你是硕士还是博士生,有兴趣今年夏天在柏林实习吗?
然后学生工业项目的研究生水平研究(GRIPS)可能是适合你的项目!
我们位于柏林祖斯学院(研究校园MODAL),为数学和相关学科的研究生提供了研究行业资助研究问题的机会。(请参阅下面的项目列表。)
该项目将于2024年6月24日至8月16日运行。
G-RIPS是ZIB(研究校园MODAL)和IPAM(加州大学洛杉矶分校纯粹与应用数学研究所)的联合活动。
任务
来自美国和欧洲的学生将在跨文化团队中就工业赞助商设计的三个研究问题工作8周。这些项目将引起赞助商的浓厚兴趣,并将为学生提供激励性的挑战;大多数将涉及分析和计算工作。
要求
符合条件的申请人包括目前就读于欧洲大学的数学、计算机或自然科学领域的硕士和博士生。由于我们通常会收到大量申请,我们不接受以前RIPS或G-RIPS学生的申请。
请提交以下文件:
- 激励函(请说明你对哪个项目感兴趣),
- 简历/简短简历,
- 学术记录或成绩单(可以是非官方的)。
优点
今年,我们提供了以下三个项目。
=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
项目1:风能系统中的流动不稳定性
赞助商:I2DAMO(智能集成数据分析和数学优化)有限公司
项目描述:
动机:整合可再生能源,
例如风力发电,对可持续能源生产至关重要。风力
由多个涡轮机组成的农场面临与尾流相关的挑战
能够显著影响整体效率的交互。流量
不稳定性,例如Kelvin-Helmholtz不稳定性(KHI),a
当两种不同的流体
密度以不同的速度相互流过,可能起到
风电场尾迹形成的关键作用。气流的不稳定性
风力涡轮机周围可能会形成涡流,从而降低
涡轮机。理解和缓解这些不稳定性至关重要
用于优化风电场布局和增强能量提取。
方法:
- 使用CFD模拟模拟单个涡轮机和
求解Navier-Stokes方程的多机风电场 - 分析尾迹特征,包括形成和
通过确定流动位置来演化旋涡
不稳定性的发生及其对风电场功率输出的影响。 - 分析对湍流水平、尾流动力学和下游涡轮机性能的影响。
- 确定最佳涡轮机间距和布局以最小化
不稳定模式导致的损失和最大化风电场效率,
例如,调整涡轮机之间的距离 - 确定涡轮机周围流动的稳定性条件,以防止涡流结构(不稳定性)
预期成果:该项目可以通过减少失稳模式引起的损失和优化涡轮机布局,从而提高风能系统的整体性能和经济可行性,从而为风力涡轮机和风电场布局制定新的设计指南。通过最小化尾流诱导
损失和提高风电场效率,该项目可以减少风能生产对环境的影响。
申请人要求:
- 较强的C/C++或Rust编程技能,用于数值计算、数据分析和绘图
- 熟悉计算工具,如CFD软件或数学建模和数值方法(如FEM或VOF)
- 流体动力学、空气动力学或相关领域背景
- 在书面文件和口头报告中报告发现的出色沟通技巧
- 能够独立工作并作为团队的一部分实现
项目目标、对风能研究的兴趣以及对
学习新概念
=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
项目2:优化基于有限元的光学模拟数值设置的机器学习
赞助商: JCMwave股份有限公司
项目描述:光子学是21世纪的关键使能技术。基于数据的方法在光子和量子技术的发展和应用中发挥着重要作用。在传感器技术和质量控制等领域,
对数据的评估使决策和量化过程成为可能。除了基于模型的测量过程模拟之外,人工智能(AI)方法在这里也变得越来越重要。MODAL NanoLab正在开发高效、误差可控和自适应模拟的方法
光学纳米结构中的光-物质相互作用。有效调整数值模拟的精度设置对于相应模拟结果的保真度和可解释性至关重要。对于基于有限元的模拟,这些设置与网格质量、网格密度、有限元多项式次数有关
ansatz函数和其他参数。该GRIPS项目的目标是研究ML方法,以找到最佳参数设置。这将取代手动调整精度参数的繁重任务。在拟议的MODAL GRIPS2024项目中,参与者将获得商业程序包JCMsuite的实际操作经验,其中包含基于优化器的有限元求解器
贝叶斯形式主义。我们将使用机器学习为实际感兴趣的问题找到最佳JCMsuite执行时间,同时将最终数值结果的期望精度视为优化运行期间的结果约束。这样,我们将完全自动化搜索过程,以获得最佳的有限元精度设置。
要求:
- Python经验
- 对电磁理论和有限元的基本理解
- 对优化算法的基本理解
- 对使用最先进的数字工具感兴趣
=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
项目3:用于分析亚细胞结构的低温电子断层扫描和深度学习
赞助商: 赛默飞世尔科技公司
项目描述:低温电子层析成像(CET)是唯一一种允许直接在亚细胞结构的自然环境中以近原子分辨率观察其三维(3D)信息的成像技术。由于采集过程的一些物理限制,需要识别同一蛋白质的多个实例并求其平均值以揭示其结构,这一过程称为亚层析成像
平均值(STA)。然而,使用现有软件在层析成像数据中对单个大分子的识别以及位置和方向的近似仍然是瓶颈。这是因为注释数据需要大量的用户交互,这是一个耗时且容易出错的过程。最近,使用深度学习(DL)等自动化方法改进了CET图像拥挤细胞环境中的粒子拾取。另一方面,DL需要使用大量带注释的数据进行训练,这在STA的情况下是一个无法克服的障碍。因此,诸如粒子取向近似之类的挑战尚未得到解决。注释问题的一个潜在解决方案是使用模拟层析图免费提供注释。然而,合成样本分布和实际样本分布之间的差异,即域间隙,显著降低了在合成样本上训练的模型的性能
数据和实验数据。为此,在这个项目中,我们将研究基于DL的模型,这些模型可以根据合成数据预测粒子方向。虽然这些模型在未发现的合成试验数据上取得了成功,但在实验数据上的结果仍然很差。因此,我们将研究如何微调预处理模型学习的嵌入特征空间。为此,我们将探索如何实现从模拟数据到实验数据的知识转移,而无需从头开始重新训练整个模型或需要大量带注释的实验数据。
申请人要求:
- 具有Keras和Pytorch等深度学习框架的经验
- 图像处理和计算机视觉的一些知识
- 理想情况下,具备一些3D图像数据和可视化方面的知识
- 对团队合作感兴趣