Diese Trainingsreihe stellt moderne Workflows in der Teilchen- und Kernphysik vor und verbindet Monte-Carlo-Simulationen, Detektordatenanalyse und Methoden des maschinellen Lernens. Die Workshops basieren auf Analysepipelines, wie sie im CBM-Experiment verwendet werden, und spiegeln reale Forschungsworkflows zur Untersuchung von Schwerionenkollisionen wider. Die Workshops sind als aufeinanderfolgender Trainingspfad konzipiert.

Workshop 1 führt in Simulations- und Datenanalyse-Workflows ein, die die Grundlage für Workshop 2 bilden, in dem Methoden des maschinellen Lernens auf wissenschaftliche Datensätze angewendet werden.

Ort: Campus Riedberg der Goethe-Universität Frankfurt, Biozentrum, Raum N260/3.13.
Teilnahmeberechtigung: Ausschließlich für Mitglieder akademischer Einrichtungen. Die Organisatoren behalten sich das Recht vor, nicht berechtigte Anmeldungen zu stornieren.
Anmeldegebühr: Keine (ausschließlich für Mitglieder akademischer Einrichtungen)
Organisation: Veranstaltet vom NHR-SW.
Sprache: Englisch

Aufbau der Workshops

• Workshop 1: Monte-Carlo-Simulation und Datenanalyse mit ROOT
• Workshop 2: Einführung in neuronale Netze für wissenschaftliche Datenanalyse

Abhängigkeit der Workshops

Workshop 1 vermittelt das notwendige Verständnis für Simulationsdaten, Detektorrekonstruktion und physikalische Observablen. Die in Workshop 1 eingeführten Datensätze und Analysekonzepte werden als Grundlage für die Anwendungen des maschinellen Lernens in Workshop 2 verwendet. Die Teilnahme an Workshop 1 wird vor Workshop 2 dringend empfohlen.

Workshop 1

Monte-Carlo-Simulation und Datenanalyse mit ROOT
Beschreibung: Dieser Workshop stellt Simulations- und Analyse-Workflows in der Teilchen- und Kernphysik vor, mit Beispielen, die vom CBM-Experiment inspiriert sind. Die Teilnehmenden lernen, wie Monte-Carlo-Simulationen Kollisionsereignisse mit Transportmodellen wie PHSD erzeugen und wie Rekonstruktionsalgorithmen, einschließlich des Kalman Filter Particle Finder (KFPF), zur Extraktion physikalischer Observablen eingesetzt werden. Der Kurs legt den Schwerpunkt auf praktische Datenverarbeitung und -analyse mit dem CERN-Framework ROOT, einschließlich Visualisierung und statistischer Analyse simulierter und rekonstruierter Ereignisdaten.

Lernziele: Die Teilnehmenden lernen,

• Monte-Carlo-Simulationsworkflows zu verstehen,
• mit rekonstruierten Detektordaten zu arbeiten,
• ROOT für Datenvisualisierung und -analyse zu nutzen,
• physikalische Observablen aus Kollisionsereignissen zu extrahieren.

Workshop 2

Einführung in neuronale Netze für wissenschaftliche Datenanalyse
Beschreibung: Dieser Workshop vermittelt die grundlegenden Konzepte neuronaler Netze mit besonderem Fokus auf Convolutional Neural Networks (CNNs). Die Beispiele basieren auf modernen Datenanalyse-Workflows aus dem CBM-Experiment, in denen CNNs zur Klassifikation von Kollisionsereignissen und zur Identifikation von Signaturen einer Quark-Gluon-Plasma-Bildung eingesetzt werden. Die Teilnehmenden lernen, wie ML-Modelle mit simulierten Datensätzen trainiert werden, die mit Transportmodellen wie PHSD erzeugt wurden, und wie neuronale Netze auf realistische Detektordaten angewendet werden können.

Lernziele: Die Teilnehmenden lernen,

•     neuronale Netzwerkarchitekturen zu verstehen,
•     wissenschaftliche Datensätze für maschinelles Lernen vorzubereiten,
•     CNN-Modelle zu trainieren und zu validieren,
•     ML-Methoden auf Detektor- und Simulationsdaten anzuwenden.

Zweitägiges Trainingsprogramm

Tag 1 – Simulation und ROOT-Analyse

Vormittag

•     Einführung in Schwerionenkollision-Simulationen
•     Überblick über das PHSD-Transportmodell
•     Monte-Carlo-Ereignisgenerierung
•     Detektorrekonstruktion und KFPF-Workflow

Nachmittag

•     Einführung in CERN ROOT
•     Ereignisdatenstruktur und -speicherung
•     Datenvisualisierung und statistische Analyse
•     Praktische ROOT-Übungen

Tag 2 — Neuronale Netze und Ereignisklassifikation

Vormittag

•     Einführung in maschinelles Lernen in der Teilchenphysik
•     Grundlagen neuronaler Netze
•     Convolutional Neural Networks (CNNs)
•     Datensatzvorbereitung und Feature-Engineering

Nachmittag

•     Training und Validierung von CNNs
•     Klassifikationsbeispiele aus CBM
•     Performance-Bewertung und Interpretation
•     Praktische ML-Übungen