Modulcode: | infPiNN-01a |
Englische Bezeichnung: | Physics-informed neural networks |
Modulverantwortliche(r): | Prof. Dr. Thomas Slawig |
Turnus: | unregelmäßig |
Präsenzzeiten: | 2V 2Ü |
ECTS: | 6 |
Workload: | 30 Std. Vorlesung, 30 Std. Präsenzübung, 120 Std. Selbststudium |
Dauer: | ein Semester |
Modulkategorien: | BSc-Inf-WP (BSc Inf (21)) BSc-WInf-WP-Inf (BSc WInf (21)) MSc-Inf-WP (MSc Inf (21)) 2F-MEd-Inf-WP (MEd-Hdl Inf (21)) 2F-MA-Inf-WP (2F-MA Inf (21)) MSc-WInf-WP-Inf (MSc WInf (21)) |
Lehrsprache: | Deutsch |
Voraussetzungen: | Inf-Math-A Inf-Math-B infEInf-01a |
(Künstliche) neuronale Netze können auch dazu verwendet werden, physikalische oder andere wissenschaftliche Gleichungen zu lösen, die in Form von Differentialgleichungen gegeben sind. Dazu wird ausgenutzt, dass die interne Darstellung der Netzwerke, als Funktion betrachtet, einen in gewisser Weise universellen Approximator darstellt. Werden Raum- und/oder Zeitpunkte als Input betrachtet und in der zu minimierenden Lossfunktion mathematische Gleichungen formuliert, so kann das Training des Netzwerkes eine Lösung der Gleichung an den ausgewählten Punkten liefern. Dabei wird die in den meisten Softwaretools enthaltene Funktion des Automatischen/Algorithmischen Differenzierens verwendet.
mündliche Prüfung auf Basis von Übungsaufgaben
Vorlesung, betreute Gruppenarbeit, Hausaufgaben, Selbststudium, Flipped-Classroom- und Peer-Instruction-Methoden
Maziar Raissi, Paris Perdikaris, George Em Karniadakis: