Hybride Simulations- und LernverfahrenModulbeschreibung #51120 / Version 1
- 6 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #51120 / #1 |
|---|---|
| Gültigkeit | WiSe 2024/25 – SoSe 2025 |
| Verfügbare Sprache(n) | Englisch |
| 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 |
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 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
- 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 | VVZ |
|---|---|---|---|---|---|---|
| Hybrid Simulations and Learning Methods | Vorlesung | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS | |
| Hybrid Simulations and Learning Methods | Übung | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Hybrid Simulations and Learning Methods (Vorlesung) 1
- Hybrid Simulations and Learning Methods (Vorlesung) Termingruppe 1
Hybrid Simulations and Learning Methods (Übung) 1
- Hybrid Simulations and Learning Methods (Übung) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Hybrid Simulations and Learning Methods (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Hybrid Simulations and Learning Methods (Übung)
| 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 180 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 | 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
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2025 | 2. Kernbereich: Simulation und Optimierung |
| Physikalische Ingenieurwissenschaft StuPO 2007 (19.12.2007) | SoSe 2025 | 2.1 Numerik und Simulation › 2.1a Kernbereich |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2025 | 2.1 Numerik und Simulation › 2.1a Kernbereich |
Sonstiges
Keine Angabe