User: Guest  Login
Less Searchfields
Simple search
Original title:
Physics-aware, probabilistic machine learning in the Small Data regime
Translated title:
Physik-inspiriertes, probabilistisches maschinelles Lernen mit wenigen Daten
Author:
Kaltenbach, Sebastian Johannes
Year:
2023
Document type:
Dissertation
Faculty/School:
TUM School of Engineering and Design
Advisor:
Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.)
Referee:
Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.); Perdikaris, Paris (Prof., Ph.D.); Koumoutsakos, Petros (Prof., Ph.D.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik; MAT Mathematik; MTA Technische Mechanik, Technische Thermodynamik, Technische Akustik; PHY Physik
Keywords:
Bayesian machine learning, inductive bias, Uncertainty Quantification, invertible Neural Networks, Small Data
Translated keywords:
Bayessches maschinelles Lernen, induktive Verzerrung, Quantifizierung von Unsicherheiten, invertierbare Neuronal Netze, wenige Daten
TUM classification:
MTA 009; PHY 210
Abstract:
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.
Translated abstract:
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
Date of submission:
23.09.2022
Oral examination:
15.03.2023
File size:
15949276 bytes
Pages:
153
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230315-1686235-1-5
Last change:
14.06.2023
 BibTeX