Physik-inspiriertes, probabilistisches maschinelles Lernen mit wenigen Daten
| Autor: | Kaltenbach, Sebastian Johannes |
|---|---|
| Přispěvatelé: | Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.), Perdikaris, Paris (Prof., Ph.D.), Koumoutsakos, Petros (Prof., Ph.D.) |
| Jazyk: | angličtina |
| Rok vydání: | 2023 |
| Předmět: |
Physik
Ingenieurwissenschaften Bayesian machine learning inductive bias Uncertainty Quantification invertible Neural Networks Small Data Mathematik ddc:530 Bayessches maschinelles Lernen induktive Verzerrung Quantifizierung von Unsicherheiten invertierbare Neuronal Netze wenige Daten ddc:510 ddc:620 |
| Popis: | 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. 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. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|