Ik ontwikkel fysica geïnformeerde neural networks en wetenschappelijke ml-modellen


Over deze dienst
Automatische vertaling
Ik ontwikkel machine learning modellen gebaseerd op fysieke principes en wetenschappelijke nauwkeurigheid, niet black-box benaderingen die blindelings op data worden toegepast.
Mijn achtergrond: BSc-scriptie over Physics-Informed Neural Networks (PINNs) voor X-ray fase-contrast beeldreconstructie aan Universidad de los Andes, en onderzoekservaring in quantum machine learning aan Purdue University (SURF-programma), waar ik een hybride klassiek-quantum systeem ontwikkelde voor het oplossen van differentiaalvergelijkingen toegepast op netbeheer.
Wat ik bouw:
- Physics-Informed Neural Networks (PINNs) voor PDE's en fysieke systemen
- Hybride klassiek-quantum ML-modellen
- Wetenschappelijke data-analyse en verwerkingspijplijnen
- PyTorch en TensorFlow modelontwikkeling
- Numerieke methoden en simulatiepijplijnen
- Regressie, classificatie en anomaliedetectie voor wetenschappelijke datasets
Wat elke levering bevat:
- Schoon, gedocumenteerde Python-code
- Trainingspijplijn met reproduceerbare resultaten
- Validatiemetrics en prestatiediagnose
- README met setup-, gebruiks- en wijzigingsinstructies
Ideale klanten: Onderzoekers, ingenieurs en bedrijven die werken met fysieke systemen, simulatiegegevens, sensorgegevens of elk domein waar de onderliggende fysica of structuur van de
Maak kennis met Sebastian H
Automation and Machine Learning Engineer
- Afkomstig uitColombia
- Lid sindsmei 2026
- Gem. reactietijd1 uur
Talen
Spaans, Engels
Automatische vertaling
Mijn portfolio
Andere AI-development diensten die ik aanbied
Veelgestelde vragen
Automatische vertaling
Wat is een Physics-Informed Neural Network (PINN)?
Een PINN is een neural network dat fysieke wetten (differentiaalvergelijkingen, behoudswetten, randvoorwaarden) direct in de loss-functie tijdens training verwerkt. Dit zorgt voor nauwkeurige voorspellingen, zelfs met beperkte data, omdat het model fysiek consistent wordt gehouden.
Moet ik trainingsgegevens aanleveren?
Het hangt af van de aanpak. PINNs kunnen met minimale gelabelde data werken door gebruik te maken van bekende fysieke vergelijkingen. Voor puur data-gedreven modellen is een dataset nodig. Beschrijf je situatie wanneer je me een bericht stuurt en ik adviseer je de juiste aanpak.
Kun je helpen met problemen buiten fysica, biologie, financiën, engineering?
Ja, zolang er een onderliggende structuur of sturende vergelijkingen zijn die het model kunnen informeren. Stuur me een bericht met de details.
Ontvang ik de broncode?
Ja. Alle opleveringen bevatten schone, gedocumenteerde Python-code die je kunt uitvoeren, aanpassen en uitbreiden.

