Moses - Hybride Simulations- und Lernverfahren

Zur Modulseite PDF generieren

Modul / Version
#51120 / #2

Gültigkeit
Seit WiSe 2025/26

Verfügbare Sprache(n)
Deutsch, Englisch

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

Leistungspunkte
6

Modulverantwortliche*r
Stender, Merten

Benotung
Benotet

Prüfungsform
Portfolioprüfung

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

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 Zugang 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-Rückführung - Automatische Differentiation und differenzierbare Modelle - Datengetriebene Bestimmung von grundlegenden Gleichungen aus Daten: Compressive Sensing; Sparse Identification of Nonlinear Dynamics (SINDy) - 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) - Neural Implicit Fields - 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	3.0h	45.0h
Bearbeitung und Vorstellung praktische Arbeit	1.0	15.0h	15.0h
			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) Prüfung: schriftliche digitale Prüfung in Präsenz (50 Pkt), sowie Bearbeitung einer praktischen Aufgabe aus dem Bereich der Systemidentifikation (25 Pkt, Abgabe eines selbst erzeugten Datensatzes und eines Jupyter Notebook) mit anschließender Vorstellung der praktischen Aufgabe und der erreichten Modelierung (25 Pkt, entweder 1 Seite schriftlich, oder 20min Gespräch, oder 3min Video).

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Keine formalen Voraussetzungen. Vorkenntnisse in neuronalen Netzwerken sind hilfreich.Fundierte Programmierkenntnisse in Python sind notwendig für die Bearbeitung der Übungsaufgaben.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

Name	Punkte	Kategorie	Dauer/Umfang
Schriftliche digitale Prüfung	50	schriftlich	60
Abgabe praktische Arbeit	25	schriftlich	20
Präsentation der praktischen Arbeit	25	flexibel	20

Notenschlüssel

Notenschlüssel »Notenschlüssel 7: Fak V«

Gesamtpunktzahl	1.0	1.3	1.7	2.0	2.3	2.7	3.0	3.3	3.7	4.0
100.0pt	89.0pt	85.0pt	80.0pt	76.0pt	72.0pt	67.0pt	63.0pt	59.0pt	54.0pt	50.0pt

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
Automotive Systems (M. Sc.)	1	1	SoSe 2026	SoSe 2026
Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)	1	2	WiSe 2025/26	SoSe 2026
Luft- und Raumfahrttechnik (M. Sc.)	1	2	WiSe 2025/26	SoSe 2026
Maschinenbau (M. Sc.)	1	2	WiSe 2025/26	SoSe 2026
Physikalische Ingenieurwissenschaft (M. Sc.)	2	3	WiSe 2025/26	SoSe 2026

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe