Im Ingenieurwesen werden zunehmend und in wachsender Vielfalt Machine Learning-Methoden eingesetzt, zur Beschleunigung und Stabilisierung zeitintensiver numerischer Berechnungen, zur Nutzbarmachung umfangreicher Messdaten, als Materialmodelle und in vielen weiteren Kombinationen zur Beschleunigung oder Vereinfachung von Arbeitsweisen.
In diesem Modul werden die theoretischen und mathematischen Grundlagen des maschinellen Lernens und von ausgewählten Anwendungen in der Mechanik vermittelt. Dazu gehören einerseits automatische Differentiation mit dualen Zahlen, Optimierungsalgorithmen für neuronale Netzwerke und andere derzeit beforschte Machine Learning-Architekturen, Verfahren zur Regularisierung, Qualitätsbetrachtungen bei multivariatem Regressionslernen sowie Kombinationsmöglichkeit für Machine Learning-Verfahren. Andererseits werden nichtlineare Kinematik, die mechanische Gleichgewichtsbedingung als PDE sowie nichtlineares Materialverhalten und das Konzept der Polykonvexität behandelt. Der Fokus liegt dabei auf dem vertieften Verständnis der mathematisch-physikalischen Konzepte und der Vorbereitung auf die verantwortungsbewusste Methodenauswahl, Anwendung und Implementierung.
- Trainer/in: Marc Allan Graham
- Trainer/in: Stefan Hildebrand