Physikgestütztes maschinelles Lernen
Angesichts der rasanten Entwicklung der Messtechnik und Rechenleistung liegt unser Interesse darin, Modelle zu lernen, die zugrunde liegende dynamische Verhaltensweisen erklären und aus dem erlernten Modell sinnvolle Schlussfolgerungen ziehen. Das PML-Team widmet sich insbesondere der Entwicklung innovativer Methoden des maschinellen Lernens durch Einbeziehung grundlegender Prinzipien und empirischer Kenntnisse des Prozesses. Darüber hinaus konzentrieren wir uns auf die Herleitung niedrigdimensionaler Modelle mithilfe von Tools des maschinellen Lernens und reduzieren so den Rechenaufwand hochpräziser Modelle.
Projekte
Abgeschlossene Projekte
Ausgesuchte Veröffentlichungen
Operator Inference and Physics-Informed Learning of Low-Dimensional Models for Incompressible Flows. Electronic Transactions on Numerical Analysis: Special Issue SciML 56, S. 28 - 51 (2022)
Operator Inference for Non-Intrusive Model Reduction of Systems with Non-Polynomial Nonlinear Terms. Computer Methods in Applied Mechanics and Engineering 372, 113433, 17 pages (2020)
Identification of Port-Hamiltonian Systems from Frequency Response Data. Systems & Control Letters 143, 104741, 9 pages (2020)