A.J.20 und ich hatten gestern unsere mündliche Prüfung in PAML. Prof. Weeger ist sehr freundlich, fragt eher oberflächlich und lässt einen viel erzählen. Dadurch kann man die Prüfung ganz gut in eine Richtung lenken, die den eigenen Stärken entspricht. Insgesamt war die Prüfungsatmosphere sehr angenehme und die Benotung sehr Fair. Wir empfehlen, die Vorlesungsfolien gründlich mit ChatGPT oder anderen Hilfsmitteln durchzugehen und die Konzepte wirklich zu verstehen. Die Mathematik spielt eine eher untergeordnete Rolle. Sehr hilfreich sind außerdem die Quizfragen auf Moodle sowie die kleinen Testfragen nach jedem Foliensatz: Die zeigen ziemlich klar, ob man die Themen verstanden hat und worauf der Schwerpunkt liegt. Für die Vorbereitung haben wir insgesamt etwa eine Woche Vollzeit investiert. Hier findet ihr unsere Protokolle sowie zusätzlich noch eins von DohunLee :
Mein Protokoll:
• ML Pipeline erklären und wie man in den verschiedenen schritten Physik einbauen kann
• Welches von den in der Vorlesung besprochenen PAML-Modellen ist ihrer Meinung nach am wenigsten vielversprechend ? (ich habe PINNs gesagt)
• PINNs erklären – Allgemein, Vor-& Nachteile, In-& Outputs, Training erklären
• Wie kann man PDE-Lösungen noch bestimmen ? (Habe DEM gesagt)
• Wie kann man hochdimensionale DGL-Systeme effizienter lösen? (ROM oder autoencoder, hier musste ich das allgemeine Vorgehen bei projection-based ROM genauer erklären und im scnhluss Modal-Reduction + POM erörtern)
• Dann hat er mich einige zu Autoencodern gefragt (Wie funktionieren autoencoder, was sind In-& Outputs, wie wird jz die lösung der DGL bestimmt, wie kann man den Prozess — also lösen der DGL — vereinfachen (Ich habe gesagt mit NODEs) --> Ich wurde allgemein am Ende viel zu Autoencoder gefragt, wobei der meiste Teil eher Transfer gewesen ist)
Zusätzlich (allgemeine Fragen):
- Over & Unterfittung erklären
- Was bedeutet Generalisieren
Protokoll von A.J.20 :
1) Welches der PAML-Modelle finden sie persönlich am vielversprechendsten ? Ich habe PANN genannt und dazu wurden mir dann auch mehre Fragen gestelt
• Architektur des PANN-Modells im Fall Hyperelasticity 1D beschreiben
• Welche In- und Outputs
• Er wollte auch die 4 constitutive Condistions hören (Energierhaltung, etc…)
• Wie schaut die Loss-Funktion aus ? (aber nicht formelmäßig)
• Was ist das besondere an diesem Ansatz ?
• Um welche Bedingungen muss man die Formulierung erweitern, wenn wir vom 1D- in den 3D-Fall übergehen?
• Wie unterscheidet sich die Modellierung bei viskoelastischen Materialverhalten im Vergleich zum hyperlastischen 1D-Fall ? (er wollte auf den Dämpfungsterm bzw. die (unbekannte) Dämpfungskonstante hinaus und das diese auch über ein NN gelernt wird)
2) Nennen sie weitere PAML-Modelle, bei denen die Energieerhaltung sichergestellt wird (oder so ähnlich) -> ich habe LNNs und HNNs genannt und sollte dann eins von beiden (hier: LNNS) näher erläutern
• Wieder typische Fragen (Wie schauen die Inputs - & Outputs aus, Vor- und Nachteile)
3) Ein paar kleine Fragen zu NODES wurden gestellt und sollte auch NODES und LNNS vergleichen (hinsichtlich Vor- und Nachteile, etc.)
5) Erklären wie das Training von NN funktioniert (Backpropagation)
6) Stochastic Gradient erklären (mit Vorteilen)
7) Es wurden auch Fragen bzgl. Operator-Learning gestellt
• Grundidee von Operator-Learning
• Welche vier Voraussetzungen sollte ein Operator erfüllen
• Konkretes Beispiel für ein Operato Learning-Modell nennen (habe DeepONet genannt)
• Prinzip, Inputs, Outputs, Vor- und Nachteile von DeepONets nennen
Anhand der ML-Pipeline erklären, an welchen Stellen und wie Physic-awarness eingebracht werden kann
Protokoll von DohunLee :
• LNN & HNN + PINN & PANN (inputs, outputs, ableitungen, wie sieht NN aus, vor-& nachteile, Unterschiede, Anwendung)
• welches PAML modell ist am wenigsten vielversprechend und warum?
• Plot mit Loss und Training & Testdata (over-& underfitting)
• was für methodiken gibt es um overfitting zu vermeiden ? (regularisierung)
• Aufbau vom NN gezeigt und man musste Backpropagation bestimmen + zeigen, wie man die Gradienten bestimmt
Viel Erfolg bei der Vorbereitung.
