TUM School of Computation, Information and Technology
Institution:
Informatik 15 - Professur für Physik-basierte Simulation (Prof. Thuerey)
Advisor:
Thuerey, Nils (Prof. Dr.)
Referee:
Thuerey, Nils (Prof. Dr.); Niepert, Mathias (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
TUM classification:
DAT 758
Abstract:
A meaningful similarity assessment of high-dimensional data is a challenging topic, especially for physical phenomena. This dissertation introduces deep learning techniques to address these challenges for 2D and 3D data arising from the simulation of transport-based partial differential equations. It is shown that the proposed metrics based on Siamese neural networks outperform establish element-wise comparisons and generalize well to new data domains.
Translated abstract:
Eine aussagekräftige Ähnlichkeitsmessung von hochdimensionalen Daten ist ein komplexes Thema, insbesondere für physikalische Phänomene. Hier werden Deep-Learning-Methoden vorgestellt, um diese Herausforderungen für 2D- und 3D-Daten zu bewältigen, die aus der Simulation von transportbasierten partiellen Differentialgleichungen entstehen. Die vorgeschlagenen, auf Siamesischen neuronalen Netzwerken basierenden Metriken übertreffen etablierte, elementweise Metriken und lassen sich gut auf neue Datenbereiche verallgemeinern.
«
Eine aussagekräftige Ähnlichkeitsmessung von hochdimensionalen Daten ist ein komplexes Thema, insbesondere für physikalische Phänomene. Hier werden Deep-Learning-Methoden vorgestellt, um diese Herausforderungen für 2D- und 3D-Daten zu bewältigen, die aus der Simulation von transportbasierten partiellen Differentialgleichungen entstehen. Die vorgeschlagenen, auf Siamesischen neuronalen Netzwerken basierenden Metriken übertreffen etablierte, elementweise Metriken und lassen sich gut auf neue Daten...
»