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 | loukrezis@temf.tu-... +49 6151 16-24033 S2|17 217 |
Gruppenmitglieder
| Name | Arbeitsgebiet(e) | Kontakt | |
|---|---|---|---|
|
I
| Dr. Ion Gabriel Ion | ||
|
G
| Armin Galetzka M.Sc. | ||
| Moritz von Tresckow M.Sc. | Simulation elektromagnetischer Felder mit physikalisch-informierten neuronalen Netzwerken | moritz.von_tresckow@tu-... +49 6151 16- 24033 S2|17 217 |