Föreläsningar, relevant lista med artiklar / bokkapitel.
FEL3751 Vetenskaplig maskininlärning för modellering och styrning av dynamiska system 7,5 hp
Antalet komplexa och stora system ökar i takt med de utmaningar vi står inför idag. Traditionella reglerverktyg har ofta begränsad skalbarhet och kräver manuell justering. Det finns ett växande behov av uppdaterade tillvägagångssätt som automatiskt kan hantera design och reglering av sådana system. Vetenskaplig maskininlärning (SciML) är ett framväxande och lovande tillvägagångssätt som överbryggar klyftan mellan datadrivna modeller och traditionella fysiska principer. Genom att integrera maskininlärningsalgoritmer med etablerade fysikaliska lagar och matematiska modeller från vetenskap och teknik, möjliggör SciML skapandet av modeller som är exakta och överensstämmer med ett dynamiskt system samt grundläggande principer som energins och massans bevarande.
Till skillnad från konventionella maskininlärningsmodeller, utnyttjar SciML ytterligare kunskap om fysiska system, vilket ökar tolkbarhet, stabilitet och robusthet. Nyligen har det börjat omforma reglerteorin och erbjuder nya metoder för systemidentifiering, observation och reglering. Denna kurs kommer att ge en introduktion till några SciML-tekniker och dess tillämpning på modellering och reglering av dynamiska system. Den kommer att täcka grunderna, utforska fördelarna jämfört med traditionella tekniker och fokusera på praktiska användningsfall.
Information per kursomgång
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Kursplan som PDF
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan FEL3751 (VT 2025–)Rubriker med innehåll från kursplan FEL3751 (VT 2025–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursupplägg
Kursinnehåll
Part I: Modelling and analysis of dynamical systems
Lecture 1: Course outline. Introduction to SciML.
Lecture 2: Tutorial on using Tensorflow for SciML in Python.
Lecture 3: Learning system's dynamics with SciML.
Lecture 4: Stability analysis.
Part II: Observation and control of dynamical systems.
Lecture 5: Learning-based observer
Lecture 6: Learned Model Predictive Control
Lecture 7: Neural-network controllers
Part III: Advanced topics
Lecture 8: Operators and their applications to dynamical systems.
Lecture 9: Gaussian processes and conclusion.
Lecture 10: Project presentations
(Lecture 11: Project presentations)
Lärandemål
Efter kursen ska studenten kunna:
- Använda SciML-tekniker på klassiska dynamiska system
- Förstå SciML-algoritmer och anpassa dem till speciella fall
- Välja, designa och utveckla en SciML-modell för ett praktiskt reglerproblem
- Kritiskt granska användningen av en SciML-metod i en given tillämpning
Kurslitteratur och förberedelser
Särskild behörighet
Doktorander vid Skolan för elektroteknik och datavetenskap. Extern medverkan efter godkännande av examinator.
Kurslitteratur
Du hittar information om kurslitteratur antingen i kursomgångens kurs-PM eller i kursomgångens kursrum i Canvas.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
P, F
Examination
- TEN1 - Skriftlig tentamen, 7,5 hp, betygsskala: P, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
Övriga krav för slutbetyg
Godkänt betyg baseras på veckovisa hemuppgifter och en slutpresentation. Studenterna kommer att arbeta i grupper med oberoende projekt. Efter varje föreläsning kommer studenterna att få en kodningsuppgift som använder de koncept som utforskats under föreläsningen. Varje student ska lämna in sin uppgift och granska koden och rapporten från de två andra i sin grupp samt ge skriftlig återkoppling och bedömning. Det kommer att finnas 5 hemuppgifter.
Slutprojektets presentation kommer antingen att vara en presentation av de veckovisa resultaten med ett särskilt tillägg om material som inte täckts under kursen, eller en presentation av en artikel som är relaterad till studentens forskningsämne och vetenskaplig maskininlärning.
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.
Ytterligare information
Kursrum i Canvas
Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.
Ges av
Huvudområde
Denna kurs tillhör inget huvudområde.
Utbildningsnivå
Forskarnivå
Övrig information
Inläsning och diskussion kring viktiga forskningsartiklar med anknytning till varje pass.