Physikalische Modellierung im Maschinellen LernenModulbeschreibung #41190 / Version 1
- 3 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41190 / #1 |
|---|---|
| Gültigkeit | Seit WiSe 2024/25 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 3 |
| Modulverantwortliche*r | Haufe, Stefan |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML) |
Kontakt
| Sekretariat | MAR 4-3 |
|---|---|
| Ansprechpartner*in | Huseynov, Ismail |
| E-Mail-Adresse | huseynov@campus.tu-berlin.de |
| Webseite | http://tu.berlin/uniml |
Lernergebnisse
Wissen: Die Teilnehmer haben ein umfassendes Verständnis der Kernideen des physikalisch informierten maschinellen Lernens (PIML) erworben. PIML integriert die traditionelle mathematische Modellierung von Differentialgleichungen, die das Verhalten vieler physikalischer Systeme bestimmen, mit modernen, auf neuronalen Netzen basierenden statistischen Lernalgorithmen, was zu einer verbesserten Effizienz und Zuverlässigkeit bei der Vorhersagemodellierung physikalischer Systeme führt. Die Studierenden erhalten einen umfassenden Überblick über die vielfältigen Aspekte der Kodierung physikalischer Konzepte in modernen Architekturen des maschinellen Lernens und erhalten einen individuellen, tiefen Einblick in ein Thema ihrer Wahl.
Fertigkeiten: Die Studierenden haben die Fähigkeit erworben bzw. verfeinert, wissenschaftliche Literatur selbstständig zu sichten und systematisch zu strukturieren. Sie haben Erfahrung darin, ihre Literaturrecherche vor einem kritischen Publikum zu präsentieren und sich an wissenschaftlichen Diskussionen zu beteiligen.
Kompetenzen: Die Studierenden sind in der Lage, neue wissenschaftliche Ergebnisse im Bereich des physikalisch informierten maschinellen Lernens kritisch zu reflektieren. Sie sind in der Lage, diese Ergebnisse mit der Literatur in Beziehung zu setzen und ihre Qualität und Wirkung anhand geeigneter Metriken zu beurteilen.
Fertigkeiten: Die Studierenden haben die Fähigkeit erworben bzw. verfeinert, wissenschaftliche Literatur selbstständig zu sichten und systematisch zu strukturieren. Sie haben Erfahrung darin, ihre Literaturrecherche vor einem kritischen Publikum zu präsentieren und sich an wissenschaftlichen Diskussionen zu beteiligen.
Kompetenzen: Die Studierenden sind in der Lage, neue wissenschaftliche Ergebnisse im Bereich des physikalisch informierten maschinellen Lernens kritisch zu reflektieren. Sie sind in der Lage, diese Ergebnisse mit der Literatur in Beziehung zu setzen und ihre Qualität und Wirkung anhand geeigneter Metriken zu beurteilen.
Lehrinhalte
Physikalisch informiertes maschinelles Lernen (PIML) ist ein neuartiger Ansatz, der etablierte physikalische Prinzipien wie gewöhnliche und partielle Differentialgleichungen mit deterministischen und stochastischen Einstellungen mit den Fähigkeiten von Algorithmen für maschinelles Lernen verbindet. Durch die Einbettung physikalischer Gesetze in den Lernrahmen ermöglicht PIML präzisere und robustere Vorhersagen, selbst in komplexen, unsicheren und hochdimensionalen Bereichen. Diese Integration von verrauschten Daten und mathematischen physikalischen Modellen wird typischerweise durch neuronale Netze oder kernelbasierte Regressionsmodelle realisiert, die effiziente und direkte Implementierungen für vorwärts- und rückwärtsgerichtete Probleme bieten.
In diesem Seminar werden die Teilnehmer die Kernprinzipien von PIML analysieren, wobei der Schwerpunkt auf der numerischen Analyse von Vorwärts- und Umkehrproblemen liegt, die durch eine Klasse von gewöhnlichen Differentialgleichungen (ODEs), partiellen Differentialgleichungen (PDEs), Differentialgleichungen gebrochener Ordnung (FDEs), Verzögerungsdifferentialgleichungen oder Zeitverzögerungssystemen (DDEs) und stochastischen Differentialgleichungen (SDEs) auf der Grundlage der vorhandenen Literatur vorgegeben sind. Wir werden die Anwendungen von PIML in verschiedenen Bereichen (z. B. Strömungsdynamik, medizinische Bildgebung, Energiesysteme usw.) untersuchen, die durch verschiedene mathematische Modellierungsprobleme bestimmt werden. Darüber hinaus werden die Teilnehmer in der Hausaufgabe PIML-Algorithmen auf der Grundlage verschiedener mathematischer Probleme implementieren, um ihr theoretisches Wissen mit praktischen Anwendungen unter Verwendung von Python und seinen verschiedenen ML-Toolboxen zu erweitern.
Zu den voraussichtlich behandelten Themen gehören
- Physikinformierte neuronale Netze (PINNs)
- Vorwärts-Rückwärts-Stochastische Neuronale Netze
- Fraktionale physikinformierte neuronale Netze (fPINNs)
- Quantifizierung der Unsicherheit in PINNs
- Fluch des Dimensionalitätsproblems in PINNs
- Neuronale gewöhnliche Differentialgleichungen
- Neuronale stochastische Differentialgleichungen
- Universelle Differentialgleichungen
- Diffusions-Modelle
- Invariante und äquivariante Netze
- Neuronale Spike-Netze
- Anwendungen in den Bereichen Strömungsdynamik und -mechanik, Energiesysteme, Computational Neuroscience, Systembiologie, Finanzen
In diesem Seminar werden die Teilnehmer die Kernprinzipien von PIML analysieren, wobei der Schwerpunkt auf der numerischen Analyse von Vorwärts- und Umkehrproblemen liegt, die durch eine Klasse von gewöhnlichen Differentialgleichungen (ODEs), partiellen Differentialgleichungen (PDEs), Differentialgleichungen gebrochener Ordnung (FDEs), Verzögerungsdifferentialgleichungen oder Zeitverzögerungssystemen (DDEs) und stochastischen Differentialgleichungen (SDEs) auf der Grundlage der vorhandenen Literatur vorgegeben sind. Wir werden die Anwendungen von PIML in verschiedenen Bereichen (z. B. Strömungsdynamik, medizinische Bildgebung, Energiesysteme usw.) untersuchen, die durch verschiedene mathematische Modellierungsprobleme bestimmt werden. Darüber hinaus werden die Teilnehmer in der Hausaufgabe PIML-Algorithmen auf der Grundlage verschiedener mathematischer Probleme implementieren, um ihr theoretisches Wissen mit praktischen Anwendungen unter Verwendung von Python und seinen verschiedenen ML-Toolboxen zu erweitern.
Zu den voraussichtlich behandelten Themen gehören
- Physikinformierte neuronale Netze (PINNs)
- Vorwärts-Rückwärts-Stochastische Neuronale Netze
- Fraktionale physikinformierte neuronale Netze (fPINNs)
- Quantifizierung der Unsicherheit in PINNs
- Fluch des Dimensionalitätsproblems in PINNs
- Neuronale gewöhnliche Differentialgleichungen
- Neuronale stochastische Differentialgleichungen
- Universelle Differentialgleichungen
- Diffusions-Modelle
- Invariante und äquivariante Netze
- Neuronale Spike-Netze
- Anwendungen in den Bereichen Strömungsdynamik und -mechanik, Energiesysteme, Computational Neuroscience, Systembiologie, Finanzen
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Physics-informed Machine Learning | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Physics-informed Machine Learning (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 90 Stunden. Damit umfasst das Modul 3 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Das Modul besteht aus einem Seminar, das entweder in wöchentlicher Form oder als Blockseminar über zwei volle Tage am Ende des Semesters abgehalten wird.
Zu Beginn des Semesters wählen die Studierenden ein Thema auf der Grundlage einer bereitgestellten Sammlung veröffentlichter Materialien.
Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die in der Klasse gehalten wird, wo sie sich regelmäßig mit dem ihnen zugewiesenen Betreuer beraten.
Die Kursnote setzt sich aus der Präsentation und einer Hausaufgabe zusammen, die eine Programmieraufgabe enthält.
Zu Beginn des Semesters wählen die Studierenden ein Thema auf der Grundlage einer bereitgestellten Sammlung veröffentlichter Materialien.
Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die in der Klasse gehalten wird, wo sie sich regelmäßig mit dem ihnen zugewiesenen Betreuer beraten.
Die Kursnote setzt sich aus der Präsentation und einer Hausaufgabe zusammen, die eine Programmieraufgabe enthält.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Ein BSc-Abschluss in Informatik, Mathematik oder Ingenieurwesen wird empfohlen. Der erfolgreiche Abschluss eines Einführungsmoduls zu ML wie "Maschinelles Lernen I" oder "Maschinelle Intelligenz I" wird ebenso empfohlen wie solide Kenntnisse der Mathematik (insbesondere partielle Differentialgleichungen).
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte pro Element |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Hausaufgabe | 50 | schriftlich | 6 Seiten |
| (Ergebnisprüfung) Seminarvortrag | 50 | mündlich | 30 min |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Modulnote wird berechnet auf der Grundlage
1. Der Qualität der Präsentation (50%).
2. Der Qualität einer Hausarbeit, die eine praktische Programmieraufgabe enthält (50%).
1. Der Qualität der Präsentation (50%).
2. Der Qualität einer Hausarbeit, die eine praktische Programmieraufgabe enthält (50%).
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 16.
Anmeldeformalitäten
Studierende können sich für den Kurs in MOSES anmelden.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction |
| WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Studiengebiete › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction | |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Keine Angabe