User: Guest  Login
Original title:
Similarity Metrics for Numerical Simulations using Deep Learning
Translated title:
Ähnlichkeitsmetriken für numerische Simulationen unter Verwendung von Deep Learning
Author:
Kohl, Georg
Year:
2024
Document type:
Dissertation
Faculty/School:
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 Daten...     »
WWW:
https://mediatum.ub.tum.de/?id=1737993
Date of submission:
11.04.2024
Oral examination:
30.07.2024
File size:
29115649 bytes
Pages:
119
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240730-1737993-1-9
Last change:
24.10.2024
 BibTeX