Wir freuen uns sehr über die Zusammenarbeit mit den Studenten und wir möchten euch kurz vorstellen, in welchen Themengebieten wir uns besonders über eure Unterstützung freuen würden. Kommt gerne mit euren Ideen und Vorstellungen vorbei und wir suchen gemeinsam nach Möglichkeiten, wie ihr eure Abschlussarbeiten, Seminararbeiten, Forschungs- und Projektmodule bei uns erledigen könnt. Für Fragen stehen wir euch jederzeit zur Verfügung.
Anwendung von GraphNetSim auf weitere Use Cases
Bisher wurden GraphNetSim nur auf einen Standarddatensatz mit schiefen Ebenen und für ballistische Würfe mit Tröpfen eingesetzt. Um die Anwendbarkeit auf andere Szenarien zu überprüfen, soll in dieser studentischen Arbeit ein weiteres Szenario betrachtet werden. Dabei handelt es sich entweder um einen Rührstab in einem Tank oder um eine Wellenbewegung, die von einer beweglichen Wand erzeugt wird oder einen geschüttelten Tank. Die Trainingsdaten werden in Dualsphysics erzeugt.
Vorgehen:
- Auswahl des Anwendungsfalls
- Überprüfung des Datenerzeugungsskripts
- Datenerzeugung
- Erstellung des Modells
- Training und Validierung der Ergebnisse
Vorraussetzungen:
- Vorkenntnisse in Julia sind wünschenswert
Vergleich und Implementierungen von verschiedenen Training Schedulern
Im Training von Graph Neural Networks ist die Auswahl des nächsten Trainingsamples entscheidend. Da es hierfür aktuell bis auf eine Random-Auswahl keine weiteren Strategien für GNNs gibt, ist die Identifikation von anderen möglichen Schedulern aus anderen Trainingsdomänen und deren Vergleich anhand eines Beispiels das Ziel der Arbeit.
Vorgehen:
- Recherche von bestehenden Sampling-Algorithmen
- Auswahl der Methoden zur Anwendung auf GNS
- Implementierung und Testung
- Laufzeitanalyse und Vergleich der Methoden
Vorraussetzungen:
- Vorkenntnisse in Julia sind wünschenswert
Multiple GPU Untersuchung
Bisher wurden GraphNetSim nur auf einer GPU trainiert oder evaluiert. Für größe System erreicht der VRAM schon jetzt seine Grenzen. Um größere System zu unterstützen, soll untersucht werden, welche Möglichkeiten zur Parallisierbarkeit auf mehreren GPUs vorhanden sind und welcher Aufwand damit verbunden ist.
Vorgehen:
- Recherche von Parallisierungsoptionen
- Gegenüberstellung der Optionen
- Auswahl des passenden Ansatzes
- MWE
- Basis-Implementierung
Vorraussetzungen:
- Vorkenntnisse in Julia sind wünschenswert
Virtual Reality in der robotergestützten Reha
Gemeinsam mit dem Therapiezentrum Burgau erforschen wir, wie Roboter in der Rehabilitation nach Schlaganfall eingesetzt werden können. Ein wichtiger Aspekt dabei ist die Usability und die Akzeptanz durch die Patientinnen und Patienten.
Im Rahmen der Studien- oder Abschlussarbeit soll untersucht werden, inwiefern Mixed Reality zur Unterstützung der Therapie eingesetzt werden kann. Die MR-Brillen sind bereits in das Robotersystem eingebunden. Für die Arbeit liegen zwei Microsoft HoloLens 2 vor, zwei HTC Vive Focus sind im Zulauf. Basierend darauf können verschiedene Themen in der Arbeit, je nach Umfang, fokussiert werden:
- Manipulation/Editieren von Roboterbewegungen in der virtuellen Welt
- Implementierung eines Spiels zur Gamification der Reha
- Virtuelle Adaption des Erscheinungsbilds des Roboters, der PatientInnen und der TherapeutInnen
Was wir bieten
- Einblicke in die Mensch-Roboter-Interaktion und Neurorehabilitation
- Lockere Arbeitsathmosphäre
- Flexible Betreuung
- Arbeiten am realen Roboter und mit Mixed Reality Glasses
Was du mitbringst
- Studium der Ingenieursinformatik, Medizininformatik, Informatik, oder ähnliche
- Interesse an Mensch-Roboter-Interaktion
- Vorwissen in Robotik, ROS 2 und/oder Mixed Reality wünschenswert
Automatisierte Bereitstellung von IMBA-Anforderungsprofilerstellung
Die Arbeit wird gemeinsam mit der iqpr – Institut für Qualitätssicherung in Prävention und Rehabilitation GmbH durchgeführt. Die Arbeit kann als externe Arbeit durchgeführt werden.
Die Förderung der Teilhabe am Arbeitsleben von behinderten oder von Behinderung bedrohten Menschen ist in unterschiedlichen Kontexten nach wie vor eingeschränkt. Zum einen mangelt es an der Verfügbarkeit von differenzierten Informationen über Arbeitsanforderungen und -belastungen. Zum anderen ist die Erhebung von Anforderungsprofilen an konkreten Arbeitsplätzen vor Ort mit beträchtlichem Aufwand verbunden. Dies betrifft insbesondere die medizinisch-beruflich orientierte Rehabilitation (MBOR), die arbeitsplatzbezogene muskuloskelettale Rehabilitation (ABMR) und die betriebsmedizinische Versorgung. Alle Verfahren nutzen berufsbezogene Anforderungsprofile zur Ausrichtung der Rehabilitationsziele.
Als Alternative zu klinischen Anforderungsprofilen sollen Profildatenbanken „am grünen Tisch“ entstehen. Qualifizierte Experten sollen auf Basis von Informationen, die öffentlich im Internet verfügbar sind, Anforderungsprofile nach dem IMBA-Verfahren (kurz: Integration von Menschen mit Behinderung in die Arbeitswelt) erstellen. Um den Aufwand für die Informationsbeschaffung zu reduzieren und gleichzeitig eine Standardisierung der Recherche zu erreichen, soll die Informationssammlung automatisiert werden.
Ziel dieser Automatisierung soll sein, Informationen zu verschiedenen Aspekten der IMBA-Anforderungsprofile zu sammeln und aufzubereiten, bspw. zu Arbeitsaufgaben und Teilaufgaben, Arbeitsmitteln, Körperhaltungen, Körperfortbewegungen, Umgebungseinflüssen, Arbeitssicherheit oder psychische, kognitive und soziale Anforderungen. Diese Informationen sollen automatisiert recherchiert, verknüpft und den Hauptkategorien sowie ggf. den Detailmerkmalen zugeordnet werden. Wichtig ist, dass Halluzinationen auf eine Minimum begrenzt sind. Daher sollen auch Ansätze außerhalb von Foundation Models betrachtet werden. Dazu sollen die Quellen automatisiert geprüft oder der Suchraum auf zuverlässige Quellen (z. B. Arbeitsagenturen) begrenzt werden. Die Informationssuche soll für spezifische Berufe, bzw. Berufsspezialisierungen möglich, sein entsprechend des Schlüsselverzeichnisses der Arbeitsagentur.
Deine Aufgaben
- Entwicklung eines Ansatzes zur Datensammlung von Arbeits- und Jobprofilen
- Entwicklung eines KI-basierten Ansatzes zur automatisierten Erzeugung von IMBA-Anforderungsprofilen
- Absicherung der Anforderungsprofile und der in sie einfließenden Daten
Du bietest
- Studium der Ingenieursinformatik, Informatik, Medizininformatik oder ähnliche Studiengänge
- Interesse an Rehabilation
- Interesse an Maschinellem Lernen
- Gute Deutschkenntnisse in Wort und Schrift
Representation of uncertainties with Balanced Neural ODEs
Unsicherheiten begegnen uns überall: in Wettervorhersagen, durch Rundungsfehler im Computer, Bauteiltoleranzen oder Messungenauigkeiten. In Simulationen werden sie jedoch häufig nur am Rande beruecksichtigt.
Die am Lehrstuhl fuer Mechatronik entwickelten Balanced Neural ODEs nutzen Methoden des probabilistischen Machine Learnings, um effizient und robust Ersatzmodelle fuer komplexe physikalische Systeme zu erzeugen. Bisher wird der probabilistische Anteil vor allem eingesetzt, um die Robustheit des Ansatzes zu verbessern. Wie gut sich damit auch Unsicherheiten repraesentieren lassen, wurde bislang jedoch kaum untersucht.
In dieser Arbeit tauchst du tief in die probabilistische Modellierung mit Neural ODEs und Machine Learning ein. Ausgehend von einer Analyse moeglicher Unsicherheitsquellen, etwa Bauteiltoleranzen oder Systemrauschen, untersuchst du gezielt, welche Potenziale Balanced Neural ODEs fuer deren Abbildung bieten. Darauf aufbauend leitest du Empfehlungen fuer ihren Einsatz und ihre Weiterentwicklung ab.
Wenn dich Machine Learning, Simulation und der Umgang mit Unsicherheiten interessieren, bietet dir diese Abschlussarbeit die Gelegenheit, dich intensiv in ein spannendes und aktuelles Thema einzuarbeiten. Komm gerne auf mich zu, wenn du mehr erfahren moechtest.
A state observer for Balanced Neural ODEs validated on real-world data
Die Energiewende stellt uns vor die Herausforderung, flexibel auf die schwankende Erzeugung aus erneuerbaren Quellen zu reagieren. Nötig dafür ist die optimale Steuerung von Energieverbrauchern, z.B. der Wärmeversorgung von Gebäuden zu Zeiten von starker Windkrafterzeugung.
Die Anwendung von modellprädiktiver Regelung ermöglicht es, unter der Berücksichtigung der Dynamik eines Systems eine Optimierung der Stellgrößen zu erreichen. Z.B. würden dann die Wärmepumpen für die Gebäudebeheizung anspringen, wenn eine hohe Produktion erneuerbarer Energien erwartet wird (Emissionsreduktion), während gleichzeitg durch Einbeziehung der Trägheit des Gebäude (modellprädiktive Regelung) ein durchgängig komfortabler Temperaturbereich erreicht wird.
Balanced Neural ODEs können dazu dienen, aus aufgenommenen Messdaten datenbasiert ein Modell für die Dynamik von Systemen herzuleiten. In der Vergangenheit wurden Balanced Neural ODEs jedoch nur für die Modellordnungsreduktion von simulativ erzeuten Daten genutzt. Deshalb ist in diesem Modellierungsframework noch kein Zustandsschätzer für den Startzustand vorhanden. Eine Zustandsschätzung ist für modellprädiktive Regelung jedoch zwingend erforderlich, da die nicht zu vermeidende Abweichung des Systemmodells von dem Realsystem regelmäßig kompensiert werden muss.
In dieser Arbeit soll ein einfacher, auf dem Luenberger-Observer basierender Zustanddschätzer entwickelt werden. Je nach Vorankommen und Interesse kann darüber hinaus auch ein Kalman-Filter (hier bestehen Vorarbeiten) oder ein numerischer Zustandsschätzer (durch eine Optimierung mit dem Ersatzmodell) entwickelt werden und verglichen werden. Zur Validierung des Ansatzes stehen synthetische Daten von Beispielmodellen sowie ein Real-Datensatz aus einem gut untersuchten Bürogebäude zur Verfügung.
Comparison of Data Generation Methods for training of Balanced Neural ODEs
Die Energiewende stellt uns vor die Herausforderung, Energie effizient zu nutzen und flexibel auf die schwankende Erzeugung aus erneuerbaren Quellen zu reagieren. Hochaufgelöste Simulationen physikalischer Systeme (z. B. CFD) sind für die Optimierung dieser Prozesse unverzichtbar – aber oft zu rechenintensiv für den praktischen Einsatz in iterativen Optimierungen. Die Lösung: Model Order Reduction – vereinfachte Ersatzmodelle, die schnell und zuverlässig einsetzbar sind.
Hier setzt das spannende Feld des Scientific Machine Learning an: Statt mühsamer manueller Vereinfachungen ermöglichen Methoden wie Variational Autoencoder (VAE) kombiniert mit Neural Ordinary Differential Equations (Neural ODEs) die automatisierte Ableitung dynamischer Ersatzmodelle. In diesem Projekt untersuchst du das Training solcher Modelle – speziell sogenannter Balanced Neural ODEs, die vielseitig einsetzbar sind, z. B. bei Wärmepumpen oder Kraftwerken.
In dieser Arbeit wirst du dich mit einem Vergleich verschiedener Sampling Verfahren auseinandersetzen. Es geht darum herauszufinden, welche Stellgrößen-Signale(control inputs) sich am besten eignen, das Wärmepumpenmodell abzutasten. Dazu wirst du verschiedene Verfahren implementieren, Experimente durchführen und auswerten.
Wenn du neugierig auf moderne Modellierung, Machine Learning und echte Anwendungsrelevanz bist, ist das dein Projekt! Komm gerne auf mich zu, um mehr zu erfahren.
Investigation of KAN-ODEs
Die Grundlage des modernen Machine Learnings besteht auf Multilayer-Perceptrons (MLP, Neuronale Netzwerke), bei denen Gewichtungsfaktoren im Training so gelernt werden, dass das neuronale Netzwerk den gewünschten Output liefert. Das universelle Approximationstherorem besagt, dass ein neuronales Netz mit dieser Struktur jede kontinuierliche Funktion approximieren kann, wenn es nur groß genug ist. Kolmogorov und Arnold haben ein alternatives Approximationstheorem entwickelt, dass jedoch darauf beruht, dass die Aktivierungsfunktionen im neuronalen Netzwerk gelernt werden, und nicht die Gewichtungsfaktoren.
Schon vor der Veröffentlichung des initialen Papers [1] hat das Thema “Kolmogorov Arnold Networks” (KAN) einen Hype entfacht, mit Versprechungen wie besserer Generalisierungsfähigkeit, vermeiden von katastrophalem Vergessen, höhere Genauigkeit, inbesondere im Bereich physics-informed Neural Networks, und einem geringeren Bedarf an Größe des Netzwerkes. All dies sind Eigenschaften, die grundsätzlich für meine Arbeit, die Entwicklung von schnellen Surrogatmodellen, spannend sind.
In dieser Arbeit soll die Anwendung von KAN zum Lernen von Dynamik als Approximation einer Differentialgleichung untersucht werden (NeuralODEs mit KAN als rechte Seite anstatt MLP). Die Arbeiten [2] und [3] haben dies bereits untersucht und vielversprechende Ergebnisse auf Beispielproblemen erzielt. In dieser Arbeit sollen diese Ergebnisse auf anderen Beispielmodellen repliziert und KAN-ODEs auf andere, technische Datensätze wie den eines Wärmepumpenmodelles angewendet werden.
Wenn du dich dafür interessiert, eine spannende und potenziell sehr vielversprechende Technik des maschinellen Lernens kennenzulernen, ist diese Arbeit etwas für dich!
Literatur
-
Liu, Ziming, Yixuan Wang, Sachin Vaidya, Fabian Ruehle, James Halverson, Marin Soljacic, Thomas Y. Hou und Max Tegmark. 2024. “KAN: Kolmogorov-Arnold Networks”. https://openreview.net/forum?id=Ozo7qJ5vZi (abgerufen am 16. Mai 2025).
-
Koenig, B. C., Kim, S. und Deng, S. 2024. “KAN-ODEs: Kolmogorov-Arnold Network Ordinary Differential Equations for Learning Dynamical Systems and Hidden Physics”. Computer Methods in Applied Mechanics and Engineering 432, 117397. https://doi.org/10.1016/j.cma.2024.117397
-
Liu, W., Bacsa, K., Tang, L. C. und Chatzi, E. 2025. “Structured Kolmogorov-Arnold Neural ODEs for Interpretable Learning and Symbolic Discovery of Nonlinear Dynamics”. arXiv:2506.18339. https://doi.org/10.48550/arXiv.2506.18339
Iterative Data Generation for training of Balanced Neural ODEs
Die Energiewende stellt uns vor die Herausforderung, Energie effizient zu nutzen und flexibel auf die schwankende Erzeugung aus erneuerbaren Quellen zu reagieren. Hochaufgelöste Simulationen physikalischer Systeme (z. B. CFD) sind für die Optimierung dieser Prozesse unverzichtbar – aber oft zu rechenintensiv für den praktischen Einsatz in iterativen Optimierungen. Die Lösung: Model Order Reduction – vereinfachte Ersatzmodelle, die schnell und zuverlässig einsetzbar sind.
Hier setzt das spannende Feld des Scientific Machine Learning an: Statt mühsamer manueller Vereinfachungen ermöglichen Methoden wie Variational Autoencoder (VAE) kombiniert mit Neural Ordinary Differential Equations (Neural ODEs) die automatisierte Ableitung dynamischer Ersatzmodelle. In diesem Projekt untersuchst du das Training solcher Modelle – speziell sogenannter Balanced Neural ODEs, die vielseitig einsetzbar sind, z. B. bei Wärmepumpen oder Kraftwerken.
Ziel dieser Arbeit ist es, eine Ansatz zu iterativen Trainingsdatenerzeugung der Ersatzmodelle zu erzeugen. Spezifisch soll speziell an Stellen, an denen das Ersatzmodell schlecht performet, gezielt zusätzliche Daten erzeugt werden.
Wenn du neugierig auf moderne Modellierung, Machine Learning und echte Anwendungsrelevanz bist, ist das dein Projekt! Komm gerne auf mich zu, um mehr zu erfahren.
Linear Controllers Development for nonlinear models via Koopman Operator
Ein klassisches Prolem in praktischer und simulativer Anwendung ist die Parametrisierung von PID-Reglern. Diese sind notwendig, um Zielgrößen einzuregeln, die von bestimmten Stellgrößen abhängen. Für lineare Systeme besteht eine große Menge regelungstechnischer Theorie, optimale und stabile Regler zu entwickeln. In der Praxis herrschen jedoch nichtlineare Systeme vor, für die, ungeachtet dieser Tatsache, trotzdem versucht wird, klassische Regler anzuwenden, was oft in einem stark iterativen (nervenaufreibendem) Tuning der Reglerparameter resultiert.
Die an unserem Lehrstuhl untersuchten und entwickelten Balanced Neural ODEs (BNODEs) erlauben es, nichtlineare System (approximativ) zu linearisieren. Ziel dieser Arbeit ist es, für einen industrienahen Anwendungsfall (Wärmepumpe) die Entwicklung linearer Regler mithilfe eines durch BNODEs linearisierten Modells zu untersuchen.
Wenn du neugierig auf moderne Modellierung, Machine Learning und echte Anwendungsrelevanz bist, ist das dein Projekt! Komm gerne auf mich zu, um mehr zu erfahren.
Weiterentwicklung der Methodik von Graph Neural Networks
Graph Neural Networks (GNNs) eignen sich hervorragend als Surrogatmodelle für graphbasierte Simulationen, denen komplexe physikalische Phänomene zugrunde liegen. Durch das Lernen lokaler Zusammenhänge können sie auch bei sich ändernden Geometrien oder Topologien des Graphen weiterverwendet werden, ohne dass ein erneutes Training erforderlich ist. In dieser Arbeit soll die Methodik des in unserem Softwarepaket bestehenden GNN-Ansatzes weiterentwickelt werden, um ein schnelleres Training und eine höhere Vorhersagegenauigkeit zu ermöglichen.
Mögliche Schwerpunkte sind die Evaluation der Modellperformance bei variierenden Geometrien, die Untersuchung verschiedener Trainingsstrategien sowie die Integration zusätzlichen physikalischen Wissens.
Die Arbeit richtet sich an Studierende mit Interesse an maschinellem Lernen, der Programmiersprache Julia (oder Python, da viele Parallelen existieren) und aktueller Forschung im Bereich Scientific Machine Learning (SciML).
Weiterentwicklung unserer Softwarepakete für Graph Neural Networks
Die Programmiersprache Julia wächst aktuell stark in ihrer Anwendung sowohl in der Forschung als auch in der Industrie bei großen Unternehmen wie beispielsweise ASML und Bosch. Dabei arbeitet unser Lehrstuhl aktiv an der (Weiter-)entwicklung unser aktuellen Softwarepakete für Julia, besonders im Bereich Graph Neural Networks. Dabei gibt es immer aktuelle Themen die in Angriff genommen werden können um das Paket und die Sprache voranzutreiben.
Dies beinhaltet:
- Entwicklung neuer Funktionen der Pakete
- Mitwirken an Core-Paketen von Julia
- Instandhaltung der aktuellen Software