Dr. Maximilian Moll

Dr. Maximilian Moll
INF 1 Institut für Theoretische Informatik, Mathematik und Operations Research
Gebäude 41/500, Zimmer 0505
+49 89 6004-2248
maximilian.moll@unibw.de

Dr. Maximilian Moll

 

CV  
2018 Dr. rer. nat. mit Auszeichnung, Research Director
2016 - 2018 Ph.D. Candidate an der UniBw München
Seit 2012 Mitglied des Collegium Divi Johannis Evangelistae
2017 Internationales Mobilitätsprogramm an der Universiti Putra Malaysia,
Malaysia
2015 Praktikum bei IBM Research Center Dublin, Irland
2014 Forschungsprojekt am Computer Sciences Lab der University of Cambridge, Großbritannien
2013 Praktikum in der IT-Abteilung des Flughafens München - Aviation Management
2011 - 2015 Master of Mathematics an der Universität Cambridge, Großbritannien
   

Es sollte keine langweilige Mathematik geben.
Edsger Dijkstra

 

Algorithms

Algorithmen verbinden Theorie und Praxis, indem Sie die Lücke zu den eigentlichen Anwendungen überbrücken. Das Spektrum der verschiedenen Arten von Algorithmen reicht von sehr einfachen bis hin zu komplizierteren Algorithmen, von Algorithmen, für die wir genau wissen, wie sie sich verhalten und warum sie funktionieren, bis hin zu solchen, die in der Praxis gut funktionieren, aber theoretisch nicht sehr gut verstanden werden. Darüber hinaus verbinden sie auch Mathematik und Informatik, da die wichtigsten Teile der meisten Programme Implementierungen von Algorithmen sind. Diese Mischung aus Theorie und Anwendung, Arbeit mit Stift und Papier und am Computer, exakter Vorgehensweise und Untersuchungen durch das Variieren von Parametern, kombiniert mit ihrer großen Vielfalt, macht Algorithmen interessant zum Studieren und Arbeiten.

Die Promotion von Herrn Moll konzentrierte sich darauf, die Leistungsfähigkeit der algorithmischen Optimierung im Reinforcement Learning in die Policy Optimierung in System Dynamics (SD) einzubringen. In diesen komplexen Systemen muss die Steuerung nicht nur flexibel zeitabhängig variieren, sondern sich auch an unsichere Umgebungen anpassen können. SD wird häufig für seine Flexibilität und Modellierungskraft verwendet, wenn es um große Systeme mit Feedbackcharakter geht. Und es ist diese Anwendbarkeit von SD, die Herr Moll unabhängig von der fortgeschrittenen Arbeit, die er auf der Optimierungsseite machen möchte, intakt halten will. Die dabei erlangten Erkenntnisse wird er nun nutzen, um zum einen die Interpretierbarkeit und Verständlichkeit der Schlüsselmechanismen des Reinforcement Learnings zu untersuchen. Darüber hinaus wird er sich der Kombination von Algorithmen sowohl aus dem klassischen OR als auch dem Machine Learnings mit neuen Ansätzen des Quantum Computings widmen.