Integration von Methoden des maschinellen Lernens in die numerische Simulation
Integration von Methoden des maschinellen Lernens in die numerische Simulation
Die Kombination gängiger physikalisch basierter Methoden mit datengetriebenen Modellen zu sogenannten hybriden Ansätzen ist im Bereich der numerischen Simulation ein aktuelles Forschungsthema. Da hybride Modelle ein großes Potenzial haben, die Vorhersagegenauigkeit im Vergleich zu rein datengetriebenen Standardmethoden zu erhöhen und/oder die physikalisch basierte numerische Simulation zu beschleunigen, ist die Idee dieses Ansatzes, die Vorteile aus beiden Welten zu vereinen.
Ziel dieser Masterarbeit ist es, ein neuartiges Verfahren zu entwickeln, das Methoden des maschinellen Lernens direkt in das numerische Schema zur Lösung von partiellen Differentialgleichungen integriert. Dazu soll ein bestehendes Grundkonzept weiterentwickelt und seine Anwendung auf komplexere physikalische Probleme untersucht werden.
Ziel dieser Masterarbeit ist es, ein neuartiges Verfahren zu entwickeln, das Methoden des maschinellen Lernens direkt in das numerische Schema zur Lösung von partiellen Differentialgleichungen integriert. Dazu soll ein bestehendes Grundkonzept weiterentwickelt und seine Anwendung auf komplexere physikalische Probleme untersucht werden.