Forschungs- und Arbeitsschwerpunkte

• Maschinelles Lernen unter Einbeziehung von Randbedingungen
• Quantifizierung von Unsicherheiten
• Bayessche Strategien
• Berechnung von Ersatzmodellen
• Stochastische Differentialgleichungen
• Unsicherheitenmodellierung bei mehrskaligen Problemen bspw. in der Medizin

Veröffentlichungen

• Sebastian Kaltenbach, Phaedon-Stelios Koutsourelakis: Incorporating physical constraints in a deep probabilistic machine learning framework for coarse-graining dynamical systems   (Journal of Computational Physics)
• Sebastian Kaltenbach, Phaedon-Stelios Koutsourelakis: Physics-aware, data-driven discovery of slow and stable coarse-grained dynamics for high-dimensional multiscale systems  (NeurIPS Workshop Paper)
• Sebastian Kaltenbach, Phaedon-Stelios Koutsourelakis: Physics-Aware, Deep Probabilistic Modeling of Multiscale Dynamics in the Small Data Regime (WCCM-ECCOMAS Conference Paper)
• Sebastian Kaltenbach, Phaedon-Stelios Koutsourelakis: Physics-aware, probabilistic model order reduction with guaranteed stability  (ICLR Conference Paper)
• Jonas Eichelsdörfer*, Sebastian Kaltenbach*, Phaedon-Stelios Koutsourelakis: Physics-enhanced Neural Networks in the Small Data regime (NeurIPS Workshop Paper)    

Konferenzbeiträge

• SIAM CSE 2019: Physics-aware and Sparse Coarse-graining of Multiscale Dynamics
• SIAM UQ 2020: Deep probabilistic learning of reduced dynamics of multiscale systems in the Small Data regime
• WCCM & ECCOMAS 2020: Physics-aware, deep probabilistic modeling of multiscale dynamics in the Small Data regime
• SIAM CSE 2021: Deep Probabilistic Coarse-Graining of Multiscale Dynamical Systems with Long-Term Stability
• ICLR 2021: Physics-aware, probabilistic model order reduction with guaranteed stability
• SIAM MS 2021: Physics-aware, deep, probabilistic coarse-grained models with guaranteed stability
• 16th USNCCM 2021: Physics-Aware, Probabilistic Learning of Reduced-Order Systems in the Small Data Regime

Workshops und Seminare

• Computational Statistics and Data-Driven Models, ICERM Virtual Workshop, 2020, Poster Presenter
• Deep Learning and Reinforcement Learning Summer School 2020, CIFAR & Mila
• Interpretable Inductive Biases and Physically Structured Learning, NeurIPS 2020
• Machine Learning and the Physical Sciences, NeurIPS 2021

Lehre

• Modellierung von Unsicherheiten und Daten im Maschinenwesen (SoSe 2018 - SoSe 2022)

Betreute Studienarbeiten

• Jannes Papenbrock: Erweiterung physikalischer Modelle mittels maschinellen Lernens, Semesterarbeit
• Marc Sebastian Padros: Parameteridentifikation für thermische Modelle reduzierter Ordnung in Elektromotoren, Masterarbeit (In Kooperation mit BMW)
• Jonas Eichelsdörfer: Neuronal Netze zur Systemidentifikation auf Basis Hamiltonscher Mechanik und physikalischer Randbedingungen, Masterarbeit (In Kooperation mit Atul Agrawal)
• Zhiyi He: Bayessche GANs zur Synthese medizinischer Bilddaten: eine vergleichende Analyse, Masterarbeit (In Kooperation mit Hongwei Li)
• Simon Jarvers: Maschinelles Lernen von Gewöhnlichen Differentialgleichungen mit Gauß-Prozessen, Bachelorarbeit
• Tim Beyer: Neuronale Differentialgleichungen für physikalische Probleme, Bachelorarbeit
• Tobias Pielok: Residuen unterstützte probabilistische Inferenz einer Koopman basierten Darstellung dynamischer Systeme, Masterarbeit
• Martin Kronthaler: Neuronale Netze auf Basis physikalischer Prinzipien zur Vorhersage dynamischer Systeme, Semesterarbeit
• Zhiyi He: Rekonstruktion von Magnetresonanzbildern unter Verwendung von Generative Adversarial Networks und Unsicherheitsquantifizierung, Semesterarbeit (In Kooperation mit Hongwei Li)
• Tobias Pielok: Bayessche Dimensionsreduktion unter Einbeziehung von Gedächtnisvariablen, Semesterarbeit
• Fan Wang: Lernen von Entwicklungsgleichungen auf Basis von vollständigen und unvollständigen Daten, Forschungspraktikum

Ausbildung

• M.Sc. Computational Mechanics, TUM
• M.Sc. Medizintechnik, TUM und ETH Zürich
• B.Sc. Ingenieurswissenschaften, TUM