Wissenschaftliches Maschinelles Lernen
SciML

Die SciML-Forschungsgruppe "Wissenschaftliches Maschinelles Lernen" erforscht und entwickelt numerische Approximationsmethoden, die die physikalische und datengetriebene Modellierungs- und Berechnungsmethoden miteinander verbinden.

Unsere Forschung erstreckt sich auf:

  • Datengetriebene Simulationsmethoden, bei denen Rohdaten in physikalisch basierte numerische Simulation eingearbeitet werden;
  • Physikalisch informiertes maschinelles Lernen, bei dem physikalische Randbedingungen in datengetriebene maschinelle Lernverfahren integriert werden;
  • Anwendungen in anspruchsvollen Ingenieursaufgaben, z.B. in der Optimierung, Unsicherheitsquantifizierung und Parameteridentifikation.

Ausgewählte Forschungsprojekte

  • Datengetriebene, materialmodellfreie elektromagnetische Feldlöser
  • Numerische Simulation mit physikalisch-informierten neuronalen Netzen
  • Bayes'sche Inferenzmethoden zur Parameteridentifikation in biologischen und elektrotechnischen Systemen
  • Tensor-Dekomposition zum Lösen hochdimensionaler multilinearer Systeme
  • Unsicherheitsquantifizierung für Modelle mit hochdimensionalen Ein- und Ausgängen
  • Surrogat-basierte Entwurfsoptimierung

Gruppenleitung

  Name Arbeitsgebiet(e) Kontakt
Dr.-Ing. Dimitrios Loukrezis
Wissenschaftliches Maschinelles Lernen
Verfahren zur Quantifizierung von Unsicherheiten, Wissenschaftliches Maschinelles Lernen, Surrogate Modeling
+49 6151 16-24033
S2|17 217

Gruppenmitglieder

  Name Arbeitsgebiet(e) Kontakt
Ion Gabriel Ion M.Sc.Numerische Methoden zur Parameter-Inferenz in biologischen und ingenieurswissenschaftlichen Systemen
+49 6151 16-24033
S2|17 217
Armin Galetzka M.Sc.Datengetriebene und datengestützte Modellierung von Beschleunigerkomponenten
+49 6151 16-24033
S2|17 217
Moritz von Tresckow M.Sc. Simulation elektromagnetischer Felder mit physikalisch-informierten neuronalen Netzwerken
+49 6151 16- 24024
S2|17 127