Themenangebot Abschlussarbeiten

Die Angebote für Abschlussarbeiten in unserer Arbeitsgruppe sind eng in unsere Forschungsaktivitäten eingebunden. Insbesondere befassen wir uns mit Higgs- und Teilchen-Suchen jenseits des Standardmodells und Tau-Physik bei ATLAS am Large Hadron Collider sowie mit der Entwicklung und dem Einsatz von Teilchchendetektoren in der Hochenergiephysik und der Medizin. Mit neuer Detektortechnik aktualisieren wir zudem das teilchenphysikalische Praktikum.

Die konkrete Aufgabenstellung wird immer an die Länge der Abschlussarbeit und die Vorkenntnisse und Interessen angepasst.

Unsere aktuellen Themen für Bachelorarbeiten, Wissenschaftliche Studien, Masterarbeiten und Staatsexamen sind:

Suche nach Higgs-Bosonen jenseits des Standardmodells und Nachweis von Tau-Zerfällen mit dem ATLAS-Detektor am LHC

Bachelorarbeit, Wissenschaftliche Studien, Masterarbeit, Staatsexamensarbeit in Experimenteller Teilchenphysik

Multivariate Analyse, Machine Learning und Künstliche Intelligenz
Optimieren der Datenanalyse zur Teilchensuche und Teilchenrekonstruktion
Anwendung und Weiterentwicklung von Analyse-Software zur statistischen Datenauswertung

Eine der Forschungsaktivitäten der ATLAS-Gruppe des Instituts für Kern- und Teilchenphysik ist die Suche nach Higgs-Bosonen in Erweiterungen des Standardmodells am Large Hadron Collider (LHC). Für diese Teilchensuche steht ein neuer Rekorddatensatz von insgesamt 200 fb^-1 zur Verfügung, der ausgewertet werden soll. Weitere Daten zeichnet der ATLAS-Detektor derzeit auf.

Beim Zerfall von Higgs-Bosonen jenseits des Standardmodells treten häufig Tau-Leptonen im Endzustand auf. Die Suche nach Signalereignissen, die Unterdrückung des Untergrundes und die Erkennung von hadronisch zerfallenden Tau-Leptonen werden laufend optimiert. Dabei kommen Methoden des Machine Learning und statistische Datenauswertung zum Einsatz.

Die Schwerpunkte der Bachelor- oder Masterarbeit können individuell festgelegt werden. Aktuelle Fragestellungen sind die Rekonstruktion der Masse der zerfallenden Higgs-Bosonen, die Optimierung der Rekonstruktion von Tau-Zerfällen aus Teilchenspuren und die Verbesserung der Ereignisselektion für die Suche nach leichten oder schweren Higgs-Bosonen.

In dem Forschungsprojekt erlernen Sie software-gestützte Methoden der Datenanalyse und Statistik, den Einsatz von Machine-Learning-Tools, sowie die Funktionsweise moderner Teilchendetektoren.

Voraussetzung für die Arbeit sind Kenntnisse der Grundlagen der Teilchenphysik. Gute Kenntnisse in einer objektorientierten Programmiersprache sind empfehlenswert.

pp-Kollisionsereignis mit supersymmetrischem Higgs-Kandidaten — pp-Kollisionsereignis aufgezeichnet mit dem ATLAS-Detektor am LHC. Das Bild zeigt einen Kandidaten für einen supersymmetrischen Higgs-Boson-Zerfall in zwei Tau-Leptonen.

Verbesserung der Energiemessung mit dem Flüssig-Argon-Kalorimeter des ATLAS-Detektors am LHC

Bachelorarbeit, Wissenschaftliches Arbeiten, Masterarbeit, Staatsexamensarbeit in Experimenteller Teilchenphysik

Machine Learning und Künstliche Intelligenz
Optimieren der Energiemessung des Kalorimeters
Programmieren oder Simulation elektronischer Signalprozessoren
Statistische Analyse von Messdaten

Die Flüssig-Argon-Kalorimeter des ATLAS-Detektors sollen in einer zukünftigen Ausbaustufe mit einer neuen Auslese-Elektronik ausgestattet werden. Dabei werden die Signale der Kalorimeter mit höherer Energie- und Ortsauflösung ausgelesen, so dass man die bei den pp-Kollisionen entstehenden Teilchen besser erkennen und rekonstruieren kann. Ziel ist z.B. die verbesserte Erkennung von weiteren Higgs-Bosonen, die mit dem ATLAS-Detektor gesucht werden.

Diese Teilchenerkennung muss in Echtzeit erfolgen und jede Entscheidung darf nicht länger als ca. 0,5 μs dauern. Daher werden modernste und schnelle, programmierbare FPGA-Schaltkreise zur Signalerkennung genutzt. Wir setzen dabei Deep-Learning und Methoden der künstlichen Intelligenz ein, um die Messungen zu optimieren.

In der Bachelor- oder Master-Arbeit soll die Energierekonstruktion der ATLAS-Kalorimeter mit Machine-Learning-Ansätzen weiter verbessert werden.

In dem Forschungsprojekt erlernen Sie den Einsatz von Machine-Learning-Tools (keras), universelle, software-gestützte Datenverarbeitung, sowie die grundlegenden Funktionsweisen moderner Teilchendetektoren und elektronischer Auslesesysteme.

Interessierte können auch die Hardware-Programmiersprache VDHL erlernen, welche wir zur Programmierung von FPGAs einsetzen.

Voraussetzung für die Arbeit sind Kenntnisse der Grundlagen der Teilchenphysik und Motivation, sich in die Methoden des Machine-Learning einzuarbeiten. Grundkenntnisse einer Programmiersprache sind von Vorteil.