Maschinelles Lernen

Der erste Schritt in der Modellierung besteht in der Auswertung von Daten. Durch das Erkennen von Zusammenhängen werden mathematische Gleichungen formuliert, um reale Vorgänge zu beschreiben. 

 

Den Algorithmen des Maschinellen Lernens wird zugesprochen, Muster zu erkennen und diesen Klassen zuzuordnen. Somit sollten sich diese Algorithmen eignen, um Zusammenhänge zwischen Material, Prozess und Werkstoffeigenschaften zu finden.

 

Numerische Lösungsverfahren versuchen, die wahre Lösung von mathematischen Gleichungen so gut wie möglich zu approximieren. Genau wie viele Algorithmen des Maschinellen Lernens lässt sich dieser Vorgang als Optimierungsproblem darstellen. Somit können durch den Einsatz von Künstlicher Intelligenz auch im Bereich der Simulation Verbesserungen erzielt werden.

 

Die Arbeitsgruppe von Prof. Weißenfels beschäftigt sich hauptsächlich mit künstlichen neuronalen Netzen, um aus experimentellen Daten Materialmodelle zu erzeugen und mathematische Gleichungen zu lösen.  

 

Künstliche neuronale Netze gelten im Bereich des visuellen Sehens und der Spracherkennung als sehr leistungsstark. Die Herausforderung beim Einsatz im Ingenieurwesen liegt in der Gewährleistung einer ausreichend guten Qualität der Approximation. So muss sichergestellt sein, dass reales Materialverhalten für jede beliebige Belastung wiedergegeben werden kann, und Simulationen die Lösung der mathematischen Gleichungen gut annähern.

 

Hierfür werden im Rahmen der Professur künstliche neuronale Netze neu ausgelegt und Regularisierungen entwickelt. Um den Lernprozess zu optimieren, werden diese Netze gezielt mit Wissen aus naturwissenschaftlichen Gesetzmäßigkeiten angereichert.

Suche