Login
- Originaltitel:
- Solving Forward and Inverse Problems with Differentiable Physics and Deep Learning
- Übersetzter Titel:
- Lösen von Vorwärts- und inversen Problemen mit differenzierbarer Physik und Deep Learning
- Autor:
- Holl, Philipp Marcel
- 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.); Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.); Piggott, Matthew D. (Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- Stichworte:
- Deep learning, Differentiable physics, PDEs, Inverse problems, neural networks, optimization
- Übersetzte Stichworte:
- Deep Learning, Differenzierbare Physik, PDEs, Inverse Probleme, Neuronale Netze, Optimierung
- TU-Systematik:
- DAT 758
- Kurzfassung:
- My main contributions lie in the area of solving forward and inverse problems using machine learning techniques, especially neural networks. All of my publications focus on numerically challenging settings involving simulations of partial differential equations. To perform the numerical experiments for these works, I developed a software framework called Φ-Flow which I also introduce here and which all of my publications are based on.
- Übersetzte Kurzfassung:
- Meine Hauptbeiträge liegen im Bereich der Lösung von vorwärts- und rückwärtsgerichteten Problemen mit Hilfe von Techniken des maschinellen Lernens, insbesondere neuronalen Netzen. Alle meine Veröffentlichungen konzentrieren sich auf numerisch anspruchsvolle Aufgabenstellungen, die Simulationen von partiellen Differentialgleichungen beinhalten. Um die numerischen Experimente für diese Arbeiten durchzuführen, habe ich ein Software-Framework namens Φ-Flow entwickelt, das ich hier ebenfalls vorste... »
- WWW:
- https://mediatum.ub.tum.de/?id=1739592
- Eingereicht am:
- 12.04.2024
- Mündliche Prüfung:
- 10.10.2024
- Dateigröße:
- 12909127 bytes
- Seiten:
- 158
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20241010-1739592-1-4
- Letzte Änderung:
- 18.11.2024
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Computation, Information and TechnologyPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Science