Kategorie: PINNs

Physikalisch informierte neuronale Netze (PINNs) kombinieren maschinelles Lernen mit physikalischen Gesetzen, um Modelle zu erstellen, die physikalische Prinzipien (Erhaltungssätze) einhalten. Der Trainingsprozess beruht wesentlich auf physikalischen Gleichungen, wobei Daten ebenfalls einbezogen werden können.

C++, Künstliche Intelligenz, Mathematische Modelle, PINNs, Programmierung

Zeitreihenanalyse mit LSTM

In diesem Beitrag möchte ich erste Resultate aus der Implementierung und Anwendung eines Long Short-Term Memory (LSTM)-Netzwerks in C++ mit der libtorch-Bibliothek vorstellen. Ziel war es, die Leistungsfähigkeit eines LSTM-Modells für Zeitreihenanalysen, insbesondere bei der Vorhersage eines verrauschten Sinus-Signals, zu untersuchen. Das LSTM-Modell hat dabei gezeigt, wie effektiv es Muster […]

Künstliche Intelligenz, PINNs

Testrechnungen PINNs

Hier werden die Ergebnisse der Testrechnungen für das PINNs: Physics-Informed Neural Network dargestellt und kurz analysiert. Der Schwerpunkt liegt auf dem Verhalten der PINNs außerhalb des Trainingsintervalls sowie dem Frequenz-Prinzip (F-Prinzip), das beschreibt, wie neuronale Netze unterschiedliche Frequenzen lernen – insbesondere, dass niedrige Frequenzen schneller erfasst werden als hohe. Ergebnisse […]

C++, Künstliche Intelligenz, Mathematische Modelle, PINNs

PINNs — Physikalisch Informierte Neuronale Netze

In diesem Beitrag beschreibe ich die Entwicklung und Implementierung eines einfachen neuronalen Netzwerks, das die Sinusfunktion approximieren kann. Die Methodik folgt hierbei den physikalisch informierten neuronalen Netzen (PINNs), welche maschinelles Lernen mit physikalischen Gesetzen kombinieren, um Modelle zu erstellen, die physikalische Prinzipien einhalten. PINNs haben den großen Vorteil, dass sie […]