Münster 2017 – scientific programme

Parts | Days | Selection | Search | Updates | Downloads | Help

T: Fachverband Teilchenphysik

T 23: Experimentelle Techniken der Astroteilchenphysik 2

T 23.2: Talk

Monday, March 27, 2017, 17:00–17:15, S 055

Deep Learning für KM3NeT — •Christoph Biernoth für die ANTARES-KM3NeT-Erlangen Kollaboration — Friedrich-Alexander-Universität Erlangen-Nürnberg — ECAP

Der Wasser-Cherenkov-Detektor KM3NeT/ARCA wird aktuell auf dem Grund des Mittelmeeres vor der sizilischen Küste in einer Wassertiefe von 3500m errichtet. Das Hauptaugenmerk ist die Untersuchung der Quellen des Flusses hochenergetischer kosmischer Neutrinos, dessen Existenz inzwischen von IceCube nachgewiesen wurde. Das Neutrinoteleskop besteht aus einen dreidimensionalen Aufbau von optischen Senormodulen, die unter anderem die Ankunftszeit des Cherenkovlichtes aus Neutrinoreaktionen registrieren.

Ein (künstliches) neuronales Netz ist durch Nervenzellvernetzungen im Gehirn motiviert. Es besteht aus in Ebenen angeordneten Neuronen, welche miteinander verknüpft sind und kann mittels Beispieldaten darauf trainiert werden, Korrelationen in den Daten zu erkennen und damit die Daten in Klassen einzuordnen. Der Vortrag zeigt, wie verschiedene Ansätze von tiefen neuronalen Netzen genutzt werden können, um bestimmte Merkmale wie die Teilchenart, aus Roh- oder bereits vorverarbeiteten Daten zu abstrahieren. Dabei werden die zwei verwendeten Frameworks Tensorflow und CNTK sowie verschiedene Netzwerkstrukturen wie Convolutional Neural Networks und Recurrent Neural Networks vorgestellt. Eine Besonderheit im Vergleich zu gängigen Anwendungsfällen ist hierbei der vierdimensionale Parameterraum bestehend aus Ort und Zeit der registrierten Photonen.