Introduction into various approaches and methods for using Machine Learning in conjunction with physical systems. \n
Topics include:
- Data pre- and postprocessing, classification versus regression
- Decision-trees and random forests
- Convolutional Neural Networks (CNNs)
- Feature selection
- Neural architecture search (NAS) and hyperparameter tuning
- Constitutive artificial neural networks (CANNs)
- Synthetic data
- Multimodal and ensemble learning
- Optimal experimental design (active learning)
- Large Language Models
- Process-structure-properties machine learning pipelines
All these methods are useful in non-physical domains as well, the focus of the lecture and exercise will be their usability for physical systems.
The associated exercise sessions (on the same day) will make use of various Python-libraries such as Sklearn and Pytorch, usually using Jupyter notebooks. Knowledge from the exercises will be relevant for the lecture and vice versa.
No prior knowledge in machine learning or Python programming is strictly required, although it would be beneficial.
Leistungsnachweis:
m1807-2022 - Machine Learning for Physical Systems<ul><li>p1888-2023 - Machine Learning for Physical Systems: Klausur schriftlich</li></ul>
ECTS-Kreditpunkte:
3
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Heimatinstitut: Machine Learning in Virtual Materials Design (M-EXK5)
In Stud.IP angemeldete Teilnehmer: 86
Anzahl der Postings im Stud.IP-Forum: 3
Anzahl der Dokumente im Stud.IP-Downloadbereich: 15
Betreute Abschlussarbeiten
laufende
2023
Erxleben, J. (2023). Entwicklung eines Algorithmus zur Identifikation und Klassifizierung relevanter Arbeitspunkte eines elektrischen Systems aus Momentanwert-Datensätzen.
beendete
2023
Engemann, T. (2023). Entwicklung einer Methodik zur automatischen Identifizierung, Klassifizierung und Modellierung betriebsrelevanter Arbeitspunkte eines elektrischen Netzes aus Echtzeitmesswerten.
Herzberg, M. (2023). Entwicklung eines echtzeitfähigen Photovoltaiksimulators auf Basis historischer Strahlungsdaten für einen Power Hardware-in-the-Loop Aufbau mit einem PV-Wechselrichter.
Heunda, J.E.W. (2023). Entwicklung, Optimierung und Vergleich von Methoden zur Erzeugung passiver Ersatzschaltbilder aus Messwerten einer Impedanzspektroskopie.
2022
Becker, H. C. (2022). Entwicklung, Implementierung und Verifizierung einer Schnittstellensynchronisation für die Kopplung von in Echtzeit simulierten Anlagen und Komponenten an einen PHiL Laboraufbau.
Hinzke, M. (2022). Untersuchung der Stabilität eines Power Hardware-in-the-Loop Teststandes unter der Verwendung eines Synchrongenerators als Schnittstelle zwischen Simulation und Hardware.
Landenfeld, Jakob (2022). Implementierung und Validierung einer Methode zur Stabilisierung von Power Hardware-in-the-Loop Simulationen mittels einer online-Impedanzmessung auf einem FPGA.
Landenfeld, Jakob (2022). Bestimmung der Stabilitätskriterien eines DC Power Hardware-in-the-Loop Aufbaus zur Untersuchung von Rippelstrom in Gleichstromsystemen.
Müller, E. (2022). Evaluation of different modelling approaches for battery aging to predict capacity fade for optimization of battery operation.
von Krosigk, J. (2022). Analyse und Bewertung einer Einsatzoptimierung für erneuerbare Energieanlagen in Kombination mit Batteriespeichersystemen im Multi-Use Betrieb.
2021
Erxleben, J. (2021). Untersuchung der Performance eines Pools aus Erneuerbaren Energien für die Erbringung von frequenzstützenden Maßnahmen.
von Krosigk, J. (2021). Untersuchung eines neuartigen Ansatzes zur kurz- und mittelfristigen Vorhersage der Netzfrequenz unter der Verwendung künstlicher neuronaler Netze.