Physikerinnen und Physiker versuchen mit Teilchenbeschleunigern unentdeckte Teilchen zu erzeugen, um deren Eigenschaften zu erforschen. Der größte dieser Beschleuniger, der Large Hadron Collider (LHC), erreicht hierbei eine Intensität von bis zu 1 Milliarde Kollisionen pro Sekunde. Dabei werden gigantische Datenmengen gesammelt, die im Detail analysiert werden müssen, um darin Signale neuer Physik zu entdecken. Unentdeckte Teilchen äußern sich in minimalen Abweichungen von physikalischen Prozessen, die wir bereits verstanden haben. Um diese minimalen Abweichungen von den Vorhersagen des Standardmodells isolieren zu können, benötigen wir Präzisionssimulationen der zu erwartenden Prozesse. Die Effizienz der verwendeten Simulationen wird in naher Zukunft zu einem limitierenden Faktor für die Suche nach neuer Physik.
In diesem Projekt erforscht die Nachwuchsgruppe GPN42P daher die Möglichkeit, die Effizienz und Präzision der Simulationen mit Hilfe von generativen Netzwerken zu verbessern und somit die Nachweissicherheit bei der Suche nach neuen Teilchen zu erhöhen. In Experimenten in der Teilchenphysik wird die Abgabe von Energie an sogenannte Kalorimeter gemessen. Statt der eigentlichen Teilchen wird so nur ein indirektes Bild einer Kollision erhalten. Durch sogenanntes Unfolding, dem Umkehren der vorher genannten Simulationen, kann von den Messungen auf Teilchenwechselwirkungen zurückgeschlossen werden. Generative Modelle können diesen Vorgang grundlegend verbessern, indem sie auch hochdimensionale Daten berücksichtigen. In diesem Projekt sollen die Präzision dieser Netzwerke weiter verbessert und die relevanten Unsicherheiten bestimmt werden, um eine Anwendung am LHC zu ermöglichen.
Neben den Anwendungen für die Teilchenphysik können die in diesem Projekt erforschten Methoden auch dazu verwendet werden, Produktionsprozesse zu optimieren, da hier ähnliche mathematische Probleme gelöst werden müssen. Darüber hinaus sind Anwendungen im Bereich der Sensorik denkbar, die ähnliche Bauteile wie in Teilchenbeschleunigern benötigen.
Ruprechts-Karls-Universität Heidelberg
Seminarstraße 2
69117 Heidelberg
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen