Physik-informierte KI (Physics-Informed AI)

Beschreibung

• Kurs-ID:
  • IC-805-G-11
• Inhalt: Dieser Kurs vermittelt den Einsatz von Künstlicher Intelligenz in Kombination mit physikalischen Modellen und Gesetzmäßigkeiten. Ziel ist es, datengetriebene KI-Modelle mit physikalischem Wissen zu kombinieren, um bessere Generalisierung, höhere Daten-Effizienz und robustere Vorhersagen in technischen Systemen zu erreichen. Der Fokus liegt auf industriellen, ingenieurwissenschaftlichen und simulationsbasierten Anwendungen.
  • Schwerpunkte:
    • Einführung in Physics-Informed AI (PIA) und hybride Modellansätze
    • Motivation: Grenzen rein datengetriebener KI in technischen Systemen
    • Kombination von physikalischen Gleichungen und Machine Learning
    • Überblick über Physics-Informed Neural Networks (PINNs)
    • Einbindung von Differentialgleichungen in Lernprozesse (konzeptionell)
    • Modellierung physikalischer Systeme mit KI-Unterstützung
    • Datenarme Szenarien und der Nutzen physikalischer Constraints
    • Simulation vs. datengetriebene Modellierung
    • Anwendungsfälle in:
      • Strömungsmechanik (CFD)
      • Thermodynamik
      • Strukturmechanik
      • Elektromagnetische Systeme
    • Validierung physik-informierter Modelle
    • Fehleranalyse und Interpretierbarkeit hybrider Modelle
    • Grenzen und Herausforderungen (Rechenaufwand, Modellstabilität)
  • Praxisanteile:
    • Entwicklung eines einfachen Physics-Informed Modellkonzepts
    • Vergleich klassischer ML-Modelle vs. physik-informierter Ansätze
    • Analyse eines technischen Simulationsproblems mit KI-Unterstützung
    • Demonstration eines vereinfachten PINN-Ansatzes (tool- oder notebookbasiert)
• Voraussetzungen:
  • Erforderlich:
    • IC-805-G-04 – KI-Systeme entwickeln & integrieren oder vergleichbare technische KI- und Data-Science-Kenntnisse
  • Stark empfohlen:
    • IC-805-G-10 – KI für Zeitreihendaten (für datengetriebene Modellierung in technischen Systemen)
    • Grundlagen in Physik oder Ingenieurwissenschaften (je nach Zielgruppe)
• Zertifizierungsanforderung:
  • Ohne Zertifizierungsmöglichkeit
• Durchführungsart:
  • Online (für Präsenz- oder Inhouse-Schulungen senden Sie uns bitte eine Anfrage über unser Kontaktformular (Kontakt - intellcert). Wir setzen uns anschließend mit Ihnen in Verbindung.)
• Sprache:
  • Deutsch
• Zielgruppe:
  • Data Scientists mit technischem oder wissenschaftlichem Fokus
  • Ingenieure (Maschinenbau, Elektrotechnik, Physik, Simulation)
  • KI-Entwickler in industriellen oder Forschungsumgebungen
  • Simulation Engineers und Computational Scientists
  • R&D-Teams in Industrieunternehmen
  • Teilnehmer an IC-805-G-04 und IC-805-G-10
  • Der Kurs ist für reine Einsteiger ohne technische oder mathematische Grundkenntnisse nicht geeignet.
• Lernziele:
  • den Unterschied zwischen datengetriebener und physik-informierter KI erklären
  • Einsatzszenarien für Physics-Informed AI identifizieren
  • hybride Modellansätze konzeptionell entwerfen
  • Vorteile physikalischer Constraints in KI-Modellen bewerten
  • typische Anwendungsfelder in Technik und Industrie einordnen
  • Grenzen und Herausforderungen von PINN-basierten Ansätzen verstehen
  • einfache physik-informierte Modellkonzepte analysieren oder bewerten
• Bemerkung:
  • Angezeigter Preis exkl. MwSt.