KI-Forschung
● für die Lösungen der Zukunft
Wir wenden transformative KI-Forschung auf reale Herausforderungen an und kooperieren dabei eng mit Partnern aus Wissenschaft, Wirtschaft und Industrie.
Unsere Mission
In unserem Forschungsteam verbinden wir akademischen Forschergeist mit der Leidenschaft für handfeste Ergebnisse.
Wir sind überzeugt: In einem so dynamischen Feld wie dem maschinellen Lernen liegt der Schlüssel zum Erfolg darin, Spitzenforschung selbst voranzutreiben, um sie dann schnellstmöglich in die Anwendung zu überführen. Dafür schaffen wir ein Forschungsumfeld, das von Vertrauen und kreativer Freiheit geprägt ist. Dieser Freiraum gibt unseren hochkarätigen Forschern die Möglichkeit, sich tief in anspruchsvolle Fragestellungen einzuarbeiten, die Grenzen des Wissens zu verschieben und neue Methoden zu entwickeln. Unsere Ergebnisse teilen wir mit der Forschungsgemeinschaft durch Publikationen auf den wichtigsten internationalen Konferenzen und überführen sie zugleich in innovative, praktische Lösungen für unser Unternehmen und unsere Kunden.
DAS TEAM
Dr. Stefan Dietzel
Dr. Stefan Dietzel leitet das Forschungsteam. Geprägt von seiner wissenschaftlichen Laufbahn an der Universität Ulm, der Universität Twente und der Humboldt-Universität zu Berlin, verfolgt er die Vision, das Beste aus zwei Welten zu vereinen: den kreativen Geist der Forschung mit der kollaborativen, wirkungsorientierten Arbeitsweise der Industrie.
Mehr erfahren
Head of Research
Dr. Martin Genzel
Dr. Martin Genzel ist angewandter Mathematiker und verstärkt das Forschungsteam als Staff Machine Learning Researcher. Nach Stationen an der TU Berlin, der Universität Utrecht und dem Helmholtz-Zentrum Berlin liegt sein Forschungsschwerpunkt heute auf der Effizienz und Kompression von großen KI-Modellen, insbesondere Large Language Models. Dabei verfolgt er das Ziel, fundierte mathematische Konzepte in ressourceneffiziente und skalierbare KI-Lösungen zu verwandeln.
Mehr erfahren
Staff Machine Learning Researcher
Dr. Sebastian Schulze
Dr. Sebastian Schulze (DPhil) hat an der University of Oxford im Bereich probabilistischer Methoden und Reinforcement Learning promoviert. Derzeit forscht er als Senior Maschine Learning Researcher bei Merantix Momentum zu Themen rund um das effiziente Training und Verifizieren komplexer Prozessmodelle (Digital Twins).
Mehr erfahren
Senior ML Researcher
Dr. Patrick Putzky
Dr. Patrick Putzky forscht als Machine Learning Researcher bei Merantix Momentum an Methoden zur Modellkompression und effizienten Inferenz auf begrenzter Hardware. Er promovierte bei Max Welling an der Universität Amsterdam und spezialisierte sich auf Deep Learning und Inverse Probleme. Dabei setzte er sich als Gewinner der prestigeträchtigen fastMRI Challenge (FAIR & NYU) erfolgreich gegen internationale Konkurrenz durch.
Mehr erfahren
Senior ML Researcher
Dr. Mattes Mollenhauer
Dr. Mattes Mollenhauer hat an der Freien Universität Berlin in Mathematik promoviert und als Postdoktorand geforscht. Er beschäftigt sich unter Anderem mit der Effizienz von Machine Learning Modellen für komplexe Systeme in biochemischen und physikalischen Anwendungen.
Mehr erfahren
Senior ML Researcher
Unsere aktuellen Forschungsschwerpunkte
Modellkompression & effiziente Inferenz
Das Deployment großer Foundation-Modelle ist in ressourcenbeschränkten oder On-Premise-Umgebungen aufgrund ihrer Größe und der Inferenzkosten herausfordernd. Wir haben Methoden entwickelt, die Kompressions-Performance-Trade-offs bestimmen, ohne dass eine erneute Berechnung nötig ist. Unser aktueller Fokus liegt auf einem neuartigen, datenfreien Kompressionsansatz, der auf jedem handelsüblichen Modell gute Ergebnisse liefert.
Generative Prozessmodellierung & Hypothesentests
Unser Ziel ist es, verlässliche Entscheidungen in komplexen Systemen zu ermöglichen, in denen Unsicherheit eine große Rolle spielt. Wir entwickeln ein Werkzeugset zur Erstellung leistungsfähiger digitaler Zwillinge auf Basis neuronaler generativer Modelle und sichern deren Korrektheit durch fundierte statistische Methoden. Solche Ansätze ermöglichen nachgelagerte Anwendungen von Hypothesentests und kausaler Analyse über Anomalieerkennung und Prognosen bis hin zu Szenarienplanung und Optimierung.
Unsere neuesten Veröffentlichungen
Choose Your Model Size: Any Compression of Large Language Models Without Re-Computation (2025)
Martin Genzel, Patrick Putzky, Pengfei Zhao, Sebastian Schulze, Mattes Mollenhauer, Robert Seidel, Stefan Dietzel, Thomas Wollmann
.png)
Regularized least squares learning with heavy-tailed noise is minimax optimal (2025)
Mattes Mollenhauer, Nicole Mücke, Dimitri Meunier, Arthur Gretton
.png)
Can automatic rodent behavior analysis using AI/ML contribute to drug safety? First insights from DeepRod (2025)
B. Weiss , K. Eschmann , C. Weinandi , P. Schwarz , F.-Z. Khamlichi , H. Behnke , M. Garafolj , O. Akhtar , A. Loy , H. Schauerte , T. Wollmann , G. Rast
.png)
Compressing Large Language Models to Any Size Without Re-Computation (2025)
Martin Genzel, Patrick Putzky, Pengfei Zhao, Sebastian Schulze, Mattes Mollenhauer, Robert Seidel, Stefan Dietzel, Thomas Wollmann
.png)
Deep Joint Source-Channel Coding for Small Satellite Applications (2025)
Olga Kondrateva, Grace Li Zhang, Julian Zobel, Björn Scheuermann, Stefan Dietzel
Forschungskooperationen
Innovation entsteht durch die Bündelung von Expertise.
Deshalb schmieden wir starke Allianzen mit führenden Universitäten, Forschungseinrichtungen sowie Unternehmen aus Technologie und Industrie.
In öffentlich geförderten Forschungsprojekten überführen wir gemeinsam neueste Erkenntnisse in die praktische Anwendung. Dabei bringen wir unsere langjährige Erfahrung beim Einwerben und dem Management nationaler (z.B. BMFTR, BMWE) und europäischer (z.B. Horizon Europe) Verbundprojekte ein.
Der Austausch mit der Forschungsgemeinschaft ist uns ebenso wichtig, weshalb wir regelmäßig unsere Ergebnisse publizieren, gern auch in Kooperation mit externen Lehrstühlen und Forschungsinstitutionen.
In öffentlich geförderten Forschungsprojekten überführen wir gemeinsam neueste Erkenntnisse in die praktische Anwendung. Dabei bringen wir unsere langjährige Erfahrung beim Einwerben und dem Management nationaler (z.B. BMFTR, BMWE) und europäischer (z.B. Horizon Europe) Verbundprojekte ein.
Der Austausch mit der Forschungsgemeinschaft ist uns ebenso wichtig, weshalb wir regelmäßig unsere Ergebnisse publizieren, gern auch in Kooperation mit externen Lehrstühlen und Forschungsinstitutionen.
Publikationen
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
SECREDAS: Safe and (Cyber-)Secure Cooperative and Automated Mobility (2023)
Sebastian Gerres
IFAC 2023 – Full PDF at arxiv.org
Uncovering the Inner Workings of STEGO for Safe Unsupervised Semantic Segmentation (2023)
Alexander Koenig, Maximilian Schambach, Johannes S. Otterbach
CVPR 2023 – Full PDF at arxiv.org
Interpretable Reinforcement Learning via Neural Additive Models for Inventory Management (2023)
Julien Siems, Maximilian Schambach, Sebastian Schulze, Johannes S. Otterbach
ICLR 2023 - Full PDF at arxiv.org
Auto-Compressing Subset Pruning for Semantic Image Segmentation (2022)
Konstantin Ditschuneit, Johannes S. Otterbach
GCPR 2022 - Full PDF at arxiv.org
Towards Learning Self-Organized Criticality of Rydberg Atoms using Graph Neural Networks (2022)
Simon Ohler, Daniel Steven Brady, Winfried Lötzsch, Michael Fleischhauer, Johannes Otterbach
AI4Science Workshop at ICML 2022 - Full PDF at arxiv.org
Scalable Flow Optimization for Small Satellite Networks using Benders Decomposition (2022)
Olga Kondrateva, Stefan Dietzel, Björn Scheuermann
IEEE WoWMoM 2022 - Full PDF at ieee.org
Learning the Solution Operator of Boundary Value Problems using Graph Neural Networks (2022)
Winfried Lötzsch, Simon Ohler, Johannes S. Otterbach
ICML 2022 - Full PDF at arxiv.org
Chameleon: A Semi-AutoML framework targeting quick and scalable development and deployment of production-ready ML systems for SMEs (2021)
Johannes Otterbach, Thomas Wollmann
Full PDF at arxiv.org
DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows (2021)
Samuel von Baußnern, Johannes Otterbach, Adrian Loy, Mathieu Salzmann, Thomas Wollmann
Full PDF at arxiv.org
MEAL: Manifold Embedding-based Active Learning (2021)
Deepthi Sreenivasaiah, Johannes Otterbach, Thomas Wollmann
CPVR 2021 - Full PDF at arxiv.org
Unsere Forschung wird gefördert von
Möchten Sie einen Projektantrag mit uns entwickeln oder gemeinsam publizieren? Sprechen Sie uns an.
Kontaktieren Sie uns
- Fokus auf effiziente Inferenz von Foundation Models und generative Prozessmodellierung
- Schneller Transfer wissenschaftlicher Durchbrüche in skalierbare, ressourceneffiziente Lösungen
- Nachweisbare Entscheidungsunterstützung in komplexen Systemen
- Langjährige, vertrauensvolle Zusammenarbeit in öffentlichen und privaten Forschungskonsortien
Jetzt im Merantix Momentum Newsletter anmelden.
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.