\begin{center}{\sectfont\LARGE \"{U}berblick}\end{center}

Deutschland wurde, wie viele andere Länder, von der schweren COVID-19-Pandemie
betroffen, die im Jahr 2020 begann und bis 2023 andauerte. Die hohe Zahl der
Infektionen und Todesfälle erfordert eine Analyse. Das kompartimentäre
SIR-Modell bietet eine Reihe von Metriken für eine solche Analyseaufgabe,
darunter die Übertragungsrate $\beta$, die Erholungsrate $\alpha$ und die
Reproduktionszahl $\Rt$. Diese Werte zeigen die Ausbreitung einer Krankheit an
und können durch die Lösung des maßgeblichen Systems von
Differentialgleichungen des SIR-Modells ermittelt werden. Ziel dieser Arbeit
ist es also, diese Parameter und Werte für Deutschland zu finden, indem ein
datengesteuerter Ansatz zur Lösung der Differentialgleichungen unter Verwendung
eines physikalisch informierten neuronalen Netzes verwendet wird. Dazu
nutzen wir die vom Robert-Koch-Institut erhobenen Daten und bereiten sie für
unsere Zwecke auf. Schließlich zeigen wir, dass unsere Herangehensweise an
diese Aufgabe zu einem erfolgreichen Ergebnis führt. Trotz der unvollkommenen
Genauigkeit unserer Methode finden wir eine Korrelation zwischen unseren
Ergebnissen und den realen Ereignissen während der COVID-19 Pandemie in
Deutschland, was die Effektivität unserer Methode unterstreicht.

\begin{center}{\sectfont\LARGE Abstract}\end{center}

Germany, like many other countries, was hit by the severe COVID-19 pandemic
that began in 2020 and continued through 2023. The amounted infection and death
counts call for an analysis. The compartmental SIR model provides a number of
metrics for such an analysis task, including the transmission rate $\beta$,
the recovery rate $\alpha$, and the reproduction number $\Rt$. These values
demonstrate the propagation of a disease and can be identified by solving the governing system
of differential equations of the SIR model. Thus the objective of this thesis is
find these parameters and values for Germany, by employing a data-driven
approach to solve differential equations utilizing physics-informed neural
network. Therefor, we use the data which was collected by the Robert Koch
Institute and preprocess it for our means. Finally, we show, that our approach
to this task yields successful result. Despite the imperfect accuracy of our
method, we find a correlation between our results and the real-world events
during COVID-19 in Germany, which highlights the efficacy of our method.
\cleardoublepage