Person

Dr.

Hamed Saidaoui

Ph.D.
Lehrstuhl für Mathematics for Uncertainty Quantification

Adresse

Raum: 159

Pontdriesch 14-16

52062 Aachen

Kontakt

WorkPhone
Telefon: +49 15739694614
 

_

Hamed ist Postdoktorand an der RWTH und arbeitet auf dem Gebiet der physikinformierten neuronalen Netze. Bevor er an die RWTH kam, arbeitete Hamed etwa zweieinhalb Jahre als Postdoc bei der Qatar Foundation (Katar) im "Qatar Environment and Energy Research Institute". Seine Forschung konzentrierte sich hauptsächlich auf die Anwendung von Machine Learning Techniken zur Lösung physikalischer Probleme. Hamed promovierte 2016 an der KAUST in Computational Physics mit dem Titel "Impact of disorder on spin-dependent transport".

 

Forschungsschwerpunkt

Hameds Forschungsschwerpunkt liegt in der Entwicklung effizienter Modelle für maschinelles Lernen zur Lösung komplizierter und anspruchsvoller partieller Differentialgleichungen (PDEs). Letztere sind die wichtigsten Bausteine der meisten wissenschaftlichen und technischen Probleme. Ihre Lösung ist jedoch mit vielen Schwierigkeiten verbunden, die von der mangelnden Genauigkeit klassischer Methoden bis hin zum Fluch der Dimensionalität reichen, der es unmöglich macht, PDEs in höheren Dimensionen zu lösen. Es hat sich gezeigt, dass das maschinelle Lernen mit seinen speziellen Sampling-Techniken den Fluch der Dimensionalität überwinden kann, wobei es jedoch nicht genau genug ist, um mit den klassischen Lösern zu konkurrieren, und manchmal von der Verwendung sehr tiefer und kostspieliger neuronaler Netzarchitekturen abhängig ist. Seine Arbeit besteht darin, die Vorhersagen der auf maschinellem Lernen basierenden Löser in Bezug auf Genauigkeit und Kompliziertheit zu verbessern.

 

Forschungsgebiete

Anwendung des maschinellen Lernens zur Lösung wissenschaftlicher Probleme. Verwendung vorwärtsgerichteter, physikalisch informierter neuronaler Netze zur Lösung partieller Differentialgleichungen. Anwendung rückwärtsgerichteter physikalisch informierter neuronaler Netze zur Ableitung von Parametern von Modellen (und PDEs).

 

Veröffentlichungen