Die Suche nach Anomalien in der Jet-Physik (B3b*)

• Fachliche Zuordnung: Kern- und Elementarteilchenphysik, Quantenmechanik, Relativitätstheorie, Felder
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 396021762

In diesem Projekt werden wir eine breite Palette von Deep-Learning-Paradigmen und -Algorithmen für die Anomalie-Suche am LHC untersuchen. Semi-überwachtes, schwach-überwachtes oder nicht-überwachtes Training kann verwendet werden, um mehr Sensitivi-tät für schwache oder komplexe Signale Neuer Physik (Anomalien) auf eine weitgehend Modell-unabhängige Weise zu erreichen. Diese Konzepte werden für QCD-Jets entwickelt, d.h. für Analyseobjekte, die in großen Mengen am LHC vorhanden sind und deren Dynamik im Rahmen des Standardmodells gut verstanden wird. Wir werden systematisch verschiedene Architekturen des maschinellen Lernens erforschen, wie z.B. Autoencoder, normalising flows und Transformator-Netzwerke, die mit verschiedenen Jet-Datenformaten trainiert werden, von Bildern über Punktwolken bis hin zu Observablen wie Energieflusspolynomen.

• DFG-Verfahren: Transregios
• Teilprojekt zu: TRR 257: Phänomenologische Elementarteilchenphysik nach der Higgs-Entdeckung
• Antragstellende Institution: Karlsruher Institut für Technologie
• Teilprojektleiter: Professor Dr. Michael Krämer; Professor Dr. Tilman Plehn