Lehrende: Prof. Dr. rer. nat. Benno Liebchen; Dr. rer. nat. Suvendu Mandal; Dr. rer. nat. Aritra Kumar Mukhopadhyay; M.Sc. Mahdi Nasiri Garabolagh
Veranstaltungsart: Seminar
Orga-Einheit: FB05 Physik
Anzeige im Stundenplan: 05-27-1024-se
Fach:
Anrechenbar für:
Semesterwochenstunden: 2
Unterrichtssprache: Englisch
Min. | Max. Teilnehmerzahl: 3 | 12
Digitale Lehre: Das Seminar findet in Präsenz statt.
Lehrinhalte: Dieses Seminar dient als Einführung in die Physik der aktiven Materie und in Methoden des maschinellen Lernens. Insbesondere ermöglicht das Seminar es den Teilnehmenden, die faszinierende Phänomenologie von Vielteilchensystemen fern des thermodynamischen Gleichgewichts kennenzulernen. Relevante Systeme, die wir im Seminar diskutieren werden, reichen von weicher Materie, die von Mikroschwimmern aus dem Gleichgewicht getrieben werden, bis hin zu Nanorobotern und lebender Materie. Das Seminar eignet sich auch zur Vorbereitung auf die Durchführung von Theorie-, Simulations- oder Machine-learning-basierten Forschungsprojekten (z.B. Masterarbeit) in den Bereichen der Physik der weichen, aktiven und lebenden Materie. Mögliche Themen für Seminarvorträge sind: 1. Living and synthetic active matter 2. Collective behavior of active matter: Motility induced phase separation 3. Deep learning & artificial neural networks for physics 4. Reinforcement learning for steering artificial microswimmers 5. Taxis: how do microswimmers find food and avoid toxins? 6. How do bacteria swim at low Reynolds number? 7. Self-propulsion mechanism of synthetic microswimmers. 8. Smart active particles solving mazes using Q-learning 9. Physics of flocking: large-scale ordered motion of birds 10. Multi-agent reinforcement learning for collective motion and flocking 11. Enhanced active particle tracking through deep learning (DeepTrack v1.0) 12. Pattern formation in active colloids 13. Can we break Newton’s 3rd Law in active systems? 14. Optimal collection - going beyond chemotaxis with deep reinforcement learning
Literatur: Wird im Seminar bekannt gegeben.
Voraussetzungen: Keine; Vorkenntnisse in statistischer Mechanik und grundlegende Programmierkenntnisse sind empfehlenswert. Eventuelle Vorkenntnisse in anderen Bereichen (z.B. stochastische Prozesse, Musterbildung, Theorie partieller Differentialgleichungen oder Hydrodynamik) sind keinesfalls erforderlich, können aber je nach Wahl des Vortragsthemas erweitert und gewinnbringend genutzt werden.
