Moses - Hybride Simulations- und Lernverfahren

Zur Modulseite PDF generieren

Modul / Version
#51120 / #1

Gültigkeit
WiSe 2024/25 - SoSe 2025

Verfügbare Sprache(n)
Englisch

Titel des Moduls
Hybrid Simulations and Learning Methods
Hybride Simulations- und Lernverfahren

Leistungspunkte
6

Modulverantwortliche*r
Stender, Merten

Benotung
Benotet

Prüfungsform
Schriftliche Prüfung

Lehrsprache(n)
Englisch

Zugehörigkeit

Fakultät
Fakultät V

Institut
Institut für Maschinenkonstruktion und Systemtechnik (IMS)

Fachgebiet
35352200 FG Cyber-Physical-Systems in Mechanical Engineering

Prüfungsausschuss
Maschinenbau

Kontakt

Sekretariat
H 66

Ansprechpartner*in
Stender, Merten

E-Mail-Adresse
merten.stender@tu-berlin.de

Webseite

http://www.tu.berlin/cpsme

Diese Modulbeschreibung ist nicht oder nicht vollständig auf deutsch hinterlegt.

Es wird auf Wunsch trotzdem der Inhalt der unvollständigen Spracheversion angezeigt.

Lernergebnisse

Die Studierenden werden zunächst die grundlegenden Modellierungsansätze in physikbasierten Simulationen (basierend auf der Diskretisierung physikalischer Gleichungen) und datengetriebenen Modellen (basierend auf dem universellen Approximations-Theorem) betrachten. Basierend auf den zugrundeliegenden Annahmen, Beschränkungen und individuellen Vorteilen werden die Studierenden hybride Ansätze kennenlernen, die physikbasierte und datengetriebene Modelle auf unterschiedlichen Integrationsebenen kombinieren. Die theoretische Einführung wird durch umfangreiche praktische Implementierungen in Python begleitet, die sich sowohl an synthetische als auch experimentelle Daten richten. Nach Teilnahme an diesem Kurs können die Studierenden eine fundierte Entscheidung über Modellierungsansätze in Situationen mit begrenztem physikalischen Verständniss und/oder begrenztem Zugangs zu Daten treffen. Der Kurs hat einen starken Forschungsfokus und behandelt neueste wissenschaftliche Erkenntnisse.

Lehrinhalte

- Numerische Diskretisierungstechniken für gewöhnliche und partielle Differentialgleichungen - Grundlagen des Deep Learning: Universal Approximation Theorem, Bias-Variance-Tradeoff, Fehler-Backpropagation - Automatische Differentiation und differenzierbare Modelle - Datengetriebene Bestimmung von grundlegenden Gleichungen aus Daten: Compressive Sensing; Sparse Identification of Nonlinear Dynamics (SINDy, weak und strong) - Einschränkung von Deep Learning Methoden: Soft und Hard Constraints - Prinzipien der Physics-Informed Neural Networks (PINNs) - Fortgeschrittene Optimierungs- und Trainingsstrategien - Neural Operators und Deep Operator Networks (DeepONet) - Neural Differential Equations und Universal Differential Equations - Graph Neural Networks für graphstrukturierte numerische Berechnungsnetze - Geometry-Informed Neural Networks (GINNs) - Anwendungen in Wissenschaft und Technik

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Hybrid Simulations and Learning Methods	VL		WiSe	en	2
Hybrid Simulations and Learning Methods	UE		WiSe	en	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Hybrid Simulations and Learning Methods (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Hybrid Simulations and Learning Methods (UE):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Vorlesung (theoretischer Input) und Übung (Programmieraufgaben)

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Keine formalen Voraussetzungen. Vorkenntnisse in neuronalen Netzwerken und fundierte Programmierkenntnisse in Python sind sehr hilfreich.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Schriftliche Prüfung

Sprache(n)

Englisch

Dauer/Umfang

E-Exam (inkl. Programmieraufgaben). 90 min Dauer.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Wintersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Der Kurs wird über ISIS organisiert. Prüfungsanmeldung über MOSES.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: verfügbar

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

	Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
	Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)	1	2	WiSe 2024/25	SoSe 2025
	Physikalische Ingenieurwissenschaft (M. Sc.)	2	2	SoSe 2025	SoSe 2025

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe