Das Atomistic Modeling Center (AMC) hat Phaedon-Stelios Koutsourelakis als neues Kernmitglied berufen. Er ist Professor für Kontinuumsmechanik and leitet die Gruppe für „Data-driven Materials Modeling“ an der TUM School of Engineering and Design und kann mit seiner Expertise in multi-skaliger Modellierung und stochastischer Analyse neue Aspekte in das interdisziplinäre Team des AMC einbringen. 

Physik-integrierte generative Modellierung ist ein hochaktuelles Thema. „Ich sehe das AMC an der Spitze der Entwicklung generativer, dateneffizienter Frameworks, die physikalische Prinzipien direkt in Lernalgorithmen integrieren. Die Einbettung atomistischer Kraftfelder in Modelle des maschinellen Lernens wird vorhersagbare, interpretierbare Simulationen ermöglichen, die die Materialforschung beschleunigen“, betont Koutsourelakis das Ziel, in diesem Forschungsbereich führend zu sein. 
Die interdisziplinäre Gemeinschaft des AMC hervorhebend fügt er hinzu: „Ich sehe bedeutende Möglichkeiten für das AMC, eine Brücke zwischen quantenmechanischen Simulationsmethoden, fortschrittlicher atomistischer Modellierung und inversen Materialdesign-Workflows zu schlagen. Durch die Integration dieser sich ergänzenden Ansätze können wir die Entdeckung neuartiger Materialien vorantreiben, unser Verständnis ihrer zugrunde liegenden Mechanismen vertiefen und zur Mission des AMC beitragen, datengesteuerte und statistische Methoden über Disziplingrenzen hinweg anzuwenden.“

Koutsourelakis' Forschung konzentriert sich auf die Entwicklung von Berechnungsstrategien zur Modellierung und Analyse physikalischer und technischer Systeme, mit besonderem Schwerpunkt auf Kontinuumsmechanik und Unsicherheitsquantifizierung. Er bringt eine cybergestützte statistische Denkweise in das AMC ein und möchte die interdisziplinäre Zusammenarbeit und Innovation zwischen den Fakultäten an der Schnittstelle von physikalischer Modellierung und maschinellem Lernen fördern. Neben den oben genannten Themen liegt ein Schwerpunkt seiner Arbeit auf der Überbrückung von Skalen von atomistisch bis kontinuierlich durch probabilistische Grobkörnung und bayesischer Inferenz. Koutsourelakis möchte zum AMC beitragen, indem er atomistische und kontinuierliche Skalen durch probabilistische grobkörnige Darstellungen verbindet, die die physikalische Interpretierbarkeit bewahren und gleichzeitig Unsicherheiten quantifizieren, wodurch zuverlässige, multi-skalige Vorhersagen über komplexe Materialsysteme ermöglicht werden.