Softwareentwickler und Computational Scientist mit Masterabschluss in Mathematischer Physik. Ich arbeite vor allem in Python und PyTorch, bin aber über den ganzen Stack hinweg zu Hause: GPU-Compute auf der einen, React- und Three.js-Frontends auf der anderen Seite. Das meiste, was ich gebaut habe, ist wissenschaftliche Software, darunter differenzierbare Simulatoren, numerische Löser und interaktive 3D-Tools. Außerdem arbeite ich täglich mit agentischen Coding-Modellen und KI-gestützter Entwicklung.
Python · TypeScript · JavaScript · C++ · HTML/CSS
PyTorch · Graph Neural Networks · Diffusionsmodelle · VAEs · Neural ODEs · PINNs · LLM-Bewertung (RLHF)
React · Three.js · WebGL/WebGPU · Vite · Tailwind CSS · WebSocket
FastAPI · REST-APIs · SQL (SQLite, Schema-Migrationen) · Docker · Git · CI/CD · Agentische Coding-Tools
Meshes & Half-Edge-Strukturen · Diskrete Differentialgeometrie · Remeshing & Mesh-Qualität · Geodäten · VTK/PyVista · Marching Cubes · Splines
NumPy · SciPy · SymPy · Numerische PDE-Löser · Monte-Carlo-Methoden
Deutsch (Muttersprache) · Englisch (C1, verhandlungssicher)
OpenGeoSys 3D-Webviewer. Browseranwendung für OpenGeoSys- und VTK-Simulationsdaten mit Trame und PyVista: serverseitiges VTK-Rendering, Zeitschieber über VTU/PVD-Serien, Einfärbung nach beliebigen Feldern und eine geopandas-Ebene für Standortdaten. Getestete Daten- und GIS-Schicht, Render-Check in der CI. github.com/erik2810/ogs-trame-viewer
Mesh-Einbettungen & DDG. GPU-Einbettung von Meshes in hyperbolische und sphärische Räume durch Feder-Masse-Energieminimierung, mit einer Operator-Bibliothek für diskrete Differentialgeometrie. Rechnerische Grundlage der Bridges-2026-Arbeit.
Graph ML Lab. Ein PyTorch-Framework zur räumlichen Graphgenerierung, von Grund auf gebaut: GCN, GAT, Graph-VAE und gemeinsame diskret-kontinuierliche Diffusion über 3D-Graphstrukturen. Keine externen GNN-Bibliotheken. github.com/erik2810/ml-projects
Mesh-basierter Physik-Simulator. Eine vollständig differenzierbare Physik-Engine in PyTorch, die Mesh-Topologie auf Partikel-Feder-Systeme abbildet, mit energiebasierten Kräften und End-to-End-Backpropagation durch die Dynamik.
PINN-Löser. Ein Physics-Informed-Neural-Network-Löser für 10 PDEs (Burgers, Wärme, Welle, KdV und weitere) mit PyTorch-Training-Backend und clientseitiger JavaScript-Inferenz. github.com/erik2810/pde-solver
Gitter-Quantenfeldtheorie. Monte-Carlo-Simulation einer SU(2)-Gittereichtheorie mit Langevin-Sampling, eichinvarianter Wilson-Wirkung und Observablen. Ergänzt um eine Transfermatrix-Rechnung für den anharmonischen Oszillator, die das Hamilton-Spektrum und die Massenlücke exakt liefert und damit als Referenz für die stochastischen Ergebnisse dient. Getestet gegen die analytisch bekannten Grenzfälle.
DiffQFT. Differenzierbare Quantenfeldtheorie in AdS₂, mit neuronalen Surrogaten als Ersatz für Monte-Carlo-Integration, einem PINN-Löser und einem FastAPI-Backend. github.com/erik2810/DiffQFT
Knitted Models. Eine Computational-Geometry-Engine, die gewobene Strangmuster auf Quad-Meshes mit Halbkanten-Datenstrukturen und Spline-Interpolation erzeugt, gerendert in Three.js mit GPU-Path-Tracing.
Neural ODE Engine. Ein Netz, das chaotische Lorenz-Dynamik in Echtzeit lernt, mit Backpropagation, einem RK4-Integrator und einem von Hand in JavaScript geschriebenen Adam-Optimizer. github.com/erik2810/differentiable-physics-engine
Vollständiges Portfolio mit Live-Demos unter erik2810.github.io/projects
Auf Anfrage verfügbar.