16.04.2024

Scientific machine learning through physics-informed neural networks

We are seeking a highly motivated student to develop a novel framework for Physics-Informed Neural Networks (PINNs) that overcomes current limitations. Basics of Physics-Informed Neural Networks (PINNs): PINNs are a powerful machine learning technique that combines the strengths of neural networks and physics. Here's a breakdown: Neural Networks: These are algorithms inspired by the human brain, capable of learning complex patterns from data. Physics: Scientific principles governing the behavior of matter and energy. PINNs leverage the data-driven learning power of neural networks while incorporating physical laws through governing equations (often described by Partial Differential Equations - PDEs). This allows PINNs to: Learn from data: Analyze existing observations or measurements of a physical system. Enforce physical laws: Ensure the learned model adheres to established physical principles. Handle complex systems: Model intricate physical phenomena that might be difficult to solve with traditional methods. Project Focus: This project builds upon the foundation of PINNs and aims to develop PINNs model that can model 2 Dynamic Systems: Spring Mass Damper System Inverted pendulum Furthermore, the models should be: Independent of initial conditions: Produces accurate results regardless of the system's starting state. Partially independent of external forces: While the type of force needs to be known, the model should be able to infer the force equation from data. Independent of natural frequency: Applicable to various systems with different inherent oscillation frequencies. Generalizable: Analyze the effectiveness of incorporating advanced neural network architectures like Recurrent Neural Networks (RNNs) to increase generalizability. This thesis will, therefore, focus on the combination of data-driven ML model and Physics behind the dynamic systems to gain the benefits of both worlds. It would be part of the project to evaluate if PINNs trained on simulated data can be extended to real systems. Furthermore, it would be part of the project to evaluate the impact of known physical model, unknown physical model, known inputs to the real physical system, unknown inputs to the real physical system etc. and their pros and cons. Project Benefits: Opportunity to work on cutting-edge research at the intersection of physics and machine learning. Hands-on experience in developing and implementing advanced neural network models. Develop strong technical skills in machine learning and scientific computing.
read more

Kontakt: tanmay.goyal@tum.de

10.04.2024

Master's Thesis: Green hydrogen economy: business models for electrolyzers

With green hydrogen, Germany will provide a sustainable and economic profitable energy source in the near future. Scaling-up electrolyzers, the technique behind green hydrogen production, encompasses a comprehensive research including end-of-life treatments and business models. The objective of this master's thesis is to develop green hydrogen business models and to conduct a system analysis.
read more

Kontakt: sarah.hasslacher@tum.de

09.04.2024

Master´s Thesis about fungal biomaterials

Optimizing the fabrication and material properties of mycelium composites at the Professorship of Fungal Biotechnology in Wood Science (Prof. Dr. J. Philipp Benz)
read more

Kontakt: marcello.nussbaumer@tum.de

05.04.2024

Master's Thesis: Decarbonizing steelmaking - Assessing the social impacts of green steel production

The conventional steel industry is a CO2-intensive industrial sector and is responsible for a significant amount of greenhouse gas emissions. An alternative decarbonisation pathway is the production of primary steel via direct reduction with hydrogen. The objective of this Master's thesis is to assess the social impacts of the green steel production.

Kontakt: inka.hahn@tum.de

05.04.2024

Simulation Model for Material Flows from End-of-Life Vehicle Recycling for Metals

A literature review of existing recycling processes for mainly steel, aluminum, and copper based on automotive scrap will be carried out. Based on the researched processes, a model for end-of-life vehicle recycling is to be developed. Based on the model, various material outputs are to be calculated by simulating the model input with respect to material content of end-of-life vehicles.

Kontakt: dominik.reichert@tum.de

23.03.2024

Licca liber

Masterarbeit: Der bayerische Lech – Erarbeitung von Grundlagen für die Flussrenaturierung

Der Bayerische Lech zwischen Füssen und Augsburg wurde ab 1910 reguliert und seit 1950 energiewirt-schaftlich ausgebaut. Damit wurde die als Biotop-verbundachse bedeutendste nordalpine Wildfluss-landschaft, ursprünglich vergleichbar mit dem Tagliamento, in eine Kette von 23 Stauseen umgebaut. Nach 70 Jahren sind die Stauräume mit Sedimenten aufgefüllt und die energiewirtschaftlichen Konzessionen laufen in einigen Jahren aus, sodass ein Flussrückbau möglich wäre. Hierfür werden entsprechende Leitbilder gesucht.

Kontakt: Thomas Wagner, wagner@tum.de

18.03.2024

Masterthesis: Explainable Artificial Intelligence for Real-time Assistance in Minimally Invasive Surgery

Masterthesis at the Center of Clinical Robotics at the Klinikum rechts der Isar in cooperation with the Technical University of Darmstadt.
read more

Kontakt: lars.wagner@tum.de

15.03.2024

Lernen mit Simulationen

Hintergrund

In den Naturwissenschaften sind mathematische Modelle zentral, um komplexe Phänomene wie beispielsweise im Bereich des Klimawandels zu verstehen und Vorhersagen treffen zu können. Modelle ermöglichen es uns, die Realität in mathematische Begriffe zu übersetzen und daraus mithilfe mathematischer Methoden Schlüsse zu ziehen. Die Fertigkeit, solche Modelle zu entwickeln, interpretieren und analysieren ist ein fundamentaler Baustein naturwissenschaftlicher Erkenntnisgewinnung. Angesichts dieser Bedeutung ist es klar, dass der Vermittlung von mathematischem Modellieren eine zentrale Rolle zukommt. Hier bieten simulationsbasierte Lernumgebungen eine Möglichkeit, komplexe Konzepte auf eine zugängliche Weise zu erklären und gleichzeitig den Umgang mit digitalen Medien zu fördern.

Forschungsziel

Ziel dieser Masterarbeit ist es, den Einfluss simulationsbasierter Lernumgebungen auf die Fähigkeit des mathematischen Modellierens zu untersuchen. Es wurden bereits spezifische Simulationen zu mathematischen Modellen im naturwissenschaftlichen Kontext entwickelt. Nun soll deren Wirksamkeit auf das Mathematische Modellieren evaluiert werden. Hierfür sollen die Elaborationsprozesse von Studienteilnehmer qualitativ untersucht werden.

Aufgaben

• Entwicklung eines Kategoriensystems zur qualitativen Bewertung des Lernprozesses
• Planung und Durchführung einer qualitativen empirischen Studie mit Einsatz simulationsbasierter Lernumgebungen
• Auswertung der Studiendaten auf Grundlage des entwickelten Kategoriensystems
• Analyse der Effektivität simulationsbasierter Lernumgebungen für die Vermittlung mathematischer Modellierungskompetenzen (qualitativ)

Anforderungen

• Eingeschriebener Masterstudent/in, idealerweise im Bereich der naturwissenschaftlichen Bildung
• Interesse an qualitativer Forschung
• Fähigkeit zur selbständigen Arbeit und kritischen Analyse
• Gute kommunikative Fähigkeiten und Teamfähigkeit

Wir bieten

• Einbindung in ein aktuelles Forschungsprojekt
• Zugang zu Ressourcen und Unterstützung bei der Entwicklung eines Kategoriensystems
• Fachliche Betreuung durch erfahrene Wissenschaftler:innen

Kontakt: benjamin.stoeger@tum.de

14.03.2024

[MA] Out-of-Distribution Detection of Large Neural Networks for Safe and Efficient Human-Robot Collaboration

read more

Kontakt: jakob.thumm@tum.de

13.03.2024

Masterarbeit: Neu-Konzeption und Validierung eines standardisierten Instruments zur Erfassung frühkindlicher Regulationsprobleme

Der Lehrstuhl für Sozialpädiatrie der TUM School of Medicine and Health, mit Sitz am kbo Kinderzentrum München, sucht ab Mai 2024 eine(n) Master-Studierende(n) aus der Fachrichtung Psychologie, Gesundheitswissenschaften oder einem vergleichbaren Studiengang zur Verfassung einer Masterarbeit im Bereich frühkindlicher Regulationsprobleme.
read more

Kontakt: ina.nehring@tum.de