PGZ Physics based machine learning

Physikalische Gesellschaft Zürich

	HOME

	Veranstaltungen
	Programm PDF
	FS 26
	- Kehl
	- Morell
>	- Würsch
	HS 25/26
	FS 25
	HS 24/25
	FS 24
	HS 23/24
	FS 23
	HS 22/23
	FS 22
	HS 21/22
	FS 21
	HS 20/21
	FS 20
	HS 19/20
	FS 19
	HS 18/19
	FS 18
	HS 17/18
	FS 17
	HS 16/17
	FS 16
	HS 15/16
	FS 15
	HS 14/15
	FS 14
	HS 13/14
	FS 13
	HS 12/13
	FS 12
	HS 11/12
	FS 11
	HS 10/11
	FS 10
	HS 09/10
	FS 09
	HS 08/09
	FS 08
	HS 07/08
	FS 07
	HS 06/07
	FS 06
	HS 05/06
	FS 05
	HS 04/05
	FS 04
	HS 03/04
	FS 03
	HS 02/03
	FS 02
	HS 01/02
	FS 01
	Geschichtliches
	Verein
	E-Mail
	Links

	Kontakt
	Site Map
	Design

Prof. Dr. Christoph Würsch

Physics-Based machine learning

Donnerstag 28. Mai 2026, um 19:30 Uhr (in gut fünf Wochen)
ETH Hauptgebäude Hörsaal HG G5, Rämistrasse 101 und Live Stream über Zoom

/events/ss26/event.20260528/physbased_ml_150.jpg

Ideen von chat gpt zum Votragstitel (Bild chat gpt)

Physics-Based Machine Learning (PBML) verbindet datengetriebene Methoden mit physikalischem Vorwissen, um Modelle robuster, daten-effizienter und besser interpretierbar zu machen.

Der Vortrag gibt einen Überblick darüber, wie Physik in Lernverfahren integriert werden kann – von physikalisch motivierten Modellarchitekturen über Regularisierung und Nebenbedingungen bis hin zu hybriden Ansätzen, die Simulation und Lernen eng koppeln. Anhand typischer Kopplungsmuster (locker vs. stark, explizit vs. implizit, differenzierbar vs. nicht-differenzierbar) werden Chancen und Grenzen diskutiert.

Neben erfolgreichen Anwendungen werden auch weniger erfolgreiche Fälle beleuchtet, um typische Fallstricke sichtbar zu machen. Abschliessend skizziert der Vortrag mögliche Entwicklungslinien von Scientific Machine Learning – von verlässlicherer Modellvalidierung und UQ über neue Surrogat- und Operator-Lernansätze.

[Wegbeschreibungen] [Veranstaltungs-Uebersicht]

About This Site