Buch über Physics-based Deep Learning

Physics-based Deep Learning

Einführung

• Bietet eine praktische und umfassende Einführung in Deep Learning im Zusammenhang mit physikalischen Simulationen
• Wird in Form von Jupyter-Notebooks bereitgestellt, sodass Codebeispiele direkt ausgeführt und angepasst werden können
• Behandelt neben dem klassischen überwachten Lernen aus Daten auch physikalische Verlustbeschränkungen, mit differenzierbarer Simulation kombinierte Lernalgorithmen, auf physikalische Probleme zugeschnittene Lernalgorithmen, Reinforcement Learning und Unsicherheitsmodellierung

Neue Inhalte

• In v0.2 wurden ein erweiterter Abschnitt zur Integration von DP in das NN-Training sowie ein neues Kapitel über verbesserte Lernmethoden für physikalische Probleme hinzugefügt

Ausblick

• Das nächste Kapitel behandelt, wie sich die Strömung um ein Tragflächenprofil inferieren lässt und wie sich die Unsicherheit von Vorhersagen abschätzen lässt
• Es wird erklärt, wie Netzwerke trainiert werden, indem Modellgleichungen als Residuen verwendet werden, und wie diese Residualbeschränkungen mit differenzierbarer Simulation verbessert werden können
• Es wird behandelt, wie für die Lösung inverser Probleme enger mit dem vollständigen Simulator interagiert werden kann
• Die Inversion im Update-Schritt wird ausführlich behandelt, und es wird erklärt, wie Informationen höherer Ordnung genutzt werden können, um die Konvergenz zu beschleunigen und genauere neuronale Netze zu erhalten

Ausführbarer Code

• Mit Jupyter-Notebooks können alle Codebeispiele direkt im Browser ausgeführt werden
• Über Links im Dokument können Beispielcodes direkt ausprobiert werden

Feedback und Vorschläge

• Dieses Buch wird von der Physics-based Simulation Group der TUM gepflegt
• Bei Feedback oder gefundenen Fehlern ist eine Kontaktaufnahme per E-Mail möglich
• Zudem wird eine Linksammlung zu aktuellen Forschungsarbeiten gepflegt

Danksagung

• Das Projekt wurde durch die Hilfe vieler Menschen möglich
• Den Beitragenden wird gedankt

Zitat

• Wenn dieses Buch hilfreich ist, zitieren Sie es bitte wie folgt:

  @book{thuerey2021pbdl,
    title={Physics-based Deep Learning},
    author={Nils Thuerey and Philipp Holl and Maximilian Mueller and Patrick Schnell and Felix Trost and Kiwon Um},
    url={https://physicsbaseddeeplearning.org},
    year={2021},
    publisher={WWW}
  }
  

Zusammenfassung von GN⁺

• Dieser Beitrag stellt eine Methodik vor, die physikalische Simulationen mit Deep Learning kombiniert
• Er unterstützt das Lernen durch praxisnahe Codebeispiele, die über Jupyter-Notebooks direkt ausgeführt werden können
• Behandelt vielfältige Themen wie physikalische Verlustbeschränkungen, differenzierbare Simulation und Reinforcement Learning
• Der Physics-based-Deep-Learning-(PBDL)-Ansatz kann die Möglichkeiten von Computersimulationen deutlich erweitern