30.11.2020, 16:Uhr
Durchführung per Videokonferenz
(Corona-Situation)
Titel: „Using Recurrent Neural Networks for Particle Tracking at the CERN Large Hadron Collider“
Kurzfassung:
Diese Arbeit behandelt einen neuen, auf Deep Learning basierenden Algorithmus fur Particle Tracking, der nur auf Basis von Daten gelernt werden kann. Particle Tracking ist ein Problem aus der Hochenergiephysik, wobei Materieteilchen in großen Teilchenbeschleunigern, wie dem LHC am CERN, innerhalb eines Teilchendetektors zur Kollision gebracht werden. Durch diese Kollisionen werden neue Teilchen gescha ffen, welche vom Detektor an mehreren Orten gemessen und aufgezeichnet werden. Diese Aufzeichnungen werden auch "Hits" genannt. Ein Particle Tracker hat nun die Aufgabe, alle Hits, die von einem einzelnen Teilchen stammen, zu verbinden und so die Flugbahn des Teilchens zu rekonstruieren. Der Tracker, der in dieser Arbeit vorgestellt wird, basiert auf einem existierenden Ansatz aus dem Bereich der Computer Vision, mit dem Objekte, wie zum Beispiel Personen, innerhalb eines Videos getrackt werden können. Der Tracker kann eine kleinere Anzahl an Teilchen gleichzeitig verfolgen. Dabei verwendet er End-To-End Learning, also das Lernen alleine auf Basis von Daten und ohne auf explizit implementierte physikalische Modelle zurückzugreifen. Es wird erortert, was den Tracker daran hindert, auf sehr hohe Teilchendichten zu skalieren, und mögliche Lösungen werden vorgeschlagen.