Physik-basiertes maschinelles Lernen ist ein neuartiger Ansatz, der etablierte physikalische Prinzipien, insbesondere gewöhnliche und partielle Differentialgleichungen (ODEs/PDEs), mit Methoden des maschinellen Lernens verbindet. Durch die Einbettung physikalischer Gesetze in den Lernprozess können präzisere und robustere Vorhersagen erzielt werden, selbst in komplexen, unsicheren und hochdimensionalen Anwendungsbereichen. Die Kombination verrauschter Daten mit mathematisch-physikalischen Modellen erfolgt dabei typischerweise mithilfe neuronaler Netze, die effiziente Ansätze zur Lösung von Vorwärts- und Inversproblemen ermöglichen. Darüber hinaus erlauben Methoden der numerischen Mathematik die Analyse und Gestaltung geeigneter Netzwerkarchitekturen sowie ein tieferes Verständnis ihrer Eigenschaften. Im Modul analysieren die Teilnehmenden die grundlegenden Konzepte des physik-basierten maschinellen Lernens mit besonderem Fokus auf die numerische Behandlung von Vorwärts- und Inversproblemen, die durch ODEs und PDEs beschrieben werden. Aufbauend auf aktueller Forschungsliteratur werden Anwendungen in unterschiedlichen Bereichen wie Strömungsdynamik, Wärmeübertragung und technischen Systemen untersucht. Ergänzend implementieren die Teilnehmenden in praktischen Übungen physik-basierte Lernalgorithmen für verschiedene mathematische Modellierungsprobleme und vertiefen dadurch ihr theoretisches Wissen anhand konkreter Anwendungen mit Python und modernen Machine-Learning-Frameworks.