Login
- Originaltitel:
- Physics-aware, probabilistic machine learning in the Small Data regime
- Übersetzter Titel:
- Physik-inspiriertes, probabilistisches maschinelles Lernen mit wenigen Daten
- Autor:
- Kaltenbach, Sebastian Johannes
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.)
- Gutachter:
- Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.); Perdikaris, Paris (Prof., Ph.D.); Koumoutsakos, Petros (Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik; MAT Mathematik; MTA Technische Mechanik, Technische Thermodynamik, Technische Akustik; PHY Physik
- Stichworte:
- Bayesian machine learning, inductive bias, Uncertainty Quantification, invertible Neural Networks, Small Data
- Übersetzte Stichworte:
- Bayessches maschinelles Lernen, induktive Verzerrung, Quantifizierung von Unsicherheiten, invertierbare Neuronal Netze, wenige Daten
- TU-Systematik:
- MTA 009; PHY 210
- Kurzfassung:
- Solving high-dimensional, nonlinear systems is a key challenge in computational physics. We propose novel physics-aware machine learning models that rely both on physical knowledge as well as a small amount of data and are able to efficiently solve these aforementioned high-dimensional systems. The key characteristic of this approach is incorporating inductive bias in contrast to purely statistical frameworks that lack interpretability and rely on large amounts of expensive data.
- Übersetzte Kurzfassung:
- Das Lösen von hochdimensionalen, nichtlinearen Systemen ist eine der zentralen Herausforderungen in der numerischen Physik. Wir stellen neuartige Physik-inspirierte Modelle des maschinellen Lernens vor, die auf physikalischem Wissen und wenigen Daten basieren und hochdimensionale Systeme effizient lösen können. Zentral ist das Einbeziehen von induktiver Verzerrung im Gegensatz zu rein statistischen Algorithmen, die eine große Datenmenge benötigen und deren Interpretierbarkeit nicht gegeben ist.
- WWW:
- https://mediatum.ub.tum.de/?id=1686235
- Eingereicht am:
- 23.09.2022
- Mündliche Prüfung:
- 15.03.2023
- Dateigröße:
- 15949276 bytes
- Seiten:
- 153
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230315-1686235-1-5
- Letzte Änderung:
- 14.06.2023
BibTeX
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenFachgebietTechnische Mechanik, Technische Thermodynamik, Technische Akustik
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Engineering and DesignPrüfungsarbeitenDissertationen