Bachelorarbeiten in modernem Machine Learning fuer Stroemungsmechanik


Noether Netzwerke fuer die Stroemungsmechanik

Nutzen von Meta-Learning zum Erlernen von Erhaltungsgroessen in Datensets der Stroemungsmechanik.

Das Erlernen von Subdimensionen in der Stroemungsmechanik

Erlernen von problem-spezifischen niedrig-dimensionalen Subdimensionen, welche die effiziente generative Modellierung auf Stroemungsmechanikproblemen ermoeglichen.

Benchmarken des aktuellen Standes der Technik im Reservoir Computing

Erforschung des Potenzials von Reservoir Computing fuer Stroemungsmechanikprobleme durch Benchmarking und Testen der Schwaechen des Ansatzes.

Alle Bachelorarbeiten werden von Artur Toshev (artur.toshev@tum.de), und Ludger Paehler (ludger.paehler@tum.de) ko-beaufsichtigt. Falls nach dem Lesen der Beschreibung noch irgendwelche Fragen offen sein sollten, zoegern Sie bitte nicht uns zu kontaktieren.