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.
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 […]
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. „Ich […]
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 […]