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.