Um Präzisionsmessungen des Standardmodells und Suchen nach neuer Physik zu verbessern, entwickelt unsere Gruppe neue Analysemethoden. Wir erforschen neue Ideen hinsichtlich statistischer Methoden, Maschinellen Lernens und Elektronik, um unsere Messungen und das Potential von möglichen Entdeckungen bestmöglich auszuschöpfen und systematische Unsicherheiten auf ein Minimum zu beschränken.
Quark/Gluon-Tagging auf Trigger-Jets
Die Analyse von Dijet-Ereignissen kann uns wichtige Informationen über mögliche neue Modelle jenseits des Standardmodells. In einigen dieser Modelle kann das massive Austauschteilchen als Exzess im invarianten Massenspektrum der Zerfallsprodukte beobachtet werden. Wir studieren daher das Taggen von Quark- vs. Gluonjets. Dazu nutzen wir insbesondere Boosted Decision Trees und andere Methoden des Maschinellen Lernens.
Autoencoder und unsichtbare Signaturen von Higgs-Zerfällen
Die Suche nach Higgs-Zerfällen in unsichtbare Teilchen ist eine bedeutende Suche nach neuer Physik, da die Standardmodellvorhersage für diesen Prozess nahezu null ist. Moderne Methoden des Maschinellen Lernens wie Autoencoder liefern attraktive Lösungen, um solche unsichtbaren Higgs Zerfälle herauszufiltern.
Bildquelle: CERN
Jet-Pseudorapiditäts-Interkalibration
Für viele ATLAS Physik Analysen ist die genaue Kenntnis der Jet-Energie-Skala (JES) und deren Unsicherheit eine wichtigere Voraussetzung. Eine Möglichkeit die JES Korrektur zu validieren und deren Unsicherheit zu bestimmen, bietet die Jet-Pseudorapiditäts-Interkalibration. Wir haben eine neue Methode entwickelt um einen größeren statistischen Datensatz, bestehend aus Dijets, zu selektieren.
