| Beschreibung |
Grundlegende Konzepte des maschinellen Lernens; Neuronale Netze; Physics-informed neural networks (PINNs), PINN-Variationen (Deep-Energy-Methode, Variations-PINNs, schwache adversarische Netze) & Erweiterungen; Dimensionalitätsreduktion; Modelle reduzierter Ordnung; Sparse Identification of Non-linear Dynamic Systems (SINDy); Clustering; Materialmodellierung mit neuronalen Netzen (physikalisch erweiterte neuronale Netze); Generative künstliche Intelligenz in der Computermechanik (Autoencoder, generative adversarial networks (GANs), Diffusionsmodelle & Transformatoren); Inverse Probleme wie zerstörungsfreie Prüfung, Topologieoptimierung oder Modellfindung; Diskussion und Einblick in aktuelle Literatur. |
