Advanced Deep Learning for Physics

Worum geht's

In diesem Modul lernst Du Deep-Learning-Methoden und numerische Simulationsalgorithmen für physikalische Materialien wie Fluide und verformbare Körper. Am Ende kannst Du Konzepte wie generative Modelle, Zeitreihenvorhersage und numerische Verfahren für partielle Differentialgleichungen anwenden und passende Netzwerkarchitekturen und Solver für konkrete Aufgaben auswählen.

Was du danach kannst

• Verständnis grundlegender Deep-Learning-Konzepte (Autoencoder, adversariales Training, RNNs)
• Kenntnis spezialisierter Verlustfunktionen und Wahl geeigneter Aktivierungen
• Verständnis physikalischer Prinzipien elastischer und plastischer Materialien mit Schwerpunkt Fluide
• Kenntnis von Erhaltungsgrößen: Masse, Impuls, Divergenzfreiheit, Vorticity
• Vertrautheit mit diskreten und kontinuierlichen Repräsentationen (Phasenfunktionen, Level-Sets, kartesische/tetraedrale Netze)
• Beherrschung numerischer Algorithmen für PDEs: Finite-Differenzen, explizite/implizite Integration, Druckprojektion
• Fähigkeit, Ableitungen von Loss-Funktionen zu berechnen und Trainingsalgorithmen zu konstruieren
• Bewertung von Lern- und Simulationsalgorithmen bzgl. Genauigkeit und Komplexität
• Praktische Implementierung zentraler Solver-Komponenten in hoher Programmiersprache

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Grundlagen zu Deep Learning, Fluid- und Elastizitätsphysik sowie numerischen Methoden
• Übungen/Assignmentsfreiwillige Übungsaufgaben in Gruppen zur Implementierung zentraler Algorithmen; dienen praktischer Vertiefung und Bonus für die Prüfung
• Demos/ExperimenteAnschauungsmaterial durch Anwendungen, Videos und Simulationen zur Illustration physikalischer Phänomene

Lehrmethode

• Powerpoint/SlidesDarstellung der Vorlesungsinhalte
• Tafel/BlackboardErläuterung mathematischer Herleitungen
• Demos und VideosVisualisierung realer Phänomene und Simulationsergebnisse
• Experimente / Physics-Fact Challengesaktive Einbindung der Studierenden während der Vorlesung
• Gruppenarbeit bei Übungenpraktische Implementierung und Kooperation