Forschungsthemen

 

CMS Experiment

Track Rekonstruktion mit neuesten Deep Learning Methoden. Eine der wichtigen Aufgaben bei Experimenten wie CMS ist die Rekonstruktion von Teilchenspuren. Wenn Teilchen durch den Detektor propagieren, hinterlassen sie Signale in den einzelnen Detektorelementen. Verfahren der Mustererkennung werden genutzt, um eine Vielzahl von Hits anschließend zu Spuren zusammenzufassen. Aufgrund der zunehmenden Anzahl von gleichzeitigen Kollisionen und Teilchendurchgängen werden traditionelle Algorithmen jedoch in Zukunft an ihre Grenzen stoßen. Sie entwickeln einen neuen Algorithmus, welcher die Spuren effizienter rekonstruiert als bisherige Algorithmen. Hierbei kommen neuesten Entwicklungen im Bereich Deep Learning, wie Graphen Netzwerke oder Reinforcement Learning, zum Einsatz [Masterarbeit].

 

Pierre Auger

a) Energieordnung in den Ankunftsrichtungen kosmischer Teilchen.

Unter Verwendung von Methoden aus Deep Learning Verfahren entwickeln wir moderne Analysen für höchstenergetische Teilchen, mit denen wir kosmische Magnetfelder kartieren. Darüber nähern wir uns der Lösung des Rätsels: Woher kommt die kosmische Strahlung? Haben Sie Interesse mit uns zu forschen? Masterarbeit.

b) Mit 150 Stationen steht ein riesiges Antennenmessfeld in der argentinischen Hochebene.

Viele Daten sind bereits genommen und stehen für die Auswertung bereit: Aus den Radiosignalen bestimmen wir die absolute Energie der kosmischen Teilchen, die mit Exa-Elektronenvolt weit oberhalb der Energien des LHC Beschleunigers liegen. Haben Sie Interesse mit uns zu forschen? Masterarbeit.

 

Bachelor-Arbeiten zu CMS, Pierre-Auger, VISPA

Arbeiten im SoSe2019:

  • Deep Learning: Generierung von Teilchen (Generative Adversarial Networks)
  • Deep Learning: Bayesian Netzwerk, Unsicherheiten in der Rekonstruktion von Luftschauern der kosmischen Strahlung
  • Einfluss des Magnetfelds der Milchstraße auf die Quellsuche der kosmischen Strahlung