Schuster, ChristianChristianSchuster106085581X0000-0003-4019-0788Hassab, YoucefYoucefHassab2026-07-022026-07-022026Technische Universität Hamburg (2026)https://hdl.handle.net/11420/63739This thesis explores the use of machine learning (ML) in electromagnetic compatibility (EMC) engineering and related fields, focusing on common challenges such as model interpretability, high-dimensional design spaces, and data acquisition costs. It investigates ML methods that incorporate physical insights to improve modeling accuracy and reliability. Strategies to enhance data-efficiency and promote dataset reuse are proposed to support reproducibility and collaboration. Recommendations for future research and community efforts are provided to advance ML adoption in EMC and related fields. The results demonstrate the potential of ML to accelerate the design and modeling processes in EMC.Diese Arbeit untersucht den Einsatz von maschinellem Lernen (ML) in der Elektromagnetischen Verträglichkeit (EMV) und verwandten Bereichen, mit Fokus auf geläufige Herausforderungen wie die Interpretierbarkeit von Modellen, hochdimensionale Designräume und die Kosten der Datenerfassung. Es werden ML-Methoden erforscht, die physikalische Erkenntnisse einbeziehen, um die Genauigkeit und Zuverlässigkeit der Modellierung zu verbessern. Strategien zur Steigerung der Daten-Effizienz und zur Förderung der Wiederverwendung von Datensätzen werden vorgestellt, um Reproduzierbarkeit und Zusammenarbeit zu unterstützen. Abschließend werden Empfehlungen für zukünftige Forschung gegeben, um die Adoption von ML in der EMV und verwandten Gebieten voranzutreiben. Die Ergebnisse zeigen das Potenzial von ML, Design- und Modellierungsprozesse in der EMV zu beschleunigen.enhttps://creativecommons.org/licenses/by/4.0/Technology::621: Applied Physics::621.3: Electrical Engineering, Electronic EngineeringDoctoral Thesishttps://doi.org/10.15480/882.1740610.15480/882.17406Kölpin, AlexanderAlexanderKölpinLurz, FabianFabianLurz