Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Hybride Simulations- und LernverfahrenModulbeschreibung #51120 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v2)
Modul / Version#51120 / #1
GültigkeitWiSe 2024/25 – SoSe 2025
Verfügbare Sprache(n)Englisch
Leistungspunkte6
Modulverantwortliche*rStender, Merten
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät V
InstitutInstitut für Maschinenkonstruktion und Systemtechnik (IMS)
Fachgebiet35352200 FG Cyber-Physical-Systems in Mechanical Engineering

Kontakt

SekretariatH 66
Ansprechpartner*inStender, Merten
E-Mail-Adressemerten.stender@tu-berlin.de
Webseitehttp://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

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Hybrid Simulations and Learning MethodsVorlesung Wintersemester[en]2 ISIS
Hybrid Simulations and Learning MethodsÜbung Wintersemester[en]2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Hybrid Simulations and Learning Methods (Vorlesung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Hybrid Simulations and Learning Methods (Übung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Hybrid Simulations and Learning Methods (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Hybrid Simulations and Learning Methods (Übung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/UmfangE-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 / StuPOSemesterStudiengangsbereich
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
SoSe 20252. Kernbereich: Simulation und Optimierung
Physikalische Ingenieurwissenschaft
StuPO 2007 (19.12.2007)
SoSe 20252.1 Numerik und Simulation › 2.1a Kernbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
SoSe 20252.1 Numerik und Simulation › 2.1a Kernbereich

Sonstiges

Keine Angabe