Die aktuelle Forschung unseres Instituts im Bereich des wissenschaftlichen maschinellen Lernens konzentriert sich auf Anwendungen des Physik-informierten maschinellen Lernens und neuartige Methoden zur Surrogate-Modellierung.
Ansprechpartner am IMCS
Physik-informiertes maschinelles Lernen
Unter dem Begriff Physik-informiertes maschinelles Lernen werden Methoden aus dem Bereich des maschinellen Lernens zusammengefasst, die physikalisches Wissen in den Lernprozess integrieren. Dies erhöht die Interpretierbarkeit der Modelle bei gleichzeitiger Reduktion der benötigten Datenmenge, die in ingenieurwissenschaftlichen Anwendungen oft mit hohem (Rechen-)Aufwand verbunden und daher knapp ist. Folglich ist das Physik-informierte maschinelle Lernen für Berechnungsingenieure besonders attraktiv.
Es gibt verschiedene Möglichkeiten, wie die zugrundeliegende Physik eines Problems integriert werden kann, z.B. führt die Einbeziehung eines Physik-basierten Regularisierungsterms in die Loss-Funktion eines neuronalen Netzes zu sogenannten Physik-informierten neuronalen Netzen (PINNs). Wir verwenden PINNs, um schnell auswertbare Ersatzmodelle zu erstellen, die beispielsweise die Entwicklung (hybrider) digitaler Zwillinge ermöglichen. Weiterhin ermöglichen PINNs die Durchführung von Multi-Query-Analysen, wie sie zum Beispiel bei der Lösung inverser Probleme, etwa der Parameteridentifikation, auftreten.
Schlüsselpublikationen
- Trávníková, V., Wolff, D., Dirkes, N., Elgeti, S., von Lieres, E., Behr, M. (2024): A model hierarchy for predicting the flow in stirred tanks with physics-informed neural networks, Advances in Computational Science and Engineering, DOI (Open Access)
, arXiv 
- Sahin, T., von Danwitz, M., Popp A. (2024): Solving forward and inverse problems of contact mechanics using physics-informed neural networks, Advanced Modeling and Simulation in Engineering Sciences, 11:11, DOI (Open Access) , arXiv
Aktuelle Projekte
Surrogate-Modellierung
Weitere Informationen folgen bald.
Schlüsselveröffentlichungen
- ...
Aktuelle Projekte
- ...