diff --git a/topics/_kircher/AD_ready.md b/topics/_kircher/AD_ready.md deleted file mode 100644 index eacf456..0000000 --- a/topics/_kircher/AD_ready.md +++ /dev/null @@ -1,21 +0,0 @@ ---- -lang: de -img_src: assets\kircher\Showroom_1.png -title: Differenzierbarkeit von Nachbarschaftssuche und der Earth Mover's Distance -tags: ["pm", "ma", "fm", "ba"] -date: 2025-12-06 ---- -Im Kontext von Deep Learning und Neuronalen Netzen ist für den Trainingsprozess unerlässlich, dass der Code vollständig differenzierbar ist, um die Gradienten für die Trainingsupdates berechnen zu können. Bei zwei Teilen ist dies aktuell noch nicht so. - -In vorhergegangen studentischen Arbeiten wurde eine GPU-fähige Nachbarschaftssuche und eine Lossfunktion basierend auf der Earth Mover's Distance implementiert. Diese sind in der aktuellen Form nicht differenzierbar. - -Das Ziel der Arbeit ist die Untersuchung, ob einerseits eine differenzierbare Implementierung anhand der bestehenden Modul möglich ist, oder ob andererseits in der Literatur passendere Algorithmen verfügbar sind, die es dann zu implementieren gilt. - -Vorgehen: -- Einarbeitung in die Nachbarsschaftssuche und Earth Mover's Distance -- Überprüfung der Anwendbarkeit von AD und Literaturrecherche -- Implementierung und Testung - -Vorraussetzungen: -- Vorkenntnisse in Julia sind wünschenswert -- Erfahrungen mit NeuralODE und AD sind von großem Vorteil diff --git "a/topics/_kircher/KPI_Spr\303\274hbilder.md" "b/topics/_kircher/KPI_Spr\303\274hbilder.md" deleted file mode 100644 index eb89e0c..0000000 --- "a/topics/_kircher/KPI_Spr\303\274hbilder.md" +++ /dev/null @@ -1,20 +0,0 @@ ---- -lang: de -img_src: assets\kircher\Showroom_1.png -title: Messung von Sprühbildern von Partikelsimulationen -tags: ["sm", "fm", "sb"] -date: 2025-12-06 ---- -Diese studentische Arbeit befasst sich mit der Erfassung von Sprühbildern in Partikelsystemen. - -Eine mögliche Validierung von Düsensimulationen ist die Betrachtung von Sprühbildern. Dafür wird die Masseverteilung in einem gewissen Abstand gemessen und mit realen Daten verglichen. Um dies zu erreichen werden die bereitgestellten Simulationsdaten aufbereitet, um wichtige Größen aus den Partikeldaten abzuleiten. Diesen sollen wiederum den bestehenden Daten hinzugefügt werden und in der Visualisierung ersichtlich sein. - -Vorgehen: -- Recherche von wichtigen KPIs im Zusammenhang mit Oberflächenbenetzung -- Auswahl der Methoden zur Implementierung der KPIs -- Implementierung und Testung -- Einbettung in die Visualisierung - -Vorraussetzungen: -- Vorkenntnisse in Julia sind wünschenswert -- Erste Erfahrungen mit Partikelsimulationen sind von Nutzen \ No newline at end of file diff --git a/topics/_kircher/Multiple_GPU.md b/topics/_kircher/Multiple_GPU.md new file mode 100644 index 0000000..db1c054 --- /dev/null +++ b/topics/_kircher/Multiple_GPU.md @@ -0,0 +1,19 @@ +--- +lang: de +img_src: assets\kircher\Showroom_1.png +title: Multiple GPU Untersuchung +tags: ["ba", "ma", "pm"] +date: 2026-08-31 +--- + +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 diff --git "a/topics/_kircher/Partikelgeneration am D\303\274seneingang.md" "b/topics/_kircher/Partikelgeneration am D\303\274seneingang.md" new file mode 100644 index 0000000..ad61811 --- /dev/null +++ "b/topics/_kircher/Partikelgeneration am D\303\274seneingang.md" @@ -0,0 +1,22 @@ +--- +lang: de +img_src: assets\kircher\Showroom_1.png +title: Implementierung von Partikelquellen für Graph Network Simulators +tags: ["pm", "ma"] +date: 2025-12-06 +--- +Um Partikel in einer Simulation hinzuzufügen, beispielsweise als Wasserstrahl durch eine Düse, gibt in herkömmlichen CFD-Tools viel Ansätze. + +Im Gegensatzu zu dieses Tool fassen wir das Partikelsystem als NeuralODE auf, wodurch sich durch hinzufügen von Partikeln der Zustandraum ändert, was nicht ganz trivial ist und Einfluss auf die Performance hat. + +Die Aufgabe dieser Arbeit ist es die bestehenden Ansätze aus CFD-Tools zu analysieren und in geeigneter Weise auf die Graph Networksimulators anzuwenden. + +Vorgehen: +- Recherche von bestehenden Partikelgenerationsalgorithmen +- Auswahl der Methoden zur Anwendung auf GNS +- Implementierung und Testung +- Laufzeitanalyse und Vergleich der Methoden + +Vorraussetzungen: +- Vorkenntnisse in Julia sind wünschenswert +- Erste Erfahrungen mit Partikelsimulationen sind von Nutzen diff --git a/topics/_kircher/Schedulerstrategien.md b/topics/_kircher/Schedulerstrategien.md new file mode 100644 index 0000000..590374b --- /dev/null +++ b/topics/_kircher/Schedulerstrategien.md @@ -0,0 +1,18 @@ +--- +lang: de +img_src: assets\kircher\Showroom_1.png +title: Vergleich und Implementierungen von verschiedenen Training Schedulern +tags: ["pm", "fm", "ba"] +date: 2026-08-31 +--- + +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 diff --git a/topics/_kircher/Use Cases.md b/topics/_kircher/Use Cases.md new file mode 100644 index 0000000..0a886fe --- /dev/null +++ b/topics/_kircher/Use Cases.md @@ -0,0 +1,19 @@ +--- +lang: de +img_src: assets\kircher\Showroom_1.png +title: Anwendung von GraphNetSim auf weitere Use Cases +tags: ["ba", "ma"] +date: 2026-08-31 +--- + +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