Neuronale Netzwerke unter Berücksichtigung von Unsicherheiten im Eingangsparameter Raum unter realen Testbedingungen

Mit Hilfe neuronaler Netze einen Signal- von einem Untergrundprozess voneinander zu trennen vermögen viele. Dabei systematische Unsicherheiten auf Größen im Eingangsparameterraum des neuronalen Netzes zu berücksichtigen eher wenige. Mit einer brandneuen Veröffentlichung hat das ETP gezeigt, dass unsere neuronalen Netze sogar mit bis zu 86 teilweise nichttrivial korrelierten Unsicherheiten zurecht kommen, um Messungen mit minimalen Unsicherheiten, kombiniert aus statistischen Unsicherheiten und systematischen Variationen, zu ermöglichen. Es ist das erste mal, dass ein Training unter Berücksichtigung systematischer Variationen auf einem derart komplexen Datenmodell, wie es auch für reale physikalische Messungen am LHC verwendet wird, demonstriert werden konnte. Eine Vorabversion des Papiers ist unter diesem Link zu finden.