Bereiche | Tage | Auswahl | Suche | Aktualisierungen | Downloads | Hilfe

T: Fachverband Teilchenphysik

T 23: Experimentelle Techniken der Astroteilchenphysik 2

T 23.1: Vortrag

Montag, 27. März 2017, 16:45–17:00, S 055

Deep Learning für Neutrinoteleskope — •Stefan Geißelsöder für die ANTARES-KM3NeT-Erlangen Kollaboration — Friedrich-Alexander-Universität Erlangen-Nürnberg — ECAP

Neutrinoteleskope erlauben uns Erkenntnisse sowohl über die Flüsse hochenergetischer kosmischer Neutrinos als auch über deren teilchenphysikalische Eigenschaften zu gewinnen. Die benötigte Datenanalyse, speziell die Identifikation und Rekonstruktion von Neutrinointeraktionen, ist jedoch bei allen existierenden und geplanten Neutrinoteleskopen eine herausfordernde Aufgabe, die signifikanten Einfluss auf den Erfolg späterer Analysen hat.

Deep Learning bezeichnet eine gegenwärtig in vielen Anwendungsbereichen sehr erfolgreiche und flexibel einsetzbare Gruppe von Algorithmen, die einen hohen Grad an automatisch erzielter Abstraktion gemeinsam haben. Der Vortrag zeigt Methoden und Ideen, wie mittels Deep Learning Frameworks (hier Tensorflow und CNTK) verschiedene Ansätze (Convolutional Neural Networks und Recurrent Neural Networks) genutzt werden können, um die Genauigkeit der Datenanalyse für Neutrinoteleskope zu verbessern. Dabei ist insbesondere die Art der betrachteten Daten interessant, da sie bei Neutrinoteleskopen, im Gegensatz zu im Rahmen von Deep Learning häufig betrachten zweidimensionalen Bilddaten, drei Raum- und eine Zeitdimension aufweisen. Die Entwicklungen werden am Beispiel des KM3NeT Neutrinoteleskops gezeigt, das gegenwärtig am Grund des Mittelmeeres im Aufbau ist, sind jedoch größtenteils allgemein anwendbar.