Deep Learning

Kontakt

Name

Philipp Soldin

Double Chooz

Telefon

work
+49 241 80 27323

E-Mail

E-Mail
 

Deep Learning

Auf dieser Website finden Sie gebündelt alle Abschlussarbeitsthemen an unserem Institut, die Deep Learning Methoden beinhalten und die Links zu Informationen der jeweiligen betreuenden Arbeitsgruppen. Außerdem finden Sie unter "Allgemein" Themen bei denen der Fokus nicht auf einer konkreten Anwendung innerhalb einer Arbeitsgruppe, sondern auf der Entwicklung neuartiger Methoden liegt. Diese Themen können im Rahmen einer Forschungsgruppe aber auch gruppenübergreifend bearbeitet werden. Alle Themen (und Methodiken) sind als Vorschläge angedacht und können bei Bedarf angepasst werden. Einzelheiten der Arbeiten können im Gespräch mit den jeweiligen Betreuern besprochen werden. Für einen groben Überblick finden Sie stichwortartig die dazu angedachten Deep Learning Methoden und Konzepte. Bitte beachten Sie, dass unter Umständen nicht alle Theme für Deep Learning Einsteiger zu empfehlen sind.

 

Abkürzungen

NN: Neural Network

DNN: Deep Neural Network

FCN: Fully Connected Network

CNN: Convolutional Neural Network

GNN: Graph Neural Network

GCN: Graph Convolutional Network

BNN: Bayesian Neural Network

1D Conv.: 1 Dimensional Convolution

GAN: Generative Adverserial Network

 

Bachelor

EnEx/TRIPLE

Analyse der Akustischen Signale von TRIPLE-FRS mit Machine Learning Methoden

Double Chooz

Parallelisierung von Likelihoodberechnungen mit GPUs (GPU programming)

IceAct

Parallelisierung von Likelihoodberechnungen mit GPUs (Image recognition)

IceCube

Bildanalyse mit Maschine Learning Vergleich der Verfahren (FCNs)

Validierung der Verbesserungen neuer Machine-Learning Methoden und Observablen für die Messung astrophysikalischer Neutrinos (CNN/Feature Analysis)

Visualisierung und Analyse der Feature Importance für DeepL Rekonstruktionsverfahren (Adverserial Attacks)

JUNO

Teilchen Identifikation mit Deep Learning Methoden (GCNs/AutoEncoder/Classic/Recurrent)

SiFi-CC

Verbesserung der Ereignisidentifikation für SiFi-CC mit neuronalen Netzwerken (Image recognition/CNNs/FCNs/BNN)

Allgemein

  • Seperation mit Hilfe von AutoEncodern (z.B. Positron - Elektron Unterscheidung) (AutoEncoder)
  • Test eines neuartigen neuronalen Netzwerkalgorithmus: Graph Neural Network (GNN) basierter Autoencoder (e.g. DoubleChooz) (AutoEncoder/GNNs)
 

Master

Einstein Teleskop

Bei der Datenanalyse wollen wir uns am Warnsystem für Multi-Messenger-Trigger beteiligen. Wir suchen Masterstudierende für die Entwicklung eines Frameworks zur Identifizierung spiralisierdende binärer Systeme aus dem ET-Datenstrom. Wir wollen uns auf KI-Methoden konzentrieren, insbesondere auf deep learning. Die Identifizierung wird der wichtigste Schritt sein. Später wollen wir uns auf die Himmelslokalisierung und Parameterrekonstruktion zur Auswahl der interessantesten Ereignisse für die Multi-Messenger-Beobachtung ausdehnen. (Recurrent/Transformer/Attention/AutoEncoder/1D Conv.)

IceAct

Event reconstruction with Machine Learning (Random Forrest, Graph NN)

IceCube

Understanding hidden and correlated uncertainties and Deep Learning Methods in IceCube in the context of adversarial attacks (Adverserial Attacks)

Application of Recurrent Neural Networks for Analysing time series data in IceCube and application to magnetic monopole searches (Recurrent NNs)

Optimizing the DNN Data Selection for the measurement of astrophysical neutrino fluxes (DNN)

JUNO

Teilchen Identifikation mit Deep Learning Methoden (GCNs/AutoEncoder/Classic/Recurrent)

SiFi-CC

Verbesserung der Ereignisidentifikation für SiFi-CC mit neuronalen Netzwerken (Image recognition/CNNs/FCNs/BNN)

Allgemein

  • Liquid Neural Networks (Liquid NN)
  • Seperation mit Hilfe von AutoEncodern (z.B. Positron - Elektron Unterscheidung) (AutoEncoder)
  • Feature importance Visualisierung (Feature Analysis)
  • Generative Adverserial Networks (z.B. DoubleChooz/IceCube/Einstein) (GANs (GCNs))