Machine Learning
 |
Die Hochenergiephysik ist schon immer ein klassisches Anwendungsgebiet von modernen "Big Data"- Analysemethoden. Insbesondere in den aktuellen Datennahmeperioden des LHC zeichnet ALICE Petabytes an Messdaten von Teilchenkollisionen auf. Um den zugrundeliegenden Teilchenproduktionsmechanismen auf die Spuren zu kommen, müssen die Daten verarbeitet, korrigiert und interpretiert werden. Machine Learning (ML) Verfahren, welche durch die weite Verbreitung in den letzten Jahren große technische Fortschritte gemacht haben, stellen hierfür ein mächtiges Werkzeug dar. | |
| Unsere Arbeitsgruppe setzt in jüngster Zeit vermehrt auf diese modernen Techniken, welche viele neue Analysemöglichkeiten eröffnen. Bisherige Arbeiten verwendeten Decision Trees und Neural Networks um Klassifizierungs-, Mustererkennungs-, und Regressionsprobleme zu lösen. Verwendet wurde dies zur Detektorkalibrierung, Korrektur von Detektoreffekten, mehrdimensionalen Modellierung von Messungen und Analyse von Teilchenschauern im Kalorimeter. Das Feld bietet noch viel Potential für Forschungsarbeit und Weiterbildungsmöglichkeiten im Rahmen des ALICE Experiments. | ||