Ich werde physik-informierte neuronale Netzwerke und mathematische Surrogate aufbauen

Willkommen im Elite-Bereich des physikbeschränkten maschinellen Lernens.

Die meisten Data Scientists erstellen unbeschränkte Black-Box-Modelle, die Erhaltungsgesetze verletzen, bei kinematischen Grenzen versagen und bei Einsatz in realen Systemen zusammenbrechen. Ich schließe die Lücke zwischen komplexer mathematischer Theorie und physikalischem Material, indem ich robuste Physics-Informed Neural Networks (PINNs) und ultraschnelle mathematische Surrogate entwickle.

Was ich für dein Projekt mitbringe:

• Physik-informierte KI: Maßgeschneiderte Verlustfunktion-Formulierungen, die PDEs, ODEs und reale kinematische Beschränkungen abbilden (z.B. Pacejka-Reifen-Dynamik, aerodynamische Grenzschichten).
• Hochleistungs-Ausführung: Trainingsarchitekturen in PyTorch, speziell für hochintegrative Vorhersagen angepasst.
• Edge-fähige Hardware-Implementierung: Kompilieren und Portieren der trainierten Surrogate in zero-allocation, deterministische C++- oder Rust-Schleifen, die für Mikrocontroller (ESP32) und Jetson-Plattformen gebaut sind.

Ob du ein geschlossenes Regelungssystem optimierst, eine digitale Zwilling-Simulation erstellst oder Modelle für sicherheitskritische Hardware trainierst – ich liefere produktionsreife Code mit vollständigen Validierungstests.

Bitte schick mir eine Nachricht mit deinen mathematischen Beschränkungen und Dataset-Parametern