zum Inhalt springen

Scientific Machine Learning - SS 2020

 

Inhalt

Scientific Machine Learning ist ein neues, sich schnell entwickelndes Forschungsgebiet, in dem Techniken des Wissenschaftlichen Rechnens (Scientific Computing) und des Maschinellen Lernens (Machine Learning) kombiniert und weiter entwickelt werden. Dabei entstehen hybride Verfahren, die sowohl bei der Diskretisierung partieller Differentialgleichungen, der Entwicklung schneller und robuster Löser sowie neuer Modellierungstechniken Anwendung finden.

Schlagworte sind hier

  1. Physics-informed machine learning
  2. Mathematics-informed machine learning
  3. Machine learning enhanced simulations
  4. Hybrid modeling (machine learning + first principle modeling)

Benötigte Grundlagen des Maschinellen Lernens werden zu Beginn im Rahmen einer Vorlesung eingeführt. Im Verlauf der Lehrveranstaltung sollen aktuelle Arbeiten zu den zuvor genannten Themen behandelt werden. Dazu werden Kleingruppen (2-4 Studierende) gebildet, die im Verlauf des Semesters jeweils ein Thema bearbeiten sollen. Jedes dieser Themen ist ein eigenes Projekt. Über den Fortschritt bei der Bearbeitung des jeweiligen Projekts berichten die Gruppen fortlaufend im Semester.

Die Veranstaltung hat 6 SWS, von denen 4 SWS für alle Studierenden gemeinsam und die übrigen 2 SWS in jeweils zwei Parallelübungen angeboten werden.

Zum Ende des Semesters muss jede Gruppe eine Abschlusspräsentation halten und einen Abschlussbericht anfertigen, welche beide benotet werden.

Als Vorkenntnisse werden die Vorlesungen Algorithmische Mathematik und Programmieren, Einführung in die Numerische Mathematik und Einführung in die Numerik partieller Differentialgleichungen vorausgesetzt. Weitergehende Lehrveanstaltungen in der Numerik, wie z. B. zu Finiten Elementen oder Wissenschaftlichem Rechnen werden nicht vorausgesetzt, sind aber von Vorteil. Des Weiteren sollen gute Programmierkenntnisse in Matlab (oder Python) vorhanden sein. Eine kurze Einführung iin Python wird zu Beginn der Lehrveranstaltung gegeben.

Informationen zur Durchführung der Veranstaltung erhalten die angemeldeten Studierenden über die Online-Lernplattform ILIAS.

 

Vorlesung

Dozent: Prof. Dr. Axel Klawonn

  • Mo und Di.     12.00 - 13.30 h im Seminarraum 1 Mathematik (Raum 005)

 

Literatur

Wird in der Vorlesung bekannt gegeben.

 

Übungsgruppen

  • Mo.   14.00 - 15.30 h im Seminarraum 1 Mathematik (Raum 005)
    Übungsleiterin: Janine Weber
  • Di.    10.00 - 11.30 h im Seminarraum 1 Mathematik (Raum 005)
    Übungsleiter: Dr. Alexander Heinlein