Prof. Dr. Markus Götz

Professur

Scalable and Efficient Machine Learning

School

TUM School of Computation, Information and Technology

Kontakt

Wissenschaftliche Laufbahn und Forschungsgebiete

Mein Forschungsschwerpunkt liegt auf skalierbarem maschinellem Lernen und Datenanalytik für Hochleistungsrechnerumgebungen. Insbesondere interessiere ich mich für verteiltes und paralleles Training neuronaler Netze, ressourceneffiziente und Low-Rank-Modellarchitekturen, energiebewusste KI sowie skalierbare klassische Algorithmen des maschinellen Lernens für wissenschaftliche Daten. Meine Arbeit umfasst Anwendungen in erneuerbaren Energiesystemen, der Wettermodellierung und biomolekularen Simulation.

B.Sc. IT-Systems Engineering, HPI, Universität Potsdam (2007–2010); Praktikant am CERN, Schweiz (2011); Erasmus an der Blekinge Tekniska Högskola, Schweden (2010–2011); M. Sc. IT-Systems Engineering, HPI, Potsdam (2010–2014); Promotion in Computational Engineering, Universität Island/Forschungszentrum Jülich (2014–2017); Postdoktorand, KIT (2018–2019); Gruppenleiter, Helmholtz AI Energy, KIT (2020–heute); sowie ab 09/2026 Assistenzprofessor für Scalable and Efficient Machine Learning, TUM Campus Heilbronn.

Curriculum Vitae

Wichtigste Auszeichnungen

ACM Gordon Bell Award in Climate Modelling Finalist, Supercomputing (SC), 2026
Best Paper Award, Platform for Advanced Scientific Computing (PASC), 2026
EU-SOLARIS Award, 2025
Best Poster Award, ISC High Performance, 2025
Best Paper Award, International Conference on Neural Information Processing (ICONIP), 2024

Schlüsselpublikationen (alle Publikationen)

Kieckhefen, D., Götz, M., Heyen, L. H., Streit, A., & Debus, C. (2026, June). Combining Domain and Tensor Parallelism to Train Multi-billion-parameter AI Weather Models. In Platform for Advanced Scientific Computing Conference (pp. 1-13).

Abstract

Phipps, K., Kuhl, M., Weiel, M., Busch, M., Lewen, J., Blumenröhr, N., ..., Götz, M., Pargmann, M. (2026). The PAINT database for operational concentrating solar power plant data following FAIR data principles. Nature Energy, 1-10.

Abstract

Laufer, F., Götz, M., & Paetzold, U. W. (2025). Deep learning for augmented process monitoring of scalable perovskite thin-film fabrication. Energy & Environmental Science, 18(4), 1767-1782.

Abstract

Debus, C., Piraud, M., Streit, A., Theis, F., & Götz, M. (2023). Reporting electricity consumption is essential for sustainable AI. Nature Machine Intelligence, 5(11), 1176-1178.

Abstract

Götz, M., Bodenstein, C., & Riedel, M. (2015) HPDBSCAN: highly parallel DBSCAN. In Proceedings of the workshop on machine learning in high-performance computing environments (pp. 1-10).

Abstract

Bei Änderungs- oder Aktualisierungswünschen wenden Sie sich bitte an Franz Langer.