Abschlussarbeiten

 

Themen für Abschlussarbeiten (BSc, MSc, Dr.)

Wie analysiert man experimentelle Daten so, dass wir möglichst viel über die zugrundeliegende Physik lernen? Kommen wir damit neuen Teilchen und neuen Phänomenen auf die Spur?

Mit diesen Fragen beschäftigen sich mein Team und ich. Wir entwickeln Methoden für die Datenanalyse und wenden sie am CMS-Experiment an, um mehr über die fundamentalen Bausteine der Materie zu erfahren. Außerdem entwickeln wir Methoden für die Datenanalyse am Einstein-Teleskop. Dabei verwenden wir oft Methoden aus dem Bereich Deep Learning. Mehr erfahren Sie auf der Seite Forschung. Mögliche Themen für Abschlussarbeiten sind:

Methoden-nahe Themen (CMS und ET):

  • CMS "Verbesserte Messung der Teilcheneigenschaften im Detektor" Wie kann man mit Deep Learning aus den Rohdaten des Detektors die Eigenschaften der wechselwirkenden Teilchen besser bestimmen?
  • CMS "Schnellere Simulationen" Wie kann man mit Deep Learning die aufwändige Simulation des CMS-Detektors beschleunigen?
  • ET "Likelihood-freie Inferenz" Wie kann man mit Deep Learning direkt physikalische Parameter aus den experimentellen Daten schätzen?
  • ET "Experimentelles Design" Wie kann man mit Deep Learning Hilfsdetektoren so positionieren, dass man Rauschen besser unterdrücken kann?

Physik-nahe Themen (CMS):

  • CMS "Differentielle Messungen des Higgs-Bosons" Messungen mit dem Zerfall H → γγ ermöglichen uns besonders gute Präzision.
  • CMS "Suche nach seltenen Higgs-Boson-Prozessen" Im Standardmodell stark unterdrückte Prozesse helfen uns bei der Suche nach Physik jenseits des Standardmodells.
  • CMS "Interpretation in effektiven Feldtheorien (EFT)" Mit dem EFT-Ansatz lernen wir etwas über neue Teilchen mit so großen Massen, dass man sie am LHC nicht direkt erzeugen kann.

Bei Interesse, schreiben Sie mir gerne eine .

 

Abgeschlossene Arbeiten

MSc-Arbeiten

  • Ali Malyali Choban, Photon Identification using Graph Neural Networks at the CMS experiment, 10/2023.
  • Roman Suveyzdis, Integration of GPU Machines for CMS Desktop Analyses on the Local Cluster using HTCondor, 10/2023.
  • David Kavtaradze, Studies for machine-learning-based unbinned unfolding for Higgs-boson and top-quark measurements, 10/2023.

BSc-Arbeiten

  • Rohit Narayanan, Studies for the validity of unfolding in Higgs to diphoton measurements in the presence of effective field theory operators, 08/2023.
  • Peter Wissmann, Statistical analysis for the measurement of Higgs boson production in the diphoton channel with 2022 CMS data, 07/2023.
  • Sarah Pook, Studies for the separation of tH and ttH production in the diphoton decay channel at the CMS experiment, 06/2023.
  • Jan Kelleter, Parameter estimation from gravitational-wave spectrograms with conditional invertible neural networks, 06/2023.
  • Alexander Pesch Berrocal, Super-resolution studies for photon calorimeter images, 06/2023.