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

Deutschland war, wie zahlreiche andere Länder, von der im Jahr 2019
ausgebrochenen und bis 2023 andauernden COVID-19-Pandemie betroffen. Aufgrund der hohen Zahl der
Infektionen und Todesfälle ist eine Analyse erfordert. Das kompartimentelle 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 lassen sich durch
die Lösung des dem SIR-Modell grundlegenden Systems von Differentialgleichungen
ermitteln. Ziel dieser Arbeit ist es also, diese Parameter und Werte für
Deutschland zu finden. Dazu wird ein datengesteuerter Ansatz zur Lösung der
Differentialgleichungen unter Verwendung eines physikalisch informierten
neuronalen Netzes genutzt. Zu diesem Zweck verwenden wir die vom
Robert-Koch-Institut gesammelten Daten und bereiten sie für unsere Ziele auf.
Mit unserem Modell sind wir in der Lage, sowohl die Pandemiedaten als auch das
Gleichungssystem des SIR-Modells so zu rekonstruieren, dass wir entsprechende
epidemiologische Parameter und Reproduktionszahlen finden. Diese korrelieren mit den realen
Ereignissen während der COVID-19 Pandemie in Deutschland, was die
Wirksamkeit 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 in-depth 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. In this thesis,
we find these parameters and values for Germany, by employing a data-driven
approach to solve the differential equations utilizing physics-informed neural
network. Towards this objective, we use the data collected by the Robert Koch
Institute and preprocess it for our means. Utilizing our model, we are able to
fit both the pandemic data as well as the governing system of equations. Hence,
we are able to find corresponding epidemiological parameters and reproduction
numbers, which correlate with the real-world events during COVID-19 in Germany,
which highlights the efficacy of out method.
\cleardoublepage