E-mail senden E-Mail Adresse kopieren

2025-05-07
Felix Koltermann

CISPA-Faculty Dr. Rebekka Burkholz wird Tenured-Faculty am CISPA

Nach positiver Evaluation ihrer Forschungsleistungen bekommt CISPA-Faculty Dr. Rebekka Burkholz eine Stelle als leitende Wissenschaftlerin auf Lebenszeit. Knapp vier Jahre nachdem sie ans CISPA kam, hat sie damit erfolgreich den Tenure-Track abgeschlossen. Was dieser Schritt für sie bedeutet und was die Themen sind, die sie am CISPA beschäftigen, erzählt sie uns im Gespräch.

Zu Beginn herzlichen Glückwunsch zum neuen Status als Tenured Faculty. Welche Bedeutung hat es für Dich, diesen Karrierepunkt erreicht zu haben?

Für die meisten jungen Wissenschafter:innen ist das so etwas wie das Endziel, etwas worauf man  hinarbeitet, wenn man seine Karriere startet. Währenddessen fragt man sich immer wieder, ob es klappen wird oder nicht. Das jetzt erreicht zu haben, ist eine große Erleichterung. Ich bin glücklich, dass es geklappt hat und deutlich entspannter. Gleichzeitig ist es aber wie mit vielen anderen Zielen im Leben: hat man sie erreicht, fragt man sich, was jetzt kommt. Wobei ich natürlich viele Ideen habe und vor allem gute Forschung machen will. Was mir der Tenured-Status bringt, ist die Sicherheit, dass ich mich mit meiner Forschungsgruppe jetzt auf die wirklich relevanten Themen konzentrieren kann.

Was macht die Arbeit am CISPA für Dich besonders?

Ich schätze vor allem die tollen Kolleg:innen am Zentrum. Wir haben ein super Verhältnis und unterstützen einander. Auch die gute Ausstattung schätze ich und dass wir recht frei sind, unsere Vorhaben, umzusetzen. Wir haben auch eine gute Finanzierung, um an den wirklich großen gesellschaftlichen Herausforderungen zu arbeiten. Toll ist auch die Atmosphäre, dieser Spirit, dass wir das Zentrum gemeinsam aufbauen und erfolgreich machen wollen. Es ist schön, Teil einer Gemeinschaft zu sein, die etwas bewirken will.

Du arbeitest im Themenfeld maschinelles Lernen. Was waren die Themen, die Dich während Deiner Tenure-Track-Phase beschäftigt haben?

Das ist eigentlich ganz gut durch den ERC Starting Grant abgedeckt, den ich 2023 bekommen habe. Unser Ziel ist es, maschinelles Lernen wesentlich effizienter und robuster zu machen. Wir bringen da Ideen aus der statistischen Physik ein, um neuronale Netze auf einer anderen Skala zu modellieren und eine natürlichere Parametrisierung zu finden.

Was war Dein größter Erfolg in der Zeit am CISPA oder auf welchen Moment bist Du am meisten stolz?

Ich habe das Gefühl, dass da ein paar Sachen glücklich zusammengekommen sind. Das Erste war sicherlich der ERC Grant. Das hat einen großen Unterschied für mich gemacht und auch unsere Sichtbarkeit in der Gemeinschaft erhöht. Ab da wusste ich, jetzt geht es auf Tenure zu. Das Zweite ist, dass ich verschiedene Anfragen für Kollaborationen bekommen habe. Zum Beispiel ist Apple Research mit einem Projektvorschlag auf mich zugekommen und auf der NEURIPS-Konferenz hatte ich Gespräche mit einem amerikanischen Startup. Und drittens bin ich stolz darauf, dass ich ein paar wirklich smarte Leute einstellen konnte, die für die Sache brennen. So konnte ich einen Pytorch Engineer für mein Team gewinnen, den ich auf der Hochzeit von Freunden kennengelernt habe. Pytorch ist die Umgebung, in der maschinelles Lernen zum Großteil entwickelt wird. Das ist genau das, was wir brauchen, um unsere Algorithmen wirklich effizient und nutzbar für die Forschungsgemeinschaft zu machen. Ich habe das Gefühl, da kommen jetzt ein paar Leute zusammen, die echt was bewegen können. Jetzt müssen wir das natürlich noch umsetzen, aber die Weichen sind gestellt.

Worauf willst Du Dich in den nächsten Jahren in Deiner Forschung konzentrieren?

Das ist ein Mix aus drei Dingen: die Übertragung der Complex Network Theory auf Deep Learning, die Effizienz und Performanz der relevanten Algorithmen und Modelle, und ein gutes Verständnis bestimmter Domänen in den Wissenschaften, also unserer Hauptanwendungsgebiete. Wir haben da zwei unterschiedliche Herausforderungen: Es gibt zum einen das Problem der Skalierung, wenn man sehr große Datensätze hat und sehr große Modelle trainieren will. Zum anderen ist es schwer, gute Informationen aus kleinen Datensätzen zu ziehen ist. Dort haben wir es mit viel Rauschen zu tun, aber dafür andere Formen von Wissen, die wir nutzen können, um eine größere Dateneffizienz zu erreichen. Mein Team und ich wollen mit wenig Daten und kleinen Modellen auskommen. Und beides ist gegen den Mainstream im maschinellen Lernen, der sagt, wir brauchen große Datensätze und große Modelle. So groß wie es geht, ist gerade die Erfolgsschiene. Das Problem ist nur, dass das sehr teuer und energieintensiv ist und wir es nicht einfach auf mobilen Geräten nutzen können. Deswegen brauchen wir Alternativen.

Wird sich etwas an Deiner Arbeit ändern, jetzt wo Du „tenured“ bist?

Ja, in dem Sinne, dass die Gruppe größer wird. Und das bedeutet, dass wir gute Wege finden müssen, effizient miteinander zu arbeiten. Ich kann zum Beispiel nicht mehr ganz so eng betreuen, wie ich es vorher mit zwei oder drei Doktorand:innen gemacht habe. Das heißt, die Gruppe muss sich auch gegenseitig unterstützen und wir müssen Verantwortung gut verteilen. Denn ich kann nicht mehr an allen Stellen gleichzeitig vor Deadlines so in die Details gehen wie früher. Wir sind dabei, das so auszutarieren, dass wir mit mehr Leuten weiterhin viel Spaß haben.

Vielen Dank für das Gespräch Rebekka.