Thin Film Stress Measurement

Der Kolmogorov-Smirnov Test ist ein statistisches Verfahren, das verwendet wird, um die Übereinstimmung zwischen einer empirischen Verteilung und einer theoretischen Verteilung zu überprüfen oder um zwei empirische Verteilungen miteinander zu vergleichen. Der Test basiert auf der maximalen Differenz zwischen den kumulativen Verteilungsfunktionen (CDF) der beiden Verteilungen. Die Teststatistik wird definiert als:

wobei $F_n(x)$ die empirische Verteilungsfunktion und $F(x)$ die theoretische Verteilungsfunktion ist. Ein hoher Wert von $D$ deutet darauf hin, dass die Daten nicht gut mit der angenommenen Verteilung übereinstimmen. Der Kolmogorov-Smirnov Test ist besonders nützlich, da er keine Annahmen über die spezifische Form der Verteilung macht und sowohl für stetige als auch für diskrete Verteilungen angewendet werden kann.

Superelastische Legierungen sind spezielle Materialien, die in der Lage sind, außergewöhnliche elastische Verformungen zu zeigen, ohne dass es zu dauerhaften Deformationen kommt. Diese Legierungen, häufig auf Basis von Nickel-Titan (NiTi) hergestellt, nutzen den Effekt der martensitischen Transformation, um bei bestimmten Temperaturen und Belastungen ihre Form zu verändern und bei Entlastung wieder zurückzukehren. Sie können sich bis zu 8% ihrer ursprünglichen Länge dehnen, was sie ideal für Anwendungen in der Medizintechnik, wie z.B. bei Stents oder Zahnspangen, macht.

Ein weiteres bemerkenswertes Merkmal ist die Fähigkeit dieser Legierungen, bei Temperaturen unterhalb einer bestimmten Schwelle (der sogenannten Martensit-Temperatur) eine sehr hohe Flexibilität zu zeigen. Diese Eigenschaften machen sie nicht nur für technische Anwendungen attraktiv, sondern auch für den Einsatz in der Luft- und Raumfahrt sowie in der Robotik. Die physikalischen Grundlagen der Superelastizität können durch die Gleichung $\sigma = E \cdot \varepsilon$ beschrieben werden, wobei $\sigma$ die Spannung, $E$ der Elastizitätsmodul und $\varepsilon$ die Dehnung ist.

Few-Shot Learning (FSL) ist ein Teilgebiet des maschinellen Lernens, das darauf abzielt, Modelle zu trainieren, die aus nur wenigen Beispielfällen lernen können. Im Gegensatz zum traditionellen maschinellen Lernen, das große Mengen an gelabelten Daten benötigt, nutzt FSL Techniken, um aus nur einer kleinen Anzahl von Trainingsbeispielen eine gute Leistung zu erzielen. Dies ist besonders hilfreich in Szenarien, in denen das Sammeln von Daten teuer oder zeitaufwendig ist.

Ein häufig verwendeter Ansatz im Few-Shot Learning ist das Konzept des Meta-Lernens, bei dem das Modell lernt, wie es effizient lernen kann, indem es auf früheren Erfahrungen basiert. FSL kann in verschiedenen Anwendungen eingesetzt werden, wie z.B. in der Bildklassifikation, der Spracherkennung oder der Verarbeitung natürlicher Sprache. Die Herausforderung besteht darin, ein Modell zu entwickeln, das generalisieren kann, um auch bei unbekannten Klassen präzise Vorhersagen zu treffen.

Das Adams-Bashforth-Verfahren ist ein numerisches Verfahren zur Lösung gewöhnlicher Differentialgleichungen (ODEs). Es gehört zur Familie der mehrschrittigen Verfahren und wird verwendet, um die Lösung einer Differentialgleichung über diskrete Zeitpunkte zu approximieren. Der Hauptansatz besteht darin, die Ableitung an vorhergehenden Zeitpunkten zu verwenden, um die Lösung an einem aktuellen Zeitpunkt zu schätzen. Die allgemeine Form des Adams-Bashforth-Verfahrens lautet:

Hierbei ist $y_{n}$ der aktuelle Wert, $h$ die Schrittweite, $f(t, y)$ die Funktion, die die Differentialgleichung beschreibt, und $b_j$ sind die Koeffizienten, die von der spezifischen Adams-Bashforth-Ordnung abhängen. Diese Methode ist besonders effektiv, wenn die Funktion $f$ gut definiert und kontinuierlich ist, da sie auf den vorherigen Werten basiert und somit eine gewisse Persistenz in den Berechnungen aufweist.

Die Lyapunov-Direktmethode ist ein zentraler Ansatz zur Analyse der Stabilität dynamischer Systeme. Sie basiert auf der Konstruktion einer geeigneten Lyapunov-Funktion $V(x)$, die positiv definit und abnehmend ist. Eine Funktion ist positiv definit, wenn $V(x) > 0$ für alle $x \neq 0$ und $V(0) = 0$. Um die Stabilität des Gleichgewichtspunkts $x = 0$ zu zeigen, muss die zeitliche Ableitung $\dot{V}(x)$ negativ definit sein, d.h., $\dot{V}(x) < 0$ für alle $x \neq 0$. Wenn diese Bedingungen erfüllt sind, kann man schließen, dass das System asymptotisch stabil ist. Diese Methode ist besonders nützlich, da sie oft ohne die Lösung der dynamischen Gleichungen auskommt und somit effizient für eine Vielzahl von Systemen angewendet werden kann.

Der Lyapunov-Exponent ist ein Maß dafür, wie empfindlich ein dynamisches System auf kleine Änderungen in den Anfangsbedingungen reagiert. Er wird häufig in der Chaosforschung eingesetzt, um die Stabilität und das Verhalten von Systemen zu charakterisieren. Ein positiver Lyapunov-Exponent zeigt an, dass das System chaotisch ist, da kleine Abweichungen in den Anfangsbedingungen zu exponentiell divergierenden Trajektorien führen. Umgekehrt deutet ein negativer Lyapunov-Exponent darauf hin, dass das System stabil ist und Störungen im Laufe der Zeit abklingen. Mathematisch wird der Lyapunov-Exponent $\lambda$ oft durch die Formel

definiert, wobei $d(x_0, t)$ den Abstand zwischen zwei Trajektorien zu einem bestimmten Zeitpunkt $t$ darstellt.