核心领域：并行与分布式计算、高性能计算（HPC）、编程模型与代码生成、深度学习性能优化。
主要技术方向：
并行编程模型与算法骨架（Skeletons）：以算法骨架（如列表同态）为抽象手段，支持高层并行程序开发、形式化推导与性能可预测性；
高性能代码生成与优化：针对多核、GPU、SIMD 等异构架构，通过函数式表示与重写策略（如 Lift、PACXX 框架）实现性能可移植的代码生成，支持深度学习与 Stencil 计算；
异构与多核编程：开发 PACXX（C++ 异构编程模型）、SkelCl（OpenCL 骨架库）及基于 Lift 的自动调优编译框架，用于 GPU 等加速器的高效编程；
实时与云应用性能建模：面向实时在线交互应用（如 MMOG、远程教育）的云/网格资源管理与 QoS 保障，包含可扩展性建模与延迟/带宽优化；
软件定义网络（SDN）与 QoS：在 SDN 环境下提供实时应用的 QoS 保证与跨域通信性能优化。
核心贡献：提出“send-receive 被视为有害”的消息传递语义批判（TOPLAS），影响 MPI 风格通信设计；主导多个 DFG、BMBF、EU 项目（如 EXC 1003 细胞运动分析、SFB 656 生物系统并行可视化），总资助额度数百万欧元。已指导 20 名博士生，研究将编程模型抽象、编译优化与领域应用（生物医学、深度学习、实时网络）相结合。
专家详情：
【重要履历】获乌克兰基辅控制论研究所计算机科学博士学位，1998年在帕绍大学完成计算机科学教授资格论文（Habilitation），在柏林工业大学任并行与分布式编程副教授。获洪堡基金会奖学金赴慕尼黑工业大学从事研究。是欧盟网格与云计算领域多项大型网络项目（CoreGRID、S-Cube）的协调人，并担任明斯特大学“细胞系统中运动分析”卓越集群核心成员。
【技术能力】专长于并行与分布式编程、高性能计算、异构计算（GPU/多核）的代码生成与优化、算法骨架（Algorithmic Skeletons）与函数式编程方法、实时交互应用的云部署与资源管理，以及软件定义网络（SDN）中的服务质量（QoS）保障。长期致力于在程序可移植性与性能之间寻求平衡，开发了面向GPU和异构系统的可移植编程框架（如SkelCL、PACXX），并在编译器优化（循环向量化、存根代码生成）方面有深入研究。
【标志性成果】发表论文180余篇，指导博士毕业生20人。其团队在存根代码生成与优化方面的研究获CGO 2018最佳论文奖，相关成果发表于Communications of the ACM。其研究成果涵盖算法骨架的代数理论基础（ACM TOPLAS，2004）、面向GPU的存根式编程库（SkelCL）、以及基于Lift的高性能存根代码生成与重写策略编译器。主导了多项DFG、BMBF及欧盟资助的科研项目，涵盖并行深度学习应用代码生成、大规模多核平台的性能可移植性、以及面向云端的实时应用可扩展性建模等前沿方向。其研究兼具理论深度与工程实践价值，在并行编程的抽象化与性能优化领域具有持续影响。