
Prof. Dr. Julija Zavadlav
Kontakt
Wissenschaftliche Laufbahn und Forschungsgebiete
Prof. Zavadlavs (*1987) Forschungsgebiet umfasst die Entwicklung von effizienten, aussagekräftigen Computermodellen. Die Anwendungsgebiete dieser Modelle reichen von der Bioinformatik bis zu den Ingenieurwissenschaften. Dabei integriert sie traditionelle physikalische Ansätze mit neuen Techniken des maschinellen Lernens und der Bayes'schen Modellierung und entwickelt neuen Techniken, welche die Untersuchung von Phänomenen auf mehreren Größenskalen in einer einzigen Simulation ermöglichen.
Julija Zavadlav studierte an der Universität von Ljubljana Physik und schoss dort im Jahre 2015 mit einem Doktorat ab. In dieser Zeit und in den nachfolgenden Jahren arbeitete sie am National Institute of Chemistry in Slowenien. Im Jahre 2016 startete sie ihr Post-Doktorat am Lehrstuhl für computergestützte Wissenschaften an der ETH Zürich und erhielt ETH Postdoctoral Fellowship. Im Jahre 2019 wurde sie als Assistenzprofessorin für Multiscale Modeling of Fluid Materials an die TUM berufen. Sie wurde mit dem ERC Starting Grant im Jahr 2022 ausgezeichnet.
Wichtigste Auszeichnungen
- ETH Postdoctoral Fellowship
- 1. Preis Goldene Lehre 2022 für Beste Vorlesung im Hauptstudium
- ERC Starting Grant 2022 (SupraModel)
Schlüsselpublikationen
Röcken, Sebastien; Burnet, Anton F.; Zavadlav, Julija: Predicting solvation free energies with an implicit solvent machine learning potential. The Journal of Chemical Physics 161 (23), 2024.
AbstractThaler, Stephan; Mayr, Felix; Thomas, Siby; Gagliardi, Alessio; Zavadlav, Julija: Active learning graph neural networks for partial charge prediction of metal-organic frameworks via dropout Monte Carlo. npj Computational Materials 10 (1), 2024.
AbstractThaler, Stephan; Doehner, Gregor; Zavadlav, Julija: Scalable Bayesian Uncertainty Quantification for Neural Network Potentials: Promise and Pitfalls. Journal of Chemical Theory and Computation 19 (14), 2023, 4520–4532.
AbstractThaler, Stephan; Zavadlav, Julija: Learning neural network potentials from experimental data via Differentiable Trajectory Reweighting. Nature Communications 12, 6884, 2021.
AbstractZavadlav, Julija; Melo, Manuel Nuno; Marrink, Siewert J.; Praprotnik, Matej: Adaptive resolution simulation of an atomistic protein in MARTINI water. The Journal of Chemical Physics 140 (5), 2014, 054114.
AbstractBei Änderungs- oder Aktualisierungswünschen wenden Sie sich bitte an Franz Langer.