ML für Komplexe Dynamische Systeme

In der physikalischen Beschreibung komplexer dynamischer Systeme gewinnen die datengetriebene Modellierung und die KI zunehmende Bedeutung. Dabei werden umfangreiche Datensätze, die aus Experimenten und Computersimulationen resultieren, aufbereitet und analysiert, um effektive deterministische (Differentialgleichungs-) Modelle zu erstellen, kritische Verhaltensänderungen vorherzusagen und signifikante Ereignisse zu identifizieren.

Kurs

Im Rahmen der hier angebotenen Veranstaltungen werden KI-Methoden in der Analyse komplexer dynamischer Systeme verständlich aufbereitet und auf konkrete Modellierungsprobleme angewandt. Beispiele sind die ML-basierte Extraktion von makroskopischen Evolutionsgleichungen aus Molekular-Dynamik-Simulationen mikroskopischer physikalischer Prozesse, die Antizipation von kritischen Übergängen in der Dynamik komplexer Systeme oder die Kontrolle nichtlinearer dynamischer Systeme.

• Grundlagen deterministischer und stochastischer dynamischer Systeme
• Physics informed deep learning
• Identifikation dynamischer Systeme aus Daten
• Kontrolle dynamischer Systeme