Masterarbeit (w/m/d): Loss-Balancing-Algorithmen für Physics-Informed Neural Networks

Stellenbeschreibung:

Das DLR-Institut für Instandhaltung und Modifikation hat sich zum Ziel gesetzt, durch Forschung und Technologietransfer die Zukunft der Luftfahrt mitzugestalten. Mit seiner Vision „Wir erhalten Mobilität für eine nachhaltige Zukunft“ konzentriert sich das Institut auf Lebenszyklusanalysen, Instandhaltungstechnologien und die Optimierung digitaler Prozesse zur Verbesserung der technischen Abläufe in der Luftfahrt.

Das erwartet dich

Ein dynamisches Team von Wissenschaftler/innen erwartet dich in der Abteilung Prozessoptimierung und Digitalisierung am DLR-Institut für Instandhaltung und Modifikation. Wir erforschen neue Konzepte für die digitalisierte Instandhaltung. Dazu gehören digitale Zwillinge, Methoden zur Datenanalyse für die Zustandsüberwachung und -vorhersage, neue Ansätze für die automatisierte Interaktion zwischen vernetzten Akteuren, KI-Methoden sowie neue Methoden zur dynamischen Prozessmodellierung und -simulation.

Deine Aufgaben

Wir forschen an hybriden Modellen zur Optimierung der Ultraschallprüfung, bei denen physikalisches Wissen in den Trainingsprozess neuronaler Netze einfließt. Sogenannte Physics-Informed Neural Networks (PINNs) sind eine Kategorie von Deep-Learning-Modellen, die physikalische Gesetzmäßigkeiten in die Verlustfunktion integrieren. PINNs sind weniger auf gelabelte Daten angewiesen, da die zugrundeliegenden physikalischen Gleichungen als intrinsische Form der Überwachung (self-supervision) dienen. Die Gewichtung der Kombination mehrerer Verlustfunktionen für das Training von PINNs stellt jedoch eine erhebliche Herausforderung im Trainingsprozess dar. Für die Anpassung der Gewichtungsfaktoren der Verlustfunktion gibt es verschiedene Algorithmen. Im Rahmen der Masterarbeit sollen diese loss-balancing Algorithmen für die zweidimensionale akustische Wellengleichung implementiert und analysiert werden.

Literaturrecherche zu bestehenden loss-balancing Algorithmen für PINNs
Implementierung und Anpassung bestehender loss-balancing Algorithmen und Durchführung von Konvergenzanalysen mit kontinuierlicher Optimierung der Modell-Hyperparameter
Auswertung der Ergebnisse sowie statistische Datenauswertung und Fehleranalyse und Dokumentation und Präsentation der Ergebnisse

Das bringst du mit

laufendes wissenschaftliches Studium in den Bereichen Luft- und Raumfahrttechnik, Informatik, Mathematik, Physik oder vergleichbaren Studiengängen und eine Bereitschaft für methodisches, selbstständiges und präzises Arbeiten
gute Programmierkenntnisse und Erfahrung in Python, zusätzliche Erfahrung in Entwicklungsumgebungen z.B. Docker, Gitlab
Grundkenntnisse in Machine-Learning-Algorithmen, erste Erfahrungen mit z.B. Tensorflow und fortgeschrittene statistischen Datenanalyse

Wir freuen uns darauf, dich kennenzulernen!