38. Machine Learning und Teilchenphysik

Es ist zur Veröffentlichung dieser Folge genau drei Jahre her, dass
ich meine Masterarbeit fertiggestellt habe. Wie schon beim
fünfjährigen Jubiläum meiner Bachelorarbeit werde ich auch in
dieser Folge meine Masterarbeit auf einfache und anschauliche Weise
zusammenfassen. Aufbauend von den Gesetzen der Teilchenphysik, die
wir kurz wiederholen betrachten wir, wie mittels Monte Carlo
Methoden die Prozesse der Teilchenphysik mit dem Computer simuliert
werden können. Um diese Daten zu analysieren werden Machine
Learning Methoden angewandt. Insbesondere kommen in unserer Analyse
Boosted Decision Trees zum Einsatz. Wir betrachten was es mit
diesen Methoden auf sich hat und ob die Analyse eines
teilchenphysikalischen Prozesses durch das Miteinbeziehen der
Ladungsspuren (Tracks) im Detektor verbessert werden kann. Eine
sehr interessante Folge, die auch tiefere Einblicke in das Gebiet
der Teilchenphysik liefert und beantwortet, welche Rolle Machine
Learning Methoden dort spielen. Literatur: Josua Göcking,
Masterarbeit: Using track observables to improve the sensitivity to
weak boson fusion processes, 31.01.2018,
https://www.thphys.uni-heidelberg.de/~plehn/includes/theses/goecking_m.pdf