{"id":858,"date":"2026-07-30T12:22:23","date_gmt":"2026-07-30T12:22:23","guid":{"rendered":"https:\/\/matforge.org\/?p=858","raw":"https:\/\/matforge.org\/?p=858"},"modified":"2026-07-30T12:22:23","modified_gmt":"2026-07-30T12:22:23","slug":"teaching-computational-physics-graduate-students-learning-paths-2","status":"publish","type":"post","link":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/","title":{"rendered":"Unterrichten der Computerphysik: Strukturierte Lernwege f\u00fcr Absolventen","raw":"Unterrichten der Computerphysik: Strukturierte Lernwege f\u00fcr Absolventen"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 7<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>Computerphysik ist keine Nischenf\u00e4higkeit mehr. Es ist eine Kernkompetenz f\u00fcr Hochschulabsolventen. Unabh\u00e4ngig davon, ob Sie Fusionen von Schwarzen L\u00f6chern simulieren oder Phasen\u00fcberg\u00e4nge in Legierungen modellieren, trennt die F\u00e4higkeit, physikalische Gleichungen in Arbeitscode umzuwandeln, produktive Forscher von denen, die Schwierigkeiten haben, die Theorie in Ergebnisse umzuwandeln.<\/p>\n<p>Dieser Leitfaden zeigt einen strukturierten Lernpfad f\u00fcr Doktoranden. Es zeigt, wie man von der Programmierung von Grundlagen zu fortgeschrittenen numerischen Methoden und echter Forschung baut. Der Weg ist in drei fortschrittliche Ebenen unterteilt: grundlegende F\u00e4higkeiten, Kernmethoden und fortgeschrittene Techniken.<\/p>\n<p>Das Framework basiert auf dokumentierten Lehrplanans\u00e4tzen, die an den US-amerikanischen und europ\u00e4ischen Universit\u00e4ten verwendet werden, kombiniert mit Best Practices f\u00fcr das wissenschaftliche Rechnen, die jeder Forscher unabh\u00e4ngig von seiner Spezialisierung anwenden sollte.<\/p>\n<h2>Schl\u00fcssel zum Mitnehmen<\/h2>\n<ul>\n<li>Ger\u00fcstetes Lernen funktioniert. Der strukturierte Verlauf von einfachen zu komplexen Simulationen reduziert Frustration und baut echte Kompetenz auf.<\/li>\n<li>Die computergest\u00fctzte Physikausbildung kann in drei Ebenen unterteilt werden: grundlegende F\u00e4higkeiten, Kernmethoden und fortgeschrittene Forschungstechniken.<\/li>\n<li>Die projektbasierte Bewertung ist st\u00e4rker als die Pr\u00fcfungen, da Portfolio-Einreichungen reale F\u00e4higkeiten zeigen.<\/li>\n<li>Computerkenntnisse sind besch\u00e4ftigungsf\u00e4hig. Programmierkenntnisse, Versionskontrolle und Reproduzierbarkeitspraktiken werden direkt in Branchenrollen \u00fcbertragen.<\/li>\n<li>Die Sch\u00fcler sollten klein anfangen und iterieren. Beginnen Sie mit Jupyter-Notebooks und Python und wechseln Sie dann nur dann zu kompilierten Sprachen, wenn die Leistung dies erfordert.<\/li>\n<\/ul>\n<h2>Wof\u00fcr ist Computerphysik eigentlich?<\/h2>\n<p>Computational Physics ist neben Theorie und Experiment die dritte S\u00e4ule der wissenschaftlichen Entdeckung. Theorie gibt Gleichungen. Experimente zeigen, was in der physischen Welt passiert. Mit der Berechnung k\u00f6nnen Forscher Szenarien erforschen und Theorien in Ma\u00dfst\u00e4ben und Geschwindigkeiten testen, die Theorie oder Experiment allein nicht erreichen k\u00f6nnen.<\/p>\n<p>Das Feld hat die Bachelor- und Graduiertenausbildung ver\u00e4ndert, weil es zwei Dinge gleichzeitig unternimmt. Es lehrt physikalische Konzepte durch praktische Implementierung und lehrt das Programmieren durch konkrete physikalische Probleme, die echte Antworten haben.<\/p>\n<p>Die Sch\u00fcler lernen die Python-Syntax nicht isoliert. Sie lernen, planetarische Umlaufbahnen zu simulieren, die Diffusion zu modellieren und Differentialgleichungen zu l\u00f6sen, w\u00e4hrend sie die Sprache und die Werkzeuge lernen.<\/p>\n<blockquote>\n<p>Wusstest du? Die Partnerschaft zur Integration der Berechnung in die Physik im Grundstudium hat Hunderte von wiederverwendbaren rechnerischen Physikmodulen dokumentiert, die an vielen Universit\u00e4ten verwendet werden. Diese Module reichen von einfachen Bewegungssimulationen bis hin zur relativistischen Astrophysik und unterst\u00fctzen viele strukturierte Lehrpl\u00e4ne.<\/p>\n<\/blockquote>\n<h2>Der dreistufige Lernpfad<\/h2>\n<h3>Stufe 1: Grundfertigkeiten<\/h3>\n<p>Ziel: Vertrauen in die Programmierung und grundlegende physikalische Simulation aufbauen.<\/p>\n<p>Diese Stufe richtet sich an Sch\u00fcler mit wenig oder keiner Programmiererfahrung. Es kann Studienanf\u00e4nger, Studenten im zweiten Studienjahr oder fr\u00fche Absolventen unterst\u00fctzen, die die L\u00fccke zwischen Physikkursen und tats\u00e4chlicher Berechnung schlie\u00dfen m\u00fcssen.<\/p>\n<h4>Was zu lernen<\/h4>\n<ol>\n<li>\n<p>Programmiergrundlagen in Python.<\/p>\n<ul>\n<li>Variablen, Steuerfluss, Funktionen und grundlegende Datenstrukturen.<\/li>\n<li>Jupyter-Notebooks als prim\u00e4re Lernumgebung.<\/li>\n<li>Grundlegende Numpy-Operationen, einschlie\u00dflich Arrays, Broadcasting und Vektorisierung.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Einfache physikalische Simulationen.<\/p>\n<ul>\n<li>Eindimensionale Bewegung mit konstanter Geschwindigkeit.<\/li>\n<li>Bouncing-Ball-Simulationen mit Vpython.<\/li>\n<li>Geschossbewegung mit Schwerkraft und Luftwiderstand.<\/li>\n<li>Numerische Integration mit Euler- und Euler-Cromer-Methoden.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Das wissenschaftliche Python-\u00d6kosystem.<\/p>\n<ul>\n<li>matplotlib f\u00fcr die Visualisierung.<\/li>\n<li>Grundlegende Datei-E \/ A- und Datenverarbeitung.<\/li>\n<li>Grundlagen der Versionskontrolle mit Git und GitHub.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h4>Empfohlene Werkzeuge<\/h4>\n<ul>\n<li>Python als Hauptsprache, weil es zug\u00e4nglich ist, in der Forschung weit verbreitet ist und f\u00fcr viele Probleme auf Absolventenebene ausreichend ist.<\/li>\n<li>Jupyter-Notebooks als Lernumgebung, da sie interaktiv, lesbar und einfach zu teilen sind.<\/li>\n<li>VPython f\u00fcr die 3D-Visualisierung, da Simulationen visuell ansprechend sind.<\/li>\n<li>Git und GitHub f\u00fcr die Versionskontrolle, da sie f\u00fcr Forschungs-Workflows unerl\u00e4sslich sind.<\/li>\n<\/ul>\n<h4>Erste Projekte<\/h4>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Projekt<\/th>\n<th>Physikkonzept<\/th>\n<th>Programmierkonzept<\/th>\n<th>Schwierigkeit<\/th>\n<\/tr>\n<tr>\n<td>Ball in 1d springen<\/td>\n<td>Konstante Geschwindigkeit und Kollisionen<\/td>\n<td>Loops, Conditionals, Grundfunktionen<\/td>\n<td>Anf\u00e4nger<\/td>\n<\/tr>\n<tr>\n<td>Projektilbewegung<\/td>\n<td>Schwerkraft und Kinematik<\/td>\n<td>Funktionen und Parameter-Sweeps<\/td>\n<td>Anf\u00e4nger-Zwischen<\/td>\n<\/tr>\n<tr>\n<td>Variable Beschleunigung<\/td>\n<td>Die Schwerkraft variiert mit der H\u00f6he<\/td>\n<td>Arrays und Vektoroperationen<\/td>\n<td>Anf\u00e4nger-Zwischen<\/td>\n<\/tr>\n<tr>\n<td>Planetenbahnen<\/td>\n<td>Newtons Gesetz der Schwerkraft<\/td>\n<td>Euler-Cromer-Integration und -Stabilit\u00e4t<\/td>\n<td>Zwischen-<\/td>\n<\/tr>\n<tr>\n<td>Erd-Mond-System<\/td>\n<td>N-K\u00f6rper-Gravitationsdynamik<\/td>\n<td>Mehrk\u00f6rpersimulation und Schwerpunkt<\/td>\n<td>Zwischen-<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h4>Empfohlene Lehrb\u00fccher<\/h4>\n<ul>\n<li>Computational Physics: Simulation klassischer und Quantensysteme von Philipp O. J. Scherer. Dies ist eine strenge Referenz mit C ++ &#8211; Beispielen.<\/li>\n<li>Numerische Methoden in der Physik mit Python von Alex Gezerlis. Dies ist eine zug\u00e4ngliche, auf Python ausgerichtete Einf\u00fchrung.<\/li>\n<li>Ein Leitfaden f\u00fcr Sch\u00fcler von Jesse M. Kinder und Philip Nelson f\u00fcr Python f\u00fcr die physische Modellierung. Dies ist eine starke Br\u00fccke zwischen Einf\u00fchrungs- und Zwischenarbeit.<\/li>\n<\/ul>\n<h4>Was die Sch\u00fcler k\u00f6nnen k\u00f6nnen<\/h4>\n<p>Bis zum Ende der Stufe 1 sollten die Sch\u00fcler in der Lage sein:<\/p>\n<ul>\n<li>Schreiben Sie ein Skript, das ein physikalisches System mithilfe der numerischen Integration simuliert.<\/li>\n<li>Visualisieren Sie die Ergebnisse mit matplotlib oder vpython.<\/li>\n<li>Verwenden Sie git, um \u00c4nderungen zu verfolgen und mit Peers zusammenzuarbeiten.<\/li>\n<li>Erkl\u00e4ren Sie den Unterschied zwischen Euler- und Euler-Cromer-Methoden.<\/li>\n<li>Grundlegende numerische Stabilit\u00e4tsprobleme erkennen.<\/li>\n<\/ul>\n<h3>Tier 2: Numerische Kernmethoden<\/h3>\n<p>Ziel: \u00dcbersetzen Sie physikalische Gleichungen in genaue, verifizierte numerische Algorithmen.<\/p>\n<p>Diese Stufe richtet sich an Sch\u00fcler, die bereits \u00fcber grundlegende Programmierkenntnisse verf\u00fcgen, aber die mathematische und algorithmische Tiefe ben\u00f6tigen, die f\u00fcr die Forschung auf Absolventen erforderlich sind.<\/p>\n<h4>Was zu lernen<\/h4>\n<ol>\n<li>\n<p>Erweiterte numerische Methoden.<\/p>\n<ul>\n<li>Gew\u00f6hnliche Differentialgleichungsl\u00f6ser wie Runge-Kutta, Verlet und Leapfrog.<\/li>\n<li>Partielle Differentialgleichungsl\u00f6sungen, einschlie\u00dflich endlicher Differenz- und Kollokationsmethoden.<\/li>\n<li>Grenzwertprobleme mit Schie\u00df- und Entspannungsmethoden.<\/li>\n<li>Eigenwertprobleme, numerische lineare Algebra und Spektralmethoden.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>stochastische Methoden.<\/p>\n<ul>\n<li>Monte-Carlo-Methoden f\u00fcr die statistische Physik.<\/li>\n<li>Simulationen der Molekulardynamik.<\/li>\n<li>Zuf\u00e4llige Spazierg\u00e4nge und Brownsche Bewegung.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Datenanalyse und \u00dcberpr\u00fcfung.<\/p>\n<ul>\n<li>Vergleich von numerischen Ergebnissen mit analytischen L\u00f6sungen.<\/li>\n<li>Konvergenzanalyse und Fehlersch\u00e4tzung.<\/li>\n<li>Leistungsprofilierung mit Tools wie <code>cProfile<\/code> und <code>line_profiler<\/code>.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h4>Empfohlene Werkzeuge<\/h4>\n<ul>\n<li>Scipy f\u00fcr numerische Methoden, Solver, Optimierung und lineare Algebra.<\/li>\n<li>Numpy f\u00fcr Array-Operationen und grundlegende Simulationen.<\/li>\n<li>Sympy f\u00fcr symbolische Berechnungen und analytische Referenzl\u00f6sungen.<\/li>\n<li>Python-Test-Frameworks wie PyTest zur \u00dcberpr\u00fcfung der Korrektheit.<\/li>\n<\/ul>\n<h4>Projekte<\/h4>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Projekt<\/th>\n<th>Verfahren<\/th>\n<th>Physik-Anwendung<\/th>\n<th>\u00dcberpr\u00fcfung<\/th>\n<\/tr>\n<tr>\n<td>Harmonischer Oszillator<\/td>\n<td>Runge-Kutta 4. Ordnung<\/td>\n<td>Klassische Mechanik<\/td>\n<td>Energieeinsparung<\/td>\n<\/tr>\n<tr>\n<td>1D Diffusionsgleichung<\/td>\n<td>endlicher Unterschied, explizit und implizit<\/td>\n<td>W\u00e4rme\u00fcbertragung<\/td>\n<td>Analytische Gau\u00dfsche L\u00f6sung<\/td>\n<\/tr>\n<tr>\n<td>Coulomb Streuung<\/td>\n<td>Monte Carlo<\/td>\n<td>Elektrostatik<\/td>\n<td>Coulombsches Gesetz in gro\u00dfen Entfernungen<\/td>\n<\/tr>\n<tr>\n<td>Teilchen in einer Box<\/td>\n<td>endlicher Unterschied<\/td>\n<td>Quantenmechanik<\/td>\n<td>Energie-Eigenwerte stimmen mit den analytischen Werten \u00fcberein<\/td>\n<\/tr>\n<tr>\n<td>2D-Elastische Kollisionen<\/td>\n<td>Molekulare Dynamik<\/td>\n<td>Statistische Mechanik<\/td>\n<td>Temperatur- und Druckmessungen<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h4>Best Practices f\u00fcr das wissenschaftliche Rechnen<\/h4>\n<p>Auf dieser Ebene sollten die Sch\u00fcler praktische wissenschaftliche Rechengewohnheiten annehmen:<\/p>\n<ul>\n<li>Versionskontrolle alles. Verfolgen Sie Code, Datenverarbeitungsskripts und Skripte zur Abbildung der Figuren.<\/li>\n<li>Schreiben Sie modularen Code. Funktionen sollten klare Eingaben, Ausgaben und Verantwortlichkeiten haben.<\/li>\n<li>Verwenden Sie Tests. Stellen Sie sicher, dass Optimierungen die numerischen Ergebnisse nicht beeintr\u00e4chtigen.<\/li>\n<li>Dokumentenskripte. Jedes Skript sollte erkl\u00e4ren, was es tut und wie es ausgef\u00fchrt wird.<\/li>\n<li>Daten sorgf\u00e4ltig verwalten. Trennen Sie Rohdaten, Zwischenergebnisse und endg\u00fcltige Zahlen in klare Verzeichnisse.<\/li>\n<\/ul>\n<blockquote>\n<p>Was die meisten Sch\u00fcler falsch machen: Die Sch\u00fcler schreiben oft monolithische Skripte, die von Anfang bis Ende ohne Struktur ausgef\u00fchrt werden. Die Gewohnheit, Code in Funktionen zu zerlegen, sollte fr\u00fchzeitig verst\u00e4rkt werden, da er reproduzierbare Forschung und Zusammenarbeit unterst\u00fctzt.<\/p>\n<\/blockquote>\n<h4>Entscheidungsrahmen: Wann welche Methode anzuwenden ist<\/h4>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Problemtyp<\/th>\n<th>Erster Ansatz<\/th>\n<th>Wann upgraden<\/th>\n<\/tr>\n<tr>\n<td>Einfache Ode<\/td>\n<td>Euler oder RK4<\/td>\n<td>Verwenden Sie implizite Methoden f\u00fcr steife Gleichungen<\/td>\n<\/tr>\n<tr>\n<td>Lineare PDE<\/td>\n<td>endlicher Unterschied<\/td>\n<td>Finite-Elemente-Methoden f\u00fcr unregelm\u00e4\u00dfige Geometrie verwenden<\/td>\n<\/tr>\n<tr>\n<td>Stochastischer Prozess<\/td>\n<td>Monte Carlo<\/td>\n<td>Verwenden Sie eine wichtige Stichprobe, wenn eine Varianzreduzierung erforderlich ist<\/td>\n<\/tr>\n<tr>\n<td>Gro\u00dfer Datensatz<\/td>\n<td>Numpy-Arrays<\/td>\n<td>Verwenden Sie Speicherzuordnung oder sp\u00e4rliche Formate, wenn der Speicher begrenzt wird<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h3>Stufe 3: Fortgeschrittene Techniken und Forschung<\/h3>\n<p>Ziel: Rechenmethoden auf ungel\u00f6ste Forschungsprobleme anwenden.<\/p>\n<p>Diese Stufe schlie\u00dft die L\u00fccke zwischen Kursarbeit und Graduiertenforschung. Die Studierenden arbeiten an offenen Problemen, die einer echten Forschung in ihrem Fach \u00e4hneln.<\/p>\n<h4>Was zu lernen<\/h4>\n<ol>\n<li>\n<p>Hochleistungs-Computing.<\/p>\n<ul>\n<li>Dom\u00e4nenzerlegung f\u00fcr parallele Simulationen.<\/li>\n<li>MPI f\u00fcr verteilten Speicher.<\/li>\n<li>GPU-Beschleunigung mit Cupy oder Numba CUDA.<\/li>\n<li>Skalierungsanalyse, einschlie\u00dflich Amdahls Gesetz und schwacher oder starker Skalierung.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>fortgeschrittene Diskretisierungsmethoden.<\/p>\n<ul>\n<li>Finite Volume-Methoden mit Tools wie FIPY.<\/li>\n<li>Finite-Elemente-Methoden mit Tools wie Fenics und Deal.ii.<\/li>\n<li>Spektrale Methoden f\u00fcr hochgenaue L\u00f6sungen.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Maschinelles Lernen in der Physik.<\/p>\n<ul>\n<li>Physikinformierte neuronale Netzwerke zur PDE-L\u00f6sung.<\/li>\n<li>Ersatzmodelle f\u00fcr teure Simulationen.<\/li>\n<li>Unsicherheitsquantifizierung mit Polynom-Chaos.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Arbeitsablauf.<\/p>\n<ul>\n<li>Reproduzierbare Forschungspipelines.<\/li>\n<li>Jupyter-Notizb\u00fccher f\u00fcr rechnerische Aufs\u00e4tze.<\/li>\n<li>Publikationsf\u00e4hige Visualisierung und Datenpr\u00e4sentation.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h4>Empfohlene Frameworks<\/h4>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Rahmen<\/th>\n<th>am besten f\u00fcr<\/th>\n<th>Referenz<\/th>\n<\/tr>\n<tr>\n<td>FIPY<\/td>\n<td>Finite-Volumen-Methoden, PDEs, Phasenfeldmodellierung<\/td>\n<td><a href=\"https:\/\/pages.nist.gov\/fipy\/\">FIPY-Dokumente<\/a><\/td>\n<\/tr>\n<tr>\n<td>Fenics<\/td>\n<td>Finite-Elemente-Methoden und automatisierte Codegenerierung<\/td>\n<td><a href=\"https:\/\/fenicsproject.org\/\">Fenics-Dokumente<\/a><\/td>\n<\/tr>\n<tr>\n<td>Pr\u00e4zise<\/td>\n<td>Multiphysik-Kopplung<\/td>\n<td><a href=\"https:\/\/precice.org\/\">Precice Docs<\/a><\/td>\n<\/tr>\n<tr>\n<td>Cupy<\/td>\n<td>GPU-beschleunigte Workflows im Numpy-Stil<\/td>\n<td><a href=\"https:\/\/cupy.dev\/\">Cupy-Dokumente<\/a><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h4>Capstone-Projekte<\/h4>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Projekt<\/th>\n<th>Ebene<\/th>\n<th>Forschungsrelevanz<\/th>\n<\/tr>\n<tr>\n<td>Bin\u00e4re Schwarze-Loch-Fusion<\/td>\n<td>Fortgeschritten<\/td>\n<td>Gravitationswellenmodellierung<\/td>\n<\/tr>\n<tr>\n<td>Molekulare Dynamik der Proteinfaltung<\/td>\n<td>Fortgeschritten<\/td>\n<td>Biophysik und Materialwissenschaft<\/td>\n<\/tr>\n<tr>\n<td>Turbulente Str\u00f6mungssimulation<\/td>\n<td>Fortgeschritten<\/td>\n<td>Rechnerische Fluiddynamik<\/td>\n<\/tr>\n<tr>\n<td>Neuraler Netz-Surrogat f\u00fcr DFT<\/td>\n<td>Fortgeschritten<\/td>\n<td>Wissenschaftliches maschinelles Lernen und Unsicherheitsquantifizierung<\/td>\n<\/tr>\n<tr>\n<td>Adaptive Netzverfeinerung f\u00fcr St\u00f6\u00dfe<\/td>\n<td>mittelschwer<\/td>\n<td>Numerische Methoden und rechnerische Fluiddynamik<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h4>Wie Forschung aussieht<\/h4>\n<p>Ein typisches computergest\u00fctztes Physik-Projekt folgt dieser Struktur:<\/p>\n<ol>\n<li>Problemformulierung. \u00dcbersetzen Sie das physikalische Problem in mathematische Gleichungen.<\/li>\n<li>Diskretisierung. W\u00e4hlen Sie eine geeignete numerische Methode wie FDM-, FEM-, FVM- oder Spektralmethoden.<\/li>\n<li>Umsetzung Schreiben Sie Code und \u00fcberpr\u00fcfen Sie ihn anhand bekannter L\u00f6sungen.<\/li>\n<li>Validierung. F\u00fchren Sie Konvergenztests durch und vergleichen Sie die Ergebnisse mit Experimenten oder Theorie.<\/li>\n<li>Produktion l\u00e4uft. F\u00fchren Sie Parameter-Sweeps oder statistische Stichproben aus.<\/li>\n<li>Analyse. Daten reduzieren, Ergebnisse visualisieren und Fehler charakterisieren.<\/li>\n<li>Schreiben Erstellen Sie einen rechnerischen Aufsatz oder ein Manuskript mit einem reproduzierbaren Workflow.<\/li>\n<\/ol>\n<h2>Der Win-Day-One-Ansatz<\/h2>\n<p>Eine Lehrmethode, die auf der Ebene der Absolventen gut funktioniert, ist der Win-Day-One-Ansatz. Anstatt die Syntax isoliert zu unterrichten und sie erst sp\u00e4ter auf physikalische Probleme anzuwenden, taucht diese Methode die Sch\u00fcler in den Arbeitscode im Forschungsstil ab dem ersten Tag ein.<\/p>\n<p>So funktioniert es:<\/p>\n<ol>\n<li>Die Sch\u00fcler erhalten ein kurzes Code-Snippet, das eine vollst\u00e4ndige Simulation ausf\u00fchrt.<\/li>\n<li>Sie f\u00fchren es aus, sehen die Ergebnisse und verstehen den gesamten Workflow.<\/li>\n<li>Der Ausbilder geht durch jeden Teil des Codes und erkl\u00e4rt, was er tut und warum.<\/li>\n<li>Die Sch\u00fcler \u00e4ndern den Code, um neue Szenarien zu erkunden.<\/li>\n<li>Sie lernen die zugrunde liegenden Konzepte eher im Kontext als in der Abstraktion.<\/li>\n<\/ol>\n<p>Dies spiegelt die reale Erfahrung wider, einem Forschungslabor beizutreten, Code zu erben und zu lernen, wie man ihn versteht und erweitert.<\/p>\n<h2>Was nicht zu tun ist: H\u00e4ufige Fehler bei Studenten<\/h2>\n<p>Mehrere Fehler treten h\u00e4ufig beim Lernen der Computerphysik auf:<\/p>\n<ol>\n<li>Versionskontrolle \u00fcberspringen. Wenn Sie \u00c4nderungen nicht verfolgen, k\u00f6nnen Sie die Arbeit verlieren oder die F\u00e4higkeit, Ergebnisse zu rekonstruieren.<\/li>\n<li>Hardcoding-Parameter. Setzen Sie Simulationsparameter in eine Konfigurationsdatei ein, damit Parameter-Sweeps einfacher ausgef\u00fchrt und reproduziert werden k\u00f6nnen.<\/li>\n<li>numerische Stabilit\u00e4t ignorieren. Ein kleinerer Zeitschritt ist nicht nur genauer. Es kann der Unterschied zwischen einer stabilen und einer divergierenden L\u00f6sung sein.<\/li>\n<li>Profiling zu sp\u00e4t. Profil vor der Optimierung. Identifizieren Sie den echten Engpass, bevor Sie Korrekturen anwenden.<\/li>\n<li>Keine Tests haben. Ohne numerische \u00dcberpr\u00fcfung k\u00f6nnen Sie den Ergebnissen nicht vertrauen. Vergleichen Sie nach M\u00f6glichkeit mit analytischen L\u00f6sungen.<\/li>\n<li>\u00dcberkomplizieren der Methode. Eine einfache Finite-Differenz-Methode, die richtig gel\u00f6st wurde, ist besser als eine raffinierte Methode, die falsch gel\u00f6st wurde.<\/li>\n<\/ol>\n<h2>\u00dcberbr\u00fcckungstheorie und Umsetzung<\/h2>\n<p>Die L\u00fccke zwischen physikalischen Gleichungen und Arbeitssimulationen ist der Ort, an dem viele Sch\u00fcler k\u00e4mpfen. Ein praktischer Workflow kann dazu beitragen, es zu \u00fcberbr\u00fccken.<\/p>\n<p>Schritt 1: Schreiben Sie die Gleichungen klar.<\/p>\n<pre><code>\u2202u\/\u2202t = \u03b1 \u2202\u00b2u\/\u2202x\u00b2  (1D diffusion equation)\n<\/code><\/pre>\n<p>Schritt 2: W\u00e4hlen Sie eine Diskretisierung.<\/p>\n<pre><code>(u[i,n+1] - u[i,n]) \/ \u0394t = \u03b1 * (u[i+1,n] - 2*u[i,n] + u[i-1,n]) \/ \u0394x\u00b2\n<\/code><\/pre>\n<p>Schritt 3: Implementieren Sie die Methode im Code.<\/p>\n<pre><code class=\"language-python\"># 1D diffusion solver\nfor n in range(time_steps):\n    for i in range(1, N-1):\n        u_new[i] = u[i] + alpha * dt \/ dx**2 * (\n            u[i+1] - 2*u[i] + u[i-1]\n        )\n    u = u_new  # Advance in time\n<\/code><\/pre>\n<p>Schritt 4: Verifizieren Sie anhand einer analytischen L\u00f6sung.<\/p>\n<pre><code class=\"language-python\"># Compare with exact solution\nanalytical = exact_solution(x, t)\nerror = np.abs(u - analytical)\nprint(f\"Max error: {np.max(error):.2e}\")\n<\/code><\/pre>\n<p>Dieses vierstufige Muster &#8211; Gleichungen, Diskretisierung, Implementierung, \u00dcberpr\u00fcfung &#8211; sollte der Standard-Workflow f\u00fcr jede Simulation werden, die ein Doktorand schreibt.<\/p>\n<h2>Verwandte Anleitungen<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/from-equations-to-simulations-the-modeling-pipeline\/\"> Von Gleichungen zu Simulationen: Die Modellierungspipeline <\/a> &#8211; Wie physikalische Gleichungen zum Arbeitscode werden.<\/li>\n<li><a href=\"https:\/\/matforge.org\/understanding-fipys-core-architecture\/\">Die Kernarchitektur von FIPY <\/a> &#8211; Die Finite-Volumen-Methode in Python.<\/li>\n<li><a href=\"https:\/\/matforge.org\/solving-diffusion-equations-with-fipy\/\">L\u00f6sen von Diffusionsgleichungen mit FIPY <\/a> &#8211; Praktisches Tutorial zu W\u00e4rme\u00fcbertragungssimulationen.<\/li>\n<li><a href=\"https:\/\/matforge.org\/managing-large-scale-pde-problems-strategies-solvers-and-hpc-case-studies\/\">Verwalten von PDE-Problemen im gro\u00dfen Ma\u00dfstab<\/a> \u2014 Skalieren der Computerphysik HPC.<\/li>\n<li><a href=\"https:\/\/matforge.org\/what-is-fipy-and-when-should-you-use-it\/\">Was ist FIPY und wann sollten Sie es verwenden? <\/a> &#8211; Framework-Vergleichshandbuch.<\/li>\n<\/ul>\n<h2>Zusammenfassung und n\u00e4chste Schritte<\/h2>\n<p>Der Lernpfad f\u00fcr die Computerphysik folgt einem dreistufigen Fortschritt:<\/p>\n<ol>\n<li>Fundament Lernen Sie Python, grundlegende Simulationen und wissenschaftliche Computerwerkzeuge.<\/li>\n<li>Kernmethoden. Erstellen Sie numerische L\u00f6ser, \u00fcberpr\u00fcfen Sie sie anhand von analytischen L\u00f6sungen und \u00fcbernehmen Sie Best Practices.<\/li>\n<li>Forschung Wenden Sie Methoden auf ungel\u00f6ste Probleme an, verwenden Sie HPC und erkunden Sie maschinelles Lernen.<\/li>\n<\/ol>\n<p>Die wesentlichen Erkenntnisse aus dokumentierten Lehrpl\u00e4nen sind, dass ger\u00fcstete, projektbasierte Lernarbeiten. Die Sch\u00fcler k\u00f6nnen durch eine strukturierte Sequenz, in der jedes Projekt auf dem letzten aufbaut, von Bouncing-Ball-Simulationen zu fortgeschrittenen Forschungsproblemen \u00fcbergehen.<\/p>\n<p>Die Portfoliobewertung kann n\u00fctzlicher sein als Pr\u00fcfungen, da sie tats\u00e4chliche Kompetenz zeigt und ein professionelles Schaufenster schafft.<\/p>\n<p>Beginnen Sie f\u00fcr Doktoranden mit Jupyter-Notebooks und Python, bearbeiten Sie eine strukturierte Abfolge von Projekten und \u00fcbernehmen Sie die Versionskontrolle vom ersten Tag an. Computational Skills unterst\u00fctzt Forschungskarrieren und kann auch T\u00fcren zu Branchenrollen in den Bereichen Data Science, Quantitative Finance und Software Engineering \u00f6ffnen.<\/p>\n<p>Betrachten Sie f\u00fcr P\u00e4dagogen den Win-Day-One-Ansatz, verwenden Sie rechnerische Aufs\u00e4tze als Bewertung und arbeiten Sie mit Gleichaltrigen \u00fcber Ressourcen wie PICUP und Software Carpentry zusammen. Computational Physics sollte eine Kernkomponente der naturwissenschaftlichen Ausbildung sein, nicht nur ein optionales Wahlfach.<\/p>\n","protected":false,"raw":"<p>Computerphysik ist keine Nischenf\u00e4higkeit mehr. Es ist eine Kernkompetenz f\u00fcr Hochschulabsolventen. Unabh\u00e4ngig davon, ob Sie Fusionen von Schwarzen L\u00f6chern simulieren oder Phasen\u00fcberg\u00e4nge in Legierungen modellieren, trennt die F\u00e4higkeit, physikalische Gleichungen in Arbeitscode umzuwandeln, produktive Forscher von denen, die Schwierigkeiten haben, die Theorie in Ergebnisse umzuwandeln.<\/p>\n<p>Dieser Leitfaden zeigt einen strukturierten Lernpfad f\u00fcr Doktoranden. Es zeigt, wie man von der Programmierung von Grundlagen zu fortgeschrittenen numerischen Methoden und echter Forschung baut. Der Weg ist in drei fortschrittliche Ebenen unterteilt: grundlegende F\u00e4higkeiten, Kernmethoden und fortgeschrittene Techniken.<\/p>\n<p>Das Framework basiert auf dokumentierten Lehrplanans\u00e4tzen, die an den US-amerikanischen und europ\u00e4ischen Universit\u00e4ten verwendet werden, kombiniert mit Best Practices f\u00fcr das wissenschaftliche Rechnen, die jeder Forscher unabh\u00e4ngig von seiner Spezialisierung anwenden sollte.<\/p>\n<h2>Schl\u00fcssel zum Mitnehmen<\/h2>\n<ul>\n<li>Ger\u00fcstetes Lernen funktioniert. Der strukturierte Verlauf von einfachen zu komplexen Simulationen reduziert Frustration und baut echte Kompetenz auf.<\/li>\n<li>Die computergest\u00fctzte Physikausbildung kann in drei Ebenen unterteilt werden: grundlegende F\u00e4higkeiten, Kernmethoden und fortgeschrittene Forschungstechniken.<\/li>\n<li>Die projektbasierte Bewertung ist st\u00e4rker als die Pr\u00fcfungen, da Portfolio-Einreichungen reale F\u00e4higkeiten zeigen.<\/li>\n<li>Computerkenntnisse sind besch\u00e4ftigungsf\u00e4hig. Programmierkenntnisse, Versionskontrolle und Reproduzierbarkeitspraktiken werden direkt in Branchenrollen \u00fcbertragen.<\/li>\n<li>Die Sch\u00fcler sollten klein anfangen und iterieren. Beginnen Sie mit Jupyter-Notebooks und Python und wechseln Sie dann nur dann zu kompilierten Sprachen, wenn die Leistung dies erfordert.<\/li>\n<\/ul>\n<h2>Wof\u00fcr ist Computerphysik eigentlich?<\/h2>\n<p>Computational Physics ist neben Theorie und Experiment die dritte S\u00e4ule der wissenschaftlichen Entdeckung. Theorie gibt Gleichungen. Experimente zeigen, was in der physischen Welt passiert. Mit der Berechnung k\u00f6nnen Forscher Szenarien erforschen und Theorien in Ma\u00dfst\u00e4ben und Geschwindigkeiten testen, die Theorie oder Experiment allein nicht erreichen k\u00f6nnen.<\/p>\n<p>Das Feld hat die Bachelor- und Graduiertenausbildung ver\u00e4ndert, weil es zwei Dinge gleichzeitig unternimmt. Es lehrt physikalische Konzepte durch praktische Implementierung und lehrt das Programmieren durch konkrete physikalische Probleme, die echte Antworten haben.<\/p>\n<p>Die Sch\u00fcler lernen die Python-Syntax nicht isoliert. Sie lernen, planetarische Umlaufbahnen zu simulieren, die Diffusion zu modellieren und Differentialgleichungen zu l\u00f6sen, w\u00e4hrend sie die Sprache und die Werkzeuge lernen.<\/p>\n<blockquote>\n<p>Wusstest du? Die Partnerschaft zur Integration der Berechnung in die Physik im Grundstudium hat Hunderte von wiederverwendbaren rechnerischen Physikmodulen dokumentiert, die an vielen Universit\u00e4ten verwendet werden. Diese Module reichen von einfachen Bewegungssimulationen bis hin zur relativistischen Astrophysik und unterst\u00fctzen viele strukturierte Lehrpl\u00e4ne.<\/p>\n<\/blockquote>\n<h2>Der dreistufige Lernpfad<\/h2>\n<h3>Stufe 1: Grundfertigkeiten<\/h3>\n<p>Ziel: Vertrauen in die Programmierung und grundlegende physikalische Simulation aufbauen.<\/p>\n<p>Diese Stufe richtet sich an Sch\u00fcler mit wenig oder keiner Programmiererfahrung. Es kann Studienanf\u00e4nger, Studenten im zweiten Studienjahr oder fr\u00fche Absolventen unterst\u00fctzen, die die L\u00fccke zwischen Physikkursen und tats\u00e4chlicher Berechnung schlie\u00dfen m\u00fcssen.<\/p>\n<h4>Was zu lernen<\/h4>\n<ol>\n<li>\n<p>Programmiergrundlagen in Python.<\/p>\n<ul>\n<li>Variablen, Steuerfluss, Funktionen und grundlegende Datenstrukturen.<\/li>\n<li>Jupyter-Notebooks als prim\u00e4re Lernumgebung.<\/li>\n<li>Grundlegende Numpy-Operationen, einschlie\u00dflich Arrays, Broadcasting und Vektorisierung.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Einfache physikalische Simulationen.<\/p>\n<ul>\n<li>Eindimensionale Bewegung mit konstanter Geschwindigkeit.<\/li>\n<li>Bouncing-Ball-Simulationen mit Vpython.<\/li>\n<li>Geschossbewegung mit Schwerkraft und Luftwiderstand.<\/li>\n<li>Numerische Integration mit Euler- und Euler-Cromer-Methoden.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Das wissenschaftliche Python-\u00d6kosystem.<\/p>\n<ul>\n<li>matplotlib f\u00fcr die Visualisierung.<\/li>\n<li>Grundlegende Datei-E \/ A- und Datenverarbeitung.<\/li>\n<li>Grundlagen der Versionskontrolle mit Git und GitHub.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h4>Empfohlene Werkzeuge<\/h4>\n<ul>\n<li>Python als Hauptsprache, weil es zug\u00e4nglich ist, in der Forschung weit verbreitet ist und f\u00fcr viele Probleme auf Absolventenebene ausreichend ist.<\/li>\n<li>Jupyter-Notebooks als Lernumgebung, da sie interaktiv, lesbar und einfach zu teilen sind.<\/li>\n<li>VPython f\u00fcr die 3D-Visualisierung, da Simulationen visuell ansprechend sind.<\/li>\n<li>Git und GitHub f\u00fcr die Versionskontrolle, da sie f\u00fcr Forschungs-Workflows unerl\u00e4sslich sind.<\/li>\n<\/ul>\n<h4>Erste Projekte<\/h4>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Projekt<\/th>\n<th>Physikkonzept<\/th>\n<th>Programmierkonzept<\/th>\n<th>Schwierigkeit<\/th>\n<\/tr>\n<tr>\n<td>Ball in 1d springen<\/td>\n<td>Konstante Geschwindigkeit und Kollisionen<\/td>\n<td>Loops, Conditionals, Grundfunktionen<\/td>\n<td>Anf\u00e4nger<\/td>\n<\/tr>\n<tr>\n<td>Projektilbewegung<\/td>\n<td>Schwerkraft und Kinematik<\/td>\n<td>Funktionen und Parameter-Sweeps<\/td>\n<td>Anf\u00e4nger-Zwischen<\/td>\n<\/tr>\n<tr>\n<td>Variable Beschleunigung<\/td>\n<td>Die Schwerkraft variiert mit der H\u00f6he<\/td>\n<td>Arrays und Vektoroperationen<\/td>\n<td>Anf\u00e4nger-Zwischen<\/td>\n<\/tr>\n<tr>\n<td>Planetenbahnen<\/td>\n<td>Newtons Gesetz der Schwerkraft<\/td>\n<td>Euler-Cromer-Integration und -Stabilit\u00e4t<\/td>\n<td>Zwischen-<\/td>\n<\/tr>\n<tr>\n<td>Erd-Mond-System<\/td>\n<td>N-K\u00f6rper-Gravitationsdynamik<\/td>\n<td>Mehrk\u00f6rpersimulation und Schwerpunkt<\/td>\n<td>Zwischen-<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h4>Empfohlene Lehrb\u00fccher<\/h4>\n<ul>\n<li>Computational Physics: Simulation klassischer und Quantensysteme von Philipp O. J. Scherer. Dies ist eine strenge Referenz mit C ++ - Beispielen.<\/li>\n<li>Numerische Methoden in der Physik mit Python von Alex Gezerlis. Dies ist eine zug\u00e4ngliche, auf Python ausgerichtete Einf\u00fchrung.<\/li>\n<li>Ein Leitfaden f\u00fcr Sch\u00fcler von Jesse M. Kinder und Philip Nelson f\u00fcr Python f\u00fcr die physische Modellierung. Dies ist eine starke Br\u00fccke zwischen Einf\u00fchrungs- und Zwischenarbeit.<\/li>\n<\/ul>\n<h4>Was die Sch\u00fcler k\u00f6nnen k\u00f6nnen<\/h4>\n<p>Bis zum Ende der Stufe 1 sollten die Sch\u00fcler in der Lage sein:<\/p>\n<ul>\n<li>Schreiben Sie ein Skript, das ein physikalisches System mithilfe der numerischen Integration simuliert.<\/li>\n<li>Visualisieren Sie die Ergebnisse mit matplotlib oder vpython.<\/li>\n<li>Verwenden Sie git, um \u00c4nderungen zu verfolgen und mit Peers zusammenzuarbeiten.<\/li>\n<li>Erkl\u00e4ren Sie den Unterschied zwischen Euler- und Euler-Cromer-Methoden.<\/li>\n<li>Grundlegende numerische Stabilit\u00e4tsprobleme erkennen.<\/li>\n<\/ul>\n<h3>Tier 2: Numerische Kernmethoden<\/h3>\n<p>Ziel: \u00dcbersetzen Sie physikalische Gleichungen in genaue, verifizierte numerische Algorithmen.<\/p>\n<p>Diese Stufe richtet sich an Sch\u00fcler, die bereits \u00fcber grundlegende Programmierkenntnisse verf\u00fcgen, aber die mathematische und algorithmische Tiefe ben\u00f6tigen, die f\u00fcr die Forschung auf Absolventen erforderlich sind.<\/p>\n<h4>Was zu lernen<\/h4>\n<ol>\n<li>\n<p>Erweiterte numerische Methoden.<\/p>\n<ul>\n<li>Gew\u00f6hnliche Differentialgleichungsl\u00f6ser wie Runge-Kutta, Verlet und Leapfrog.<\/li>\n<li>Partielle Differentialgleichungsl\u00f6sungen, einschlie\u00dflich endlicher Differenz- und Kollokationsmethoden.<\/li>\n<li>Grenzwertprobleme mit Schie\u00df- und Entspannungsmethoden.<\/li>\n<li>Eigenwertprobleme, numerische lineare Algebra und Spektralmethoden.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>stochastische Methoden.<\/p>\n<ul>\n<li>Monte-Carlo-Methoden f\u00fcr die statistische Physik.<\/li>\n<li>Simulationen der Molekulardynamik.<\/li>\n<li>Zuf\u00e4llige Spazierg\u00e4nge und Brownsche Bewegung.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Datenanalyse und \u00dcberpr\u00fcfung.<\/p>\n<ul>\n<li>Vergleich von numerischen Ergebnissen mit analytischen L\u00f6sungen.<\/li>\n<li>Konvergenzanalyse und Fehlersch\u00e4tzung.<\/li>\n<li>Leistungsprofilierung mit Tools wie <code>cProfile<\/code> und <code>line_profiler<\/code>.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h4>Empfohlene Werkzeuge<\/h4>\n<ul>\n<li>Scipy f\u00fcr numerische Methoden, Solver, Optimierung und lineare Algebra.<\/li>\n<li>Numpy f\u00fcr Array-Operationen und grundlegende Simulationen.<\/li>\n<li>Sympy f\u00fcr symbolische Berechnungen und analytische Referenzl\u00f6sungen.<\/li>\n<li>Python-Test-Frameworks wie PyTest zur \u00dcberpr\u00fcfung der Korrektheit.<\/li>\n<\/ul>\n<h4>Projekte<\/h4>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Projekt<\/th>\n<th>Verfahren<\/th>\n<th>Physik-Anwendung<\/th>\n<th>\u00dcberpr\u00fcfung<\/th>\n<\/tr>\n<tr>\n<td>Harmonischer Oszillator<\/td>\n<td>Runge-Kutta 4. Ordnung<\/td>\n<td>Klassische Mechanik<\/td>\n<td>Energieeinsparung<\/td>\n<\/tr>\n<tr>\n<td>1D Diffusionsgleichung<\/td>\n<td>endlicher Unterschied, explizit und implizit<\/td>\n<td>W\u00e4rme\u00fcbertragung<\/td>\n<td>Analytische Gau\u00dfsche L\u00f6sung<\/td>\n<\/tr>\n<tr>\n<td>Coulomb Streuung<\/td>\n<td>Monte Carlo<\/td>\n<td>Elektrostatik<\/td>\n<td>Coulombsches Gesetz in gro\u00dfen Entfernungen<\/td>\n<\/tr>\n<tr>\n<td>Teilchen in einer Box<\/td>\n<td>endlicher Unterschied<\/td>\n<td>Quantenmechanik<\/td>\n<td>Energie-Eigenwerte stimmen mit den analytischen Werten \u00fcberein<\/td>\n<\/tr>\n<tr>\n<td>2D-Elastische Kollisionen<\/td>\n<td>Molekulare Dynamik<\/td>\n<td>Statistische Mechanik<\/td>\n<td>Temperatur- und Druckmessungen<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h4>Best Practices f\u00fcr das wissenschaftliche Rechnen<\/h4>\n<p>Auf dieser Ebene sollten die Sch\u00fcler praktische wissenschaftliche Rechengewohnheiten annehmen:<\/p>\n<ul>\n<li>Versionskontrolle alles. Verfolgen Sie Code, Datenverarbeitungsskripts und Skripte zur Abbildung der Figuren.<\/li>\n<li>Schreiben Sie modularen Code. Funktionen sollten klare Eingaben, Ausgaben und Verantwortlichkeiten haben.<\/li>\n<li>Verwenden Sie Tests. Stellen Sie sicher, dass Optimierungen die numerischen Ergebnisse nicht beeintr\u00e4chtigen.<\/li>\n<li>Dokumentenskripte. Jedes Skript sollte erkl\u00e4ren, was es tut und wie es ausgef\u00fchrt wird.<\/li>\n<li>Daten sorgf\u00e4ltig verwalten. Trennen Sie Rohdaten, Zwischenergebnisse und endg\u00fcltige Zahlen in klare Verzeichnisse.<\/li>\n<\/ul>\n<blockquote>\n<p>Was die meisten Sch\u00fcler falsch machen: Die Sch\u00fcler schreiben oft monolithische Skripte, die von Anfang bis Ende ohne Struktur ausgef\u00fchrt werden. Die Gewohnheit, Code in Funktionen zu zerlegen, sollte fr\u00fchzeitig verst\u00e4rkt werden, da er reproduzierbare Forschung und Zusammenarbeit unterst\u00fctzt.<\/p>\n<\/blockquote>\n<h4>Entscheidungsrahmen: Wann welche Methode anzuwenden ist<\/h4>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Problemtyp<\/th>\n<th>Erster Ansatz<\/th>\n<th>Wann upgraden<\/th>\n<\/tr>\n<tr>\n<td>Einfache Ode<\/td>\n<td>Euler oder RK4<\/td>\n<td>Verwenden Sie implizite Methoden f\u00fcr steife Gleichungen<\/td>\n<\/tr>\n<tr>\n<td>Lineare PDE<\/td>\n<td>endlicher Unterschied<\/td>\n<td>Finite-Elemente-Methoden f\u00fcr unregelm\u00e4\u00dfige Geometrie verwenden<\/td>\n<\/tr>\n<tr>\n<td>Stochastischer Prozess<\/td>\n<td>Monte Carlo<\/td>\n<td>Verwenden Sie eine wichtige Stichprobe, wenn eine Varianzreduzierung erforderlich ist<\/td>\n<\/tr>\n<tr>\n<td>Gro\u00dfer Datensatz<\/td>\n<td>Numpy-Arrays<\/td>\n<td>Verwenden Sie Speicherzuordnung oder sp\u00e4rliche Formate, wenn der Speicher begrenzt wird<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h3>Stufe 3: Fortgeschrittene Techniken und Forschung<\/h3>\n<p>Ziel: Rechenmethoden auf ungel\u00f6ste Forschungsprobleme anwenden.<\/p>\n<p>Diese Stufe schlie\u00dft die L\u00fccke zwischen Kursarbeit und Graduiertenforschung. Die Studierenden arbeiten an offenen Problemen, die einer echten Forschung in ihrem Fach \u00e4hneln.<\/p>\n<h4>Was zu lernen<\/h4>\n<ol>\n<li>\n<p>Hochleistungs-Computing.<\/p>\n<ul>\n<li>Dom\u00e4nenzerlegung f\u00fcr parallele Simulationen.<\/li>\n<li>MPI f\u00fcr verteilten Speicher.<\/li>\n<li>GPU-Beschleunigung mit Cupy oder Numba CUDA.<\/li>\n<li>Skalierungsanalyse, einschlie\u00dflich Amdahls Gesetz und schwacher oder starker Skalierung.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>fortgeschrittene Diskretisierungsmethoden.<\/p>\n<ul>\n<li>Finite Volume-Methoden mit Tools wie FIPY.<\/li>\n<li>Finite-Elemente-Methoden mit Tools wie Fenics und Deal.ii.<\/li>\n<li>Spektrale Methoden f\u00fcr hochgenaue L\u00f6sungen.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Maschinelles Lernen in der Physik.<\/p>\n<ul>\n<li>Physikinformierte neuronale Netzwerke zur PDE-L\u00f6sung.<\/li>\n<li>Ersatzmodelle f\u00fcr teure Simulationen.<\/li>\n<li>Unsicherheitsquantifizierung mit Polynom-Chaos.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Arbeitsablauf.<\/p>\n<ul>\n<li>Reproduzierbare Forschungspipelines.<\/li>\n<li>Jupyter-Notizb\u00fccher f\u00fcr rechnerische Aufs\u00e4tze.<\/li>\n<li>Publikationsf\u00e4hige Visualisierung und Datenpr\u00e4sentation.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h4>Empfohlene Frameworks<\/h4>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Rahmen<\/th>\n<th>am besten f\u00fcr<\/th>\n<th>Referenz<\/th>\n<\/tr>\n<tr>\n<td>FIPY<\/td>\n<td>Finite-Volumen-Methoden, PDEs, Phasenfeldmodellierung<\/td>\n<td><a href=\"https:\/\/pages.nist.gov\/fipy\/\">FIPY-Dokumente<\/a><\/td>\n<\/tr>\n<tr>\n<td>Fenics<\/td>\n<td>Finite-Elemente-Methoden und automatisierte Codegenerierung<\/td>\n<td><a href=\"https:\/\/fenicsproject.org\/\">Fenics-Dokumente<\/a><\/td>\n<\/tr>\n<tr>\n<td>Pr\u00e4zise<\/td>\n<td>Multiphysik-Kopplung<\/td>\n<td><a href=\"https:\/\/precice.org\/\">Precice Docs<\/a><\/td>\n<\/tr>\n<tr>\n<td>Cupy<\/td>\n<td>GPU-beschleunigte Workflows im Numpy-Stil<\/td>\n<td><a href=\"https:\/\/cupy.dev\/\">Cupy-Dokumente<\/a><\/td>\n<\/tr>\n<\/tbody><\/table>\n<h4>Capstone-Projekte<\/h4>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Projekt<\/th>\n<th>Ebene<\/th>\n<th>Forschungsrelevanz<\/th>\n<\/tr>\n<tr>\n<td>Bin\u00e4re Schwarze-Loch-Fusion<\/td>\n<td>Fortgeschritten<\/td>\n<td>Gravitationswellenmodellierung<\/td>\n<\/tr>\n<tr>\n<td>Molekulare Dynamik der Proteinfaltung<\/td>\n<td>Fortgeschritten<\/td>\n<td>Biophysik und Materialwissenschaft<\/td>\n<\/tr>\n<tr>\n<td>Turbulente Str\u00f6mungssimulation<\/td>\n<td>Fortgeschritten<\/td>\n<td>Rechnerische Fluiddynamik<\/td>\n<\/tr>\n<tr>\n<td>Neuraler Netz-Surrogat f\u00fcr DFT<\/td>\n<td>Fortgeschritten<\/td>\n<td>Wissenschaftliches maschinelles Lernen und Unsicherheitsquantifizierung<\/td>\n<\/tr>\n<tr>\n<td>Adaptive Netzverfeinerung f\u00fcr St\u00f6\u00dfe<\/td>\n<td>mittelschwer<\/td>\n<td>Numerische Methoden und rechnerische Fluiddynamik<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h4>Wie Forschung aussieht<\/h4>\n<p>Ein typisches computergest\u00fctztes Physik-Projekt folgt dieser Struktur:<\/p>\n<ol>\n<li>Problemformulierung. \u00dcbersetzen Sie das physikalische Problem in mathematische Gleichungen.<\/li>\n<li>Diskretisierung. W\u00e4hlen Sie eine geeignete numerische Methode wie FDM-, FEM-, FVM- oder Spektralmethoden.<\/li>\n<li>Umsetzung Schreiben Sie Code und \u00fcberpr\u00fcfen Sie ihn anhand bekannter L\u00f6sungen.<\/li>\n<li>Validierung. F\u00fchren Sie Konvergenztests durch und vergleichen Sie die Ergebnisse mit Experimenten oder Theorie.<\/li>\n<li>Produktion l\u00e4uft. F\u00fchren Sie Parameter-Sweeps oder statistische Stichproben aus.<\/li>\n<li>Analyse. Daten reduzieren, Ergebnisse visualisieren und Fehler charakterisieren.<\/li>\n<li>Schreiben Erstellen Sie einen rechnerischen Aufsatz oder ein Manuskript mit einem reproduzierbaren Workflow.<\/li>\n<\/ol>\n<h2>Der Win-Day-One-Ansatz<\/h2>\n<p>Eine Lehrmethode, die auf der Ebene der Absolventen gut funktioniert, ist der Win-Day-One-Ansatz. Anstatt die Syntax isoliert zu unterrichten und sie erst sp\u00e4ter auf physikalische Probleme anzuwenden, taucht diese Methode die Sch\u00fcler in den Arbeitscode im Forschungsstil ab dem ersten Tag ein.<\/p>\n<p>So funktioniert es:<\/p>\n<ol>\n<li>Die Sch\u00fcler erhalten ein kurzes Code-Snippet, das eine vollst\u00e4ndige Simulation ausf\u00fchrt.<\/li>\n<li>Sie f\u00fchren es aus, sehen die Ergebnisse und verstehen den gesamten Workflow.<\/li>\n<li>Der Ausbilder geht durch jeden Teil des Codes und erkl\u00e4rt, was er tut und warum.<\/li>\n<li>Die Sch\u00fcler \u00e4ndern den Code, um neue Szenarien zu erkunden.<\/li>\n<li>Sie lernen die zugrunde liegenden Konzepte eher im Kontext als in der Abstraktion.<\/li>\n<\/ol>\n<p>Dies spiegelt die reale Erfahrung wider, einem Forschungslabor beizutreten, Code zu erben und zu lernen, wie man ihn versteht und erweitert.<\/p>\n<h2>Was nicht zu tun ist: H\u00e4ufige Fehler bei Studenten<\/h2>\n<p>Mehrere Fehler treten h\u00e4ufig beim Lernen der Computerphysik auf:<\/p>\n<ol>\n<li>Versionskontrolle \u00fcberspringen. Wenn Sie \u00c4nderungen nicht verfolgen, k\u00f6nnen Sie die Arbeit verlieren oder die F\u00e4higkeit, Ergebnisse zu rekonstruieren.<\/li>\n<li>Hardcoding-Parameter. Setzen Sie Simulationsparameter in eine Konfigurationsdatei ein, damit Parameter-Sweeps einfacher ausgef\u00fchrt und reproduziert werden k\u00f6nnen.<\/li>\n<li>numerische Stabilit\u00e4t ignorieren. Ein kleinerer Zeitschritt ist nicht nur genauer. Es kann der Unterschied zwischen einer stabilen und einer divergierenden L\u00f6sung sein.<\/li>\n<li>Profiling zu sp\u00e4t. Profil vor der Optimierung. Identifizieren Sie den echten Engpass, bevor Sie Korrekturen anwenden.<\/li>\n<li>Keine Tests haben. Ohne numerische \u00dcberpr\u00fcfung k\u00f6nnen Sie den Ergebnissen nicht vertrauen. Vergleichen Sie nach M\u00f6glichkeit mit analytischen L\u00f6sungen.<\/li>\n<li>\u00dcberkomplizieren der Methode. Eine einfache Finite-Differenz-Methode, die richtig gel\u00f6st wurde, ist besser als eine raffinierte Methode, die falsch gel\u00f6st wurde.<\/li>\n<\/ol>\n<h2>\u00dcberbr\u00fcckungstheorie und Umsetzung<\/h2>\n<p>Die L\u00fccke zwischen physikalischen Gleichungen und Arbeitssimulationen ist der Ort, an dem viele Sch\u00fcler k\u00e4mpfen. Ein praktischer Workflow kann dazu beitragen, es zu \u00fcberbr\u00fccken.<\/p>\n<p>Schritt 1: Schreiben Sie die Gleichungen klar.<\/p>\n<pre><code>\u2202u\/\u2202t = \u03b1 \u2202\u00b2u\/\u2202x\u00b2  (1D diffusion equation)\n<\/code><\/pre>\n<p>Schritt 2: W\u00e4hlen Sie eine Diskretisierung.<\/p>\n<pre><code>(u[i,n+1] - u[i,n]) \/ \u0394t = \u03b1 * (u[i+1,n] - 2*u[i,n] + u[i-1,n]) \/ \u0394x\u00b2\n<\/code><\/pre>\n<p>Schritt 3: Implementieren Sie die Methode im Code.<\/p>\n<pre><code class=\"language-python\"># 1D diffusion solver\nfor n in range(time_steps):\n    for i in range(1, N-1):\n        u_new[i] = u[i] + alpha * dt \/ dx**2 * (\n            u[i+1] - 2*u[i] + u[i-1]\n        )\n    u = u_new  # Advance in time\n<\/code><\/pre>\n<p>Schritt 4: Verifizieren Sie anhand einer analytischen L\u00f6sung.<\/p>\n<pre><code class=\"language-python\"># Compare with exact solution\nanalytical = exact_solution(x, t)\nerror = np.abs(u - analytical)\nprint(f\"Max error: {np.max(error):.2e}\")\n<\/code><\/pre>\n<p>Dieses vierstufige Muster - Gleichungen, Diskretisierung, Implementierung, \u00dcberpr\u00fcfung - sollte der Standard-Workflow f\u00fcr jede Simulation werden, die ein Doktorand schreibt.<\/p>\n<h2>Verwandte Anleitungen<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/from-equations-to-simulations-the-modeling-pipeline\/\"> Von Gleichungen zu Simulationen: Die Modellierungspipeline <\/a> - Wie physikalische Gleichungen zum Arbeitscode werden.<\/li>\n<li><a href=\"https:\/\/matforge.org\/understanding-fipys-core-architecture\/\">Die Kernarchitektur von FIPY <\/a> - Die Finite-Volumen-Methode in Python.<\/li>\n<li><a href=\"https:\/\/matforge.org\/solving-diffusion-equations-with-fipy\/\">L\u00f6sen von Diffusionsgleichungen mit FIPY <\/a> - Praktisches Tutorial zu W\u00e4rme\u00fcbertragungssimulationen.<\/li>\n<li><a href=\"https:\/\/matforge.org\/managing-large-scale-pde-problems-strategies-solvers-and-hpc-case-studies\/\">Verwalten von PDE-Problemen im gro\u00dfen Ma\u00dfstab<\/a> \u2014 Skalieren der Computerphysik HPC.<\/li>\n<li><a href=\"https:\/\/matforge.org\/what-is-fipy-and-when-should-you-use-it\/\">Was ist FIPY und wann sollten Sie es verwenden? <\/a> - Framework-Vergleichshandbuch.<\/li>\n<\/ul>\n<h2>Zusammenfassung und n\u00e4chste Schritte<\/h2>\n<p>Der Lernpfad f\u00fcr die Computerphysik folgt einem dreistufigen Fortschritt:<\/p>\n<ol>\n<li>Fundament Lernen Sie Python, grundlegende Simulationen und wissenschaftliche Computerwerkzeuge.<\/li>\n<li>Kernmethoden. Erstellen Sie numerische L\u00f6ser, \u00fcberpr\u00fcfen Sie sie anhand von analytischen L\u00f6sungen und \u00fcbernehmen Sie Best Practices.<\/li>\n<li>Forschung Wenden Sie Methoden auf ungel\u00f6ste Probleme an, verwenden Sie HPC und erkunden Sie maschinelles Lernen.<\/li>\n<\/ol>\n<p>Die wesentlichen Erkenntnisse aus dokumentierten Lehrpl\u00e4nen sind, dass ger\u00fcstete, projektbasierte Lernarbeiten. Die Sch\u00fcler k\u00f6nnen durch eine strukturierte Sequenz, in der jedes Projekt auf dem letzten aufbaut, von Bouncing-Ball-Simulationen zu fortgeschrittenen Forschungsproblemen \u00fcbergehen.<\/p>\n<p>Die Portfoliobewertung kann n\u00fctzlicher sein als Pr\u00fcfungen, da sie tats\u00e4chliche Kompetenz zeigt und ein professionelles Schaufenster schafft.<\/p>\n<p>Beginnen Sie f\u00fcr Doktoranden mit Jupyter-Notebooks und Python, bearbeiten Sie eine strukturierte Abfolge von Projekten und \u00fcbernehmen Sie die Versionskontrolle vom ersten Tag an. Computational Skills unterst\u00fctzt Forschungskarrieren und kann auch T\u00fcren zu Branchenrollen in den Bereichen Data Science, Quantitative Finance und Software Engineering \u00f6ffnen.<\/p>\n<p>Betrachten Sie f\u00fcr P\u00e4dagogen den Win-Day-One-Ansatz, verwenden Sie rechnerische Aufs\u00e4tze als Bewertung und arbeiten Sie mit Gleichaltrigen \u00fcber Ressourcen wie PICUP und Software Carpentry zusammen. Computational Physics sollte eine Kernkomponente der naturwissenschaftlichen Ausbildung sein, nicht nur ein optionales Wahlfach.<\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 7<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Computerphysik ist keine Nischenf\u00e4higkeit mehr. Es ist eine Kernkompetenz f\u00fcr Hochschulabsolventen. Unabh\u00e4ngig davon, ob Sie Fusionen von Schwarzen L\u00f6chern simulieren oder Phasen\u00fcberg\u00e4nge in Legierungen modellieren, trennt die F\u00e4higkeit, physikalische Gleichungen in Arbeitscode umzuwandeln, produktive Forscher von denen, die Schwierigkeiten haben, die Theorie in Ergebnisse umzuwandeln. Dieser Leitfaden zeigt einen strukturierten Lernpfad f\u00fcr Doktoranden. Es zeigt, [&hellip;]<\/p>\n","protected":false,"raw":""},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"de_DE","_original_post":"https:\/\/matforge.org\/?p=381","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-858","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","de-DE"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Unterrichtsphysik f\u00fcr Absolventen<\/title>\n<meta name=\"description\" content=\"Erkunden Sie einen strukturierten Lernpfad f\u00fcr das Unterrichten von Computerphysik, von Python-Grundlagen und numerischen Methoden bis hin zu HPC, FIPY, FENICS und Forschungsprojekten.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Unterrichtsphysik f\u00fcr Absolventen\" \/>\n<meta property=\"og:description\" content=\"Erkunden Sie einen strukturierten Lernpfad f\u00fcr das Unterrichten von Computerphysik, von Python-Grundlagen und numerischen Methoden bis hin zu HPC, FIPY, FENICS und Forschungsprojekten.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-30T12:22:23+00:00\" \/>\n<meta name=\"author\" content=\"Elena Markovska\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Elena Markovska\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"11\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/\"},\"author\":{\"name\":\"Elena Markovska\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"headline\":\"Unterrichten der Computerphysik: Strukturierte Lernwege f\u00fcr Absolventen\",\"datePublished\":\"2026-07-30T12:22:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/\"},\"wordCount\":2128,\"commentCount\":0,\"articleSection\":[\"Simulation & amp; Modellierungsprojekte\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/\",\"name\":\"Unterrichtsphysik f\u00fcr Absolventen\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-07-30T12:22:23+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"description\":\"Erkunden Sie einen strukturierten Lernpfad f\u00fcr das Unterrichten von Computerphysik, von Python-Grundlagen und numerischen Methoden bis hin zu HPC, FIPY, FENICS und Forschungsprojekten.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/teaching-computational-physics-graduate-students-learning-paths-2\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Unterrichten der Computerphysik: Strukturierte Lernwege f\u00fcr Absolventen\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\",\"name\":\"Elena Markovska\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"caption\":\"Elena Markovska\"},\"sameAs\":[\"http:\\\/\\\/matforge.org\"],\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/elena-markovska\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Unterrichtsphysik f\u00fcr Absolventen","description":"Erkunden Sie einen strukturierten Lernpfad f\u00fcr das Unterrichten von Computerphysik, von Python-Grundlagen und numerischen Methoden bis hin zu HPC, FIPY, FENICS und Forschungsprojekten.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/","og_locale":"de_DE","og_type":"article","og_title":"Unterrichtsphysik f\u00fcr Absolventen","og_description":"Erkunden Sie einen strukturierten Lernpfad f\u00fcr das Unterrichten von Computerphysik, von Python-Grundlagen und numerischen Methoden bis hin zu HPC, FIPY, FENICS und Forschungsprojekten.","og_url":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/","og_site_name":"matforge.org","article_published_time":"2026-07-30T12:22:23+00:00","author":"Elena Markovska","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Elena Markovska","Gesch\u00e4tzte Lesezeit":"11\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/"},"author":{"name":"Elena Markovska","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"headline":"Unterrichten der Computerphysik: Strukturierte Lernwege f\u00fcr Absolventen","datePublished":"2026-07-30T12:22:23+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/"},"wordCount":2128,"commentCount":0,"articleSection":["Simulation & amp; Modellierungsprojekte"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/","url":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/","name":"Unterrichtsphysik f\u00fcr Absolventen","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-07-30T12:22:23+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"description":"Erkunden Sie einen strukturierten Lernpfad f\u00fcr das Unterrichten von Computerphysik, von Python-Grundlagen und numerischen Methoden bis hin zu HPC, FIPY, FENICS und Forschungsprojekten.","breadcrumb":{"@id":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/de\/teaching-computational-physics-graduate-students-learning-paths-2\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/de\/"},{"@type":"ListItem","position":2,"name":"Unterrichten der Computerphysik: Strukturierte Lernwege f\u00fcr Absolventen"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da","name":"Elena Markovska","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","caption":"Elena Markovska"},"sameAs":["http:\/\/matforge.org"],"url":"https:\/\/matforge.org\/author\/elena-markovska\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/858","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=858"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/858\/revisions"}],"predecessor-version":[{"id":950,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/858\/revisions\/950"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=858"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=858"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=858"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}