Machine Learning und Teilchenphysik - a podcast by Josua Göcking

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

Further episodes of Sci-Faith

Further podcasts by Josua Göcking

Website of Josua Göcking