Dr. Oleksandra Kukharenko

Oleksandra Kukharenko promovierte in Mathematik an der Fakultät für Kybernetik der Taras-Shevchenko-Nationaluniversität in Kiew, Ukraine. Im Jahr 2014 kam sie an die Universität Konstanz (Gruppe von Prof. Christine Peter), zunächst als Bridging Fellow und dann als ZIF-Marie Curie Postdoc-Stipendiatin, wo sie sich mit der Analyse der Dynamik von Protein-Konformationen beschäftigte. Als Carl Zeiss-Stipendiatin erweiterte sie ihre Forschung durch die Untersuchung von Mehrkörper- und Multiskalenproblemen. Im Jahr 2020 wurde sie Gruppenleiterin im Arbeitskreis "Theorie der Polymere" des Max-Planck-Instituts für Polymerforschung. In ihrer Forschungstätigkeit kombiniert sie Molekulardynamiksimulationen mit neuartigen Techniken der statistischen Analyse und des maschinellen Lernens zur Charakterisierung des konformationellen Phasenraums, um kinetische und thermodynamische Eigenschaften von Systemen der weichen Materie abzuschätzen.

Forschungsinteressen

Verbesserung und Erweiterung nichtparametrischer Regressionstechniken

Wir verwenden neue Techniken des statistischen/maschinellen Lernens (ML), um Probleme zu lösen, die im Bereich der computergestützten Chemie auftreten. Wir konzentrieren uns dabei auf einen besonders vielversprechenden ML-Ansatz, der die Rechenleistung dynamischer Systeme mit einem einfach zu implementierenden, überwachten Lernschema kombiniert. Mit dieser Methodik gehen wir mehrere entscheidende Probleme an, mit denen die theoretische/computergestützte Chemie im Zusammenhang mit Polymerstudien konfrontiert ist. Genauer gesagt nutzen wir die Informationsverarbeitungsfähigkeit bestimmter dynamischer Systeme, um einige statische und dynamische Merkmale von molekularen Systemen, die von Interesse sind, zu rekonstruieren, zu erklären und vorherzusagen.

Analyse der Bedeutung von Merkmalen

In der Regel enthalten nicht alle Eingabedaten eine wichtige Information für genaue Vorhersage-/Klassifikationsergebnisse. Die Beeinflussung der Bedeutung der Eingabemerkmale kann die physikalische Interpretation der erhaltenen Ergebnisse erleichtern und ist aufgrund der hohen Dimensionalität der Eingabedaten im Gegensatz zur geringen Anzahl von Stichproben von großer Bedeutung für die Lösung des Problems der schlechten Konditionierung der Regressionsmodelle. Wir verwenden die Analyse der Wichtigkeit von Merkmalen zur Verbesserung der Transparenz von nichtparametrischen Vorhersagemodellen und zur Verbesserung der Stabilität der entwickelten Modelle.

Ausgewählte Publikationen