt. Zuvor war er Chief Product &amp; Technology Officer beim Softwareunternehmen Netbiscuits und strategischer Assistent des CIO der Zurich Versicherung. Er ist Diplom-Informatiker und hat an der Universität St. Gallen promoviert.</p></td></tr><tr><td rowspan="1"><strong>Referierende:</strong></td><td rowspan="1">Prof. Dr. Stephan Kurpjuweit, <a href="https://www.hs-worms.de/service/hochschul-nachricht/hochschule-worms-richtet-mit-professor-stephan-kurpjuweit-erste-schwerpunktprofessur-ein" target="_blank" rel="noreferrer">Professor für Generative AI Engineering an der Hochschule Worms</a></td></tr><tr><td rowspan="1"><strong>Information:</strong></td><td rowspan="1"><p>Keine Anmeldung erforderlich; im Anschluss an den Vortrag und die Diskussion gibt es ein Get-together.</p><p>Über die Ringvorlesung KI: Künstliche Intelligenz verändert, wie wir arbeiten, kommunizieren und entscheiden. Aber was steckt wirklich dahinter – jenseits von Hype und Hysterie? Die Ringvorlesung “Künstliche Intelligenz – mit Expert:innen im Dialog” beleuchtet in sechs Abenden gemeinsam mit Expert:innen aus Wissenschaft, Wirtschaft und Medien die Chancen, Risiken und offenen Fragen rund um KI. Für Studierende, Interessierte und alle, die mitreden wollen.</p></td></tr></tbody></table></figure>]]>
	</item>




	</channel>
</rss>