Themen_Kircher

topics/_kircher/Loss_functions.md

@@ -0,0 +1,23 @@
+---
+lang: de
+img_src: assets\kircher\emd.png
+title: Vergleich von Loss Funktionen bei KI-getriebenen Partikelsimulationen
+additional_info: assets\kircher\learning_to_simulate_comp.pdf
+tags: ["pm", "fm", "ba", "ma"]
+date: 2024-11-10
+---
+Partikelmethoden unterscheiden sich von anderen Machine Learning-Ansätzen durch ihr chaotisches Verhalten. Klassiche Distanzmethoden wie der Mean Squared Error können mit diesem Umstand nicht gut umgehen. Beispielsweise können Partikel innerhalb eines Wassertröpfchens sich chaotisch bewegen, obwohl die insgesamte Geometrie sich nicht verändert. Dadurch entsteht eine Diskrepanz zwischen Trainingsdaten und gelernten Partikeln, was in einem unnatürlich großen Fehler resultiert. Ich befasse mich mit der Verbesserung von KI-gestützter Simulation von großen Partikelsystemen. Mein Arbeit basiert dabei auf dem Paper von Sanchez et al. (Link unter dem Foto).
+
+Ein Ansatz diesen Umstand zu negieren ist die Earth Movers Distance. Dabei werden die Distanzen zwischen allen Partikeln des Trainingsdatensatzs und des Ausgangs des Neuronalen Netzes minimiert, sodass eine aussagekräftige Loss Funktion erhalten wird. Die Methodik ist dabei nicht nur auf diesen Ansatz begrenzt.
+
+Mögliches Vorgehen:
+- Recherche von Lossfunktionen im Zusammenhang mit Partikelsystemen
+- Einarbeiten in das Julia-Package GNS.jl
+- Implementierung der Methoden
+- Gegenüberstellen von verschiedenen Ansätzen
+- Validierung der Ergebnisse an einem Test-Case
+
+Vorrausstetzungen:
+- Keine
+- Erste Kenntnisse in Julia oder Python hilfreich
+- Interesse an Partikelsimulationen hilfreich

topics/_kircher/Neighborhood.md

@@ -0,0 +1,21 @@
+---
+lang: de
+img_src: assets\kircher\neighborhood.png
+title: GPU Nachbarschaftssuche für Partikel
+additional_info: assets\kircher\learning_to_simulate_comp.pdf
+tags: ["pm", "fm", "ba", "ma"]
+date: 2024-11-10
+---
+Ich befasse mich mit der Verbesserung von KI-gestützter Simulation von großen Partikelsystemen. Mein Arbeit basiert dabei auf dem Paper von Sanchez et al. (Link unter dem Foto). Ein wichtiger Bestandteil dabei ist die Nachbarschaftssuche, die für den Aufbau des Graphen benötigt wird. Dieser Schritt ist zu jedem Simulationszeitpunkt notwendig und wird aktuell immer komplett ausgeführt auch wenn sich der Graph zwischen Zeitschritten nur minimal ändert. Außerdem ist die Suche bisher nur CPU implementiert und nicht parallelisiert.
+
+Vorgehen:
+- Recherche von Nachbarschaftssuche-Algorithmen in Julia und Forschung
+- Einarbeiten in das Julia-Package GNS.jl
+- Implementierung der Methoden
+- Gegenüberstellen von verschiedenen Ansätzen
+- Validierung der Ergebnisse an einem Test-Case
+
+Vorrausstetzungen:
+- Keine
+- Erste Kenntnisse in Julia oder Python hilfreich
+- Interesse an Partikelsimulationen hilfreich

topics/_kircher/Visualisierung.md

@@ -0,0 +1,19 @@
+---
+lang: de
+img_src: assets\kircher\LIPOst.png
+title: Visualsierung von Simulationsergebnissen in Julia
+tags: ["sb", "sm"]
+date: 2024-11-10
+---
+In Computational Fluid Dynamic ist es notwendig die Vielzahl von Daten zu visualisieren, um alle relevanten Ergebnisse aus den Daten zu extrahieren. Das gängigste Dateiformat ist hierbei VTK. Den Graph Network-based simulators fehlt dieses wichtige und mächtige Tool jedoch noch. Dein Auftrag, wenn du dich entschließt ihn anzunehmen, lautet: 
+
+Mögliches Vorgehen:
+- Untersuchung der bereits vorhandenen Implementierungen von VTK-Writern in Julia
+- Einarbeitung in das Julia-Package GNS.jl
+- Auseinandersetzen mit dem .vtk Dateiformat
+- Implementierung eines eigenen VTK-Writers um Simulationsergebnisse mit einem passenden Tool (z.B. Paraview) zu visualisieren
+
+Voraussetzungen:
+- Keine
+- Erste Erfahrungen mit Julia oder Python hilfreich
+- Interesse an Partikelsimulationen hilfreich