Portrait Prof. Dr. Josephine Thomas, © Tim Schröter, Universität Greifswald
Von der Astrophysik und der allgemeinen Relativitätstheorie hin zu Maschinellem Lernen und der Optimierung von Stromnetzen – die Laufbahn von Prof. Dr. Josephine Thomas zeigt, wie aus kindlicher Neugier und gesellschaftlicher Relevanz Forschung werden kann. Heute forscht sie an der Schnittstelle von Grundlagen und Anwendung und gibt diese Erfahrung auch an ihre Studierenden weiter. Im Interview berichtet Prof. Dr. Thomas über den Aufbau des neuen Studiengangs Data Science, aktuelle Forschung und Perspektiven für die Zukunft.
Frau Thomas, was hat Sie an der Physik ursprünglich so fasziniert, dass Sie sich ihr beruflich gewidmet haben? Und hat sich diese Faszination über die Jahre verändert?
Als ich etwa zehn war, hat mein Onkel mir von der Urknall-Theorie erzählt, da war meine Neugier geweckt. Ich habe mir damals schon typische existenzielle Fragen gestellt, also wo kommen wir Menschen und die Erde überhaupt her, was gibt es außerhalb der Erde und warum gibt es überhaupt irgendwas?
Im Studium habe ich dann Vorlesungen im Bereich Astrophysik und allgemeine Relativitätstheorie belegt und musste feststellen, dass es etwas naiv war, vom Studium konkrete Antworten auf meine grundlegenden Fragen zu erwarten. Die Faszination ist trotzdem, oder vielleicht auch gerade deshalb, geblieben. Zum Maschinellen Lernen bin ich gekommen, weil ich während meiner Diplomarbeit festgestellt habe, dass ich auch etwas tun möchte, was absehbar gesellschaftlich relevant ist. Ich habe damals ein Jahr extrem komplizierte Gleichungen gelöst und kurz vor Schluss einen Fehler in einer allem zu Grunde liegenden Veröffentlichung gefunden. Heutzutage würde ich meinen Studierenden sagen, dass auch das ein Beitrag zur Wissenschaft ist, aber damals hat es sich wie ein Jahr verschwendete Zeit angefühlt. Es hat dann noch ein paar Zwischenschritte gebraucht, aber letztendlich kann ich heute sagen, dass ich Maschinelles Lernen (ML) mache, weil ich dort weiter Grundlagenforschung betreiben kann, aber gleichzeitig auch Projekte, die angewandt sind, und eine konkrete positive Auswirkung auf die Gesellschaft haben, wie z.B. eine Optimierung des Stromnetzes mit ML-basierten Algorithmen.
Gab es einen bestimmten Aha-Moment, der Ihre Begeisterung für Maschinelles Lernen auf physikalische Systeme gelenkt hat?
Nein, ich würde eher sagen, es hat sich aus meiner Ausbildung, meinen Interessen und vor allem dem Wunsch etwas gesellschaftlich Relevantes zu tun, ergeben. Nach der Promotion habe ich eigentlich nach einer Stelle in der Wirtschaft gesucht, aber nichts hat mich wirklich angesprochen.
Dann habe ich eine Stelle am Fraunhofer Institut für Energiewirtschaft und Energiesystemtechnik gefunden, die mir sinnvoll schien, weil es dort um erneuerbare Energien und Stromnetze ging. Das war quasi der Anfang meiner Arbeit zu Maschinellem Lernen, angewandt auf dem Stromnetz, dem ich bis heute treu geblieben bin. Zu meinem zweiten aktuellen Anwendungsbereich, der automatischen Optimierung von elektrischen Schaltungen (PCBs), also quasi auch Stromnetze nur in sehr viel kleiner, kam ich eher zufällig. Unser Projektpartner Celus GmbH hatte die Homepage meiner Nachwuchsgruppe gefunden und angefragt, ob ich mir ein gemeinsames Projekt vorstellen könnte. Die Fragestellungen, die Celus hatte, schienen mir sehr gut mit Graph Neuronalen Netzen lösbar und optimierte PCBs sorgen für effektivere und langlebige Chips, was zur Vermeidung von Elektromüll beiträgt. Daher habe ich zugesagt und wir haben gemeinsam erfolgreich ein Projekt beantragt, an dem wir im Moment arbeiten.
Sie sind Professorin in dem neuen Master-Studiengang Data Science, der 2024 eingeführt wurde. Wie ist es für Sie, ein neues Lehrprogramm mitzugestalten? Welche Freiheiten – aber vielleicht auch Herausforderungen – sind damit verbunden?
Ich finde das super, denn die Ausbildung von Studierenden prägt nicht nur die einzelnen Personen, sondern auch das ganze Berufsfeld, sobald die Studierenden in berufliche Positionen mit Verantwortung kommen. Gerade bei einem relativ neuen und in Zukunft immer wichtiger werdenden Beruf wie Data Scientist ist das für mich eine große Möglichkeit, mein Wissen weiterzugeben. Mir ist das Thema Ethik und Privatheit im Zusammenhang mit Daten und Algorithmen sehr wichtig und es kommt oft zu kurz, weil viele auf den KI-Zug aufspringen wollen und nur noch an schneller und effektiver denken. Jetzt kann ich das Thema in einer Vorlesung behandeln.
Andererseits ist das Konzipieren einer neuen Vorlesung natürlich eine Menge Arbeit und der Data Science Studiengang ist extra so angelegt, dass Studierende mit völlig verschiedenen Bachelor-Abschlüssen hier ihren Master machen können. Da wird es nicht so leicht, alle unter einen Hut zu bekommen. Speziell in meiner neuen Vorlesung bin ich auch nicht nur gefordert, was Fachwissen in Maschinellem Lernen angeht, sondern eigentlich müsste ich auch noch Philosophin und Juristin sein, IT-Sicherheitsexpertin wäre auch nicht schlecht. Daher habe ich mich zur Konzeption auch schon mit Kolleg*innen aus beiden Disziplinen zusammengesetzt. Aber es wird auf jeden Fall herausfordernd, in einer einzelnen Vorlesung so viele interdisziplinäre Themen für alle verständlich zusammenzubringen.
Sie arbeiten in einem technisch-wissenschaftlichen Feld, in dem Frauen noch immer unterrepräsentiert sind. Wie setzen Sie sich dafür ein, dass mehr Frauen Data Science studieren?
Um ehrlich zu sein, ich denke von meiner Position aus dafür zu sorgen, dass mehr Frauen Data Science studieren, ist schwierig. Denn die Frauen, die ich erreichen kann, sind meist schon in einem Alter, in dem sie mit dem Studium begonnen haben. Da es sich in unserem Studiengang um einen Master handelt, kann ich durch Werbung im Gespräch mit einzelnen oder Kolleg*innen sicher noch einige erreichen, meiner Erfahrung nach sind für viele Frauen auch Netzwerke und persönliche Ansprache wichtig. Aber einen großen Teil des Interesses am Thema und der Selbstverständlichkeit einen technisch-naturwissenschaftlichen Studiengang zu wählen, da muss man die Frauen noch lange vor dem Studium erreichen und um ehrlich zu sein, da hängt Deutschland, glaube ich, sehr hinterher.
An der Universität Kassel leiteten Sie die Nachwuchsforschungsgruppe GAIN – Graphs in Artifical Intelligence und Neural Networks. GAIN verbindet Graphen, neuronale Netzwerke und KI. Was ist die zentrale Idee hinter GAIN?
Die Zentrale Idee war es, den Erfolg, den das tiefe Maschinelle Lernen bis dahin auf Daten in Form von beispielsweise Text oder Bildern gehabt hat, auszuweiten auf das tiefe Lernen auf Daten in Form von Graphen. Zum Beispiel gab es zu dem Zeitpunkt, als ich den Antrag geschrieben habe, noch kaum Neuronale Netze für sich zeitlich verändernde Graphen, aber in unserer Welt ist es eher die Regel, dass Graphen sich mit der Zeit verändern. Die im Projekt entwickelten Methoden wollten wir gleichzeitig auf das Stromnetz anwenden. Das Projekt hat somit viele Dinge verbunden, die ich bis dato gemacht hatte und die mich motiviert haben.
Welche Disziplinen arbeiten in Ihrer Gruppe zusammen und wie wichtig ist Interdisziplinarität für Ihre Forschung?
Die Wissenschaftler*innen sowie Studierende, die direkt in meiner Gruppe arbeiten, kamen bisher immer aus der Informatik, Physik oder Mathematik. Das sind im Grunde die, die die neuen Algorithmen entwickeln oder für einen Anwendungsfall anpassen. Das würde ich noch nicht mal als besonders interdisziplinär bezeichnen, aber es hilft schon sehr, wenn z.B. die Mathematiker*innen der Gruppe bei den mathematischen Grundlagen von Algorithmen ihre Fähigkeiten nutzen können. Dann kommen die Kolleg*innen, mit denen wir in den angewandten Projekten arbeiten, das sind im Moment hauptsächlich Ingenieur*innen, die kennen sich eben mit Strom aus. Das Schöne am ML ist aber, dass man die Algorithmen für alle möglichen Disziplinen anwenden kann, in meiner Doktorarbeit war ich z.B. an einem Institut, wo viele Daten und damit auch die Kolleg*innen aus der Medizin, Pharmazie und Biologie kamen. Wenn man wirklich reale Probleme mit ML lösen möchte, braucht man immer Fachwissen aus einem bestimmten Bereich, sonst kommt es zu Missverständnissen in den Daten und sogar den Fragestellungen. Daher ist Interdisziplinarität sehr wichtig für die Arbeit meiner Gruppe.
Wo sehen Sie Ihre eigene Forschung in fünf oder zehn Jahren? Gibt es Themen, die Sie langfristig besonders reizen?
In fünf bis zehn Jahren plane ich, dass ich neben meinem jetzigen Spezialgebiet, den Graph Neuronal Networks (GNN) noch ein weiteres Standbein im Maschinellen Lernen habe, nämlich das Physics-informed Learning. Damit kann ich dann in allen möglichen Disziplinen Probleme auf Graphen und in Form von Differentialgleichungen lösen, das würde sehr viele Fragestellungen abdecken. Und ich sehe mich als jemand, der immer Grundlagenforschung und Anwendung verbinden wird. Ich möchte daher sowohl neue und bessere Algorithmen entwickeln als auch diese anwenden. Außerdem plane ich, einige Kooperationen mit Kolleg*innen der Uni Greifswald aufzubauen und auch angewandt in Themenfeldern zu arbeiten, die ich wissenschaftlich spannend und gesellschaftlich relevant finde. Ich könnte hier also eine lange Liste von Themengebieten aufzählen, die ich spannend finde, aber ich möchte nicht zu sehr einzelne Disziplinen hervorheben, denn ich bin sehr begeisterungsfähig und sehr wahrscheinlich wartet irgendwo gerade ein sehr spannendes Problem darauf, gelöst zu werden, von dem ich noch nie gehört habe.
Nach dem Physik-Diplom an der TU Berlin (2010) promovierte Prof. Dr. Josephine Thomas 2017 an der TU Dresden. Anschließend leitete sie an der Universität Kassel die Nachwuchsgruppe GAIN, die sich mit Graphen, neuronalen Netzen und Künstlicher Intelligenz befasste. Im Juni 2025 wurde Frau Prof. Dr. Thomas zur Professorin für Maschinelles Lernen an der Universität Greifswald ernannt und leitet dort die Forschungsgruppe „Machine Learning“.
Interview: Wiebke Pförter, 10.04.2026
