Das Maschinelle Lernen (ML) hat in jüngster Zeit rapide an Bedeutung gewonnen. Durch neue Algorithmen, zunehmende Rechenleistung und die Verfügbarkeit großer Datenmengen hat ML sich in vielen Disziplinen als nützliches Werkzeug etabliert. Auch in der Thermodynamik kann ML u.a. zur Vorhersage von unbekannten Stoffeigenschaften eingesetzt werden und erzielt dabei teils bessere Ergebnisse als etablierte physikalische Ansätze.

Ich arbeite an der Schnittstelle zwischen physikalischen Modellen zur Beschreibung von thermodynamischen Eigenschaften und Ansätzen aus dem ML. Dabei möchte ich u.a. herausfinden, ob und wie mithilfe von ML-Methoden bisher unbekannte Zusammenhänge in Daten sichtbar gemacht werden können und wie die physikalische Modellierung und ML voneinander profitieren können, z.B. durch die Entwicklung neuartiger hybrider Modelle.

Veröffentlichungen

• M. Heinen, M. Hoffmann, F. Diewald, S. Seckler, K. Langenbach, J. Vrabec: Droplet coalescence by molecular dynamics and phase-field modeling, Physics of Fluids 34, 042006 (2022) [DOI]