Benutzer: Gast  Login
Originaltitel:
Similarity Metrics for Numerical Simulations using Deep Learning
Übersetzter Titel:
Ähnlichkeitsmetriken für numerische Simulationen unter Verwendung von Deep Learning
Autor:
Kohl, Georg
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 15 - Professur für Physik-basierte Simulation (Prof. Thuerey)
Betreuer:
Thuerey, Nils (Prof. Dr.)
Gutachter:
Thuerey, Nils (Prof. Dr.); Niepert, Mathias (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 758
Kurzfassung:
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.
Übersetzte Kurzfassung:
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...     »
WWW:
https://mediatum.ub.tum.de/?id=1737993
Eingereicht am:
11.04.2024
Mündliche Prüfung:
30.07.2024
Dateigröße:
29115649 bytes
Seiten:
119
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240730-1737993-1-9
Letzte Änderung:
24.10.2024
 BibTeX