Deep Learning for PDEs in Engineering Physics

Worum geht's

In diesem Praktikum lernst Du, wie Deep-Learning-Methoden zur Lösung partieller Differentialgleichungen (PDEs) in ingenieurwissenschaftlichen Anwendungen eingesetzt werden. Am Ende kannst Du neuronale Netze mit PyTorch entwickeln und anwenden, um parametrisierte PDE-Probleme z.B. aus Strömungsmechanik, Materialwissenschaften oder Wärmeübertragung zu lösen.

Was du danach kannst

• Kenntnisse über Deep Learning und neuronale Netze
• Neuronale Netze mit PyTorch entwickeln und trainieren
• Deep-Learning-Methoden zur Lösung (parametrisierter) PDEs anwenden
• Deep-Learning-Algorithmen für PDEs mit PyTorch implementieren
• Deep-Learning-Methoden auf reale ingenieurphysikalische PDE-Probleme anwenden

Aus was das Modul besteht

• PraktikumTheoretische Grundlagen zu Beginn jeder Sitzung (~45 min) und praktische Übungen zur Vertiefung sowie Entwicklung von Anwendungen in PyTorch
• SelbststudiumHausaufgaben zur Vertiefung der Inhalte
• TutoriumTutor*innen stehen zur Verfügung, um Fragen zu klären

Lehrmethode

• Kurzvortrag mit FolienVermittlung der theoretischen Grundlagen zu Beginn jeder Sitzung
• Computergestützte IllustrationenVeranschaulichung von Konzepten und Methoden
• Praktische Übungen in PyTorchAnwendung und Implementierung der Methoden an Übungsbeispielen
• HausaufgabenSelbstständige Vertiefung und Festigung des Stoffes