Würzburg 2018 – scientific programme

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

T: Fachverband Teilchenphysik

T 72: Eingeladene Vorträge IV

T 72.3: Semi-Invited Talk

Thursday, March 22, 2018, 14:48–15:12, Z6 - HS 0.002

Deep-Learning Ansätze in der Teilchenphysik — •Gregor Kasieczka — Universität Hamburg

Tiefe neuronale Netzwerke (deep neural networks) haben sich innerhalb kurzer Zeit als flexibles Werkzeug zur Lösung vieler Datenprobleme ausserhalb der Physik erwiesen. Bekannte Beispiele sind die Klassifikation von Bildern, Spracherkennung, oder die Entwicklung von Lösungsstrategien für das Brettspiel "Go". Gleichzeitig ist die Verwendung von komplexen Algorithmen und immer leistungsfähigeren Rechnersystemen aus der modernen Teilchenphysik nicht mehr wegzudenken. Die Unterscheidung zwischen hadronisch zerfallenden top-Quark Jets und Jets initiiert von leichten Quarks oder Gluonen ist ein typisches Klassifikationsproblem welches durch neuronale Netzwerke gelöst werden kann. Wir benutzen top-Quark Identifikation als Basis zur Diskussion unterschiedlicher Netzwerkarchitekturen. Über Klassifikationsaufgaben hinausgehend besprechen wir weitere Entwicklungen wie etwa adversielle Netzwerke und Techniken zum direkten Lernen aus experimentellen Daten.