Hintergrund:
Die statistische Analyse von Daten ist ein zentraler Aspekt jeder wissenschaftlichen Forschung. Unsere Arbeitsgruppe entwickelt das Bayesian Analysis Toolkit (BAT.jl), eine Software in der Programmiersprache Julia, die leistungsstarke Algorithmen für die Durchführung von Datenanalysen im Rahmen der Bayesschen Statistik bietet. BAT.jl umfasst benutzerfreundliche Implementationen von Sampling-Methoden wie Markov Chain Monte Carlo (MCMC) sowie Algorithmen zur numerischen Integration hochdimensionaler Verteilungen.

Ein aktueller Schwerpunkt unserer Arbeit liegt in der Weiterentwicklung bestehender Algorithmen und der Implementierung innovativer Ansätze aus dem Bereich des Maschinellen Lernen. Dazu zählt die Verknüpfung klassischer MCMC-Methoden mit modernen Techniken wie Normalizing Flows. Normalizing Flows ermöglichen es, komplexe Wahrscheinlichkeitsverteilungen durch invertierbare Transformationen zu modellieren und dadurch Sampling-Prozesse effizienter zu gestalten.

Ziel der Arbeit:
Ziel dieser Bachelorarbeit ist es, eine bestehende Implementierung von MCMC mit Normalizing Flows in die neue Version von BAT.jl zu portieren. Die Methode soll in die bestehende Infrastruktur integriert und anhand eines physikalischen Beispiels getestet werden.

Wünschenswerte Voraussetzungen:

• Interesse an statistischen Methoden und Monte-Carlo-Techniken sowie Teilchenphysik
• Grundkenntnisse in Programmierung (idealerweise Julia oder Python)
• Motivation zur Einarbeitung in physikalische und algorithmische Fragestellungen

Back