Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Physikalische Modellierung im Maschinellen LernenModulbeschreibung #41190 / Version 1

← Zur Modulseite English version
Modul / Version#41190 / #1
GültigkeitSeit WiSe 2024/25
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte3
Modulverantwortliche*rHaufe, Stefan
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML)

Kontakt

SekretariatMAR 4-3
Ansprechpartner*inHuseynov, Ismail
E-Mail-Adressehuseynov@campus.tu-berlin.de
Webseitehttp://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.

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

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Physics-informed Machine LearningSeminar Winter- und Sommersemester[en]2 ISIS

Arbeitsaufwand und Leistungspunkte

Physics-informed Machine Learning (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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.

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

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte pro Element
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnisprüfung) Hausaufgabe50schriftlich6 Seiten
(Ergebnisprüfung) Seminarvortrag50mündlich30 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%).

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 / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction
WiSe 2025/26Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems
SoSe 2026Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction
WiSe 2026/27Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction
WiSe 2025/26Studiengebiete › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction
SoSe 2026Studiengebiete › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2025/26Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems

Sonstiges

Keine Angabe