Sprungmarken

Servicenavigation

Hauptnavigation

Sie sind hier:

Hauptinhalt

Methodenentwicklung

Machine Learning

Kunst mit Machine Learning

Maschinelles Lernen und die automatische Erkennung von inhärenten Mustern spielen, wie in vielen anderen Bereichen des täglichen Lebens, auch in der experimentellen Astroteilchenphysik eine wichtige Rolle. Nur mit Hilfe geeigneter Lernalgorithmen können die großen Datenmengen (Big Data) effizient auf kosmische Botenteilchen wie hochenergetische Photonen oder Neutrinos untersucht und diese in geeigneter Weise aus dem überwältigenden Untergrund atmosphärischer Myonen selektiert werden. Zu diesem Zweck müssen die Lernalgorithmen nicht nur angemessen trainiert, sondern deren Performanz auch in geeigneter Weise validiert werden. Die Arbeit an der automatisierten Selektion astrophysikalischer Botenteilchen geschieht unter anderem im Rahmen des Teilprojekts C3 des Sonderforschungsbereiches SFB 876. Die Arbeitsgebiete im Bereich des maschinellen Lernens umfassen unter anderem folgende Unterpunkte:

  • Selektion von Signalereignissen mit Ensemble-Methoden
  • Rekonstruktion von Energie und Richtung durch neuronale Netze
  • Spektralrekonstruktion durch Lernalgorithmen
  • Effizienzsteigerung von Luftschauersimulationen durch maschinelles Lernen

Besucht Sonderforschungsbereich SFB 876 für weitere Informationen zu Entfaltungsalgorithmen und Inversen Problemen in der Astroteilchenphysik!

Mehr über die End-to-End-Analyse mit maschinellem Lernen erfahrt ihr auch in diesem Artikel.

Entfaltungsprojekte entwickelt bei E5b

Bei E5b wurden projektspezifische Entfaltungsalgorithmen entwickelt, die teilweise öffentlich zugänglich sind.

DSEA

This acronym stands for Dortmund Spectrum Estimation Algorithm. Why DSEA is so great.

Funfolding

Dies ist ein Algorithmus, der speziell für die Entfaltung von IceCube-Daten entwickelt wurde. Hauptmerkmale sind "Likelihood-Basierte Entfaltungstechniken und Entscheidungsbaum-basiertes Binning". Ihr findet dieses Projekt bei GitHub

TRUEE

TRUEE (Time-dependent Regularized Unfolding for Economics and Engineering problems) ist ein neues Software-Paket zur numerischen Lösung von inversen Problemen (Entfaltung). Der Algorithmus basiert auf der in FORTRAN 77 geschriebenen Applikation RUN (Regularized UNfolding). Der Entfaltungs-Algorithmus wurde bei der Analyse in Experimenten der Teilchen- und Astroteilchenphyik verwendet und zeichnete sich durch besonders stabile Ergebnisse und verlässliche Unsicherheiten aus. Neben FORTRAN ist heutzutage die Programmiersprache C++ bei Analyseprogrammen in den verschiedensten Forschungsbereichen sehr verbreitet. Daher wurde das C++ Enfaltungsprogramm TRUEE entwickelt, welches den RUN Algorithmus und zusätzliche Erweiterungen beinhaltet, die ein komfortables und benutzerfreundliches Anwenden ermöglichen. Die Ergebnisse von TRUEE und RUN sind identisch.

https://www.sciencedirect.com/science/article/pii/S016890021201008X