Bereiche | Tage | Auswahl | Suche | Downloads | Hilfe

T: Fachverband Teilchenphysik

T 68: Experimentelle Methoden

T 68.2: Vortrag

Freitag, 7. März 2008, 14:20–14:35, KGI-HS 1098

Integration neuronaler Netzwerk-Wahrscheinlichkeiten in Maximum-Likelihood-Fits — •Sebastian Neubauer, Michael Feindt, Thomas Kuhr und Michal Kreps — Institut für Experimentelle Kernphysik, Karlsruhe

Eine große Herausforderung in der Teilchenphysik ist die korrekte Schätzung von Parametern, wie beispielsweise der mittleren Lebensdauer oder der Amplitude der CP-Verletzung im B⁰-System aus Daten mit Untergrund.

Grundsätzlich muss für diese Aufgabe die Reinheit und Effizienz der Signaldaten optimiert werden, was zum Beispiel mit neuronalen Netzen erreicht werden kann. Der Vorteil der Klassifizierung mit neuronalen Netzen liegt darin, dass der Ausgabewert für jedes Ereignis als Signalwahrscheinlichkeit interpretiert werden kann.

Durch einen Schnitt auf die neuronale Netzwerk-Wahrscheinlichkeit wird zwar die Reinheit der Daten erhöht, die Effizienz jedoch nimmt ab, da ein Teil der Daten vor dem Fit verworfen wird.

Wie hier gezeigt wird, lässt sich diese Wahrscheinlichkeit direkt in die Likelihood-Funktion einbinden. Damit müssen gegenüber der bisherigen Methode keine Daten mehr verworfen werden, was die Parameterschätzung deutlich verbessern kann.