Hintergrund:
Neue, schwere Teilchen wie Kaluza-Klein-Gravitonen, Radionen oder zusätzliche Higgs-Bosonen werden von vielen Theorien vorhergesagt. Die ATLAS-Kollaboration hat kürzlich eine Suche nach solchen Teilchen veröffentlicht, die starke Ausschlussgrenzen setzt. Es gibt jedoch Potenzial für Verbesserungen durch optimierte Analyseverfahren, z. B. differenzielle Signalregionen oder maschinelles Lernen.

Ziel der Arbeit:
Optimierung der Analyse von Modelldaten zur Verbesserung der Sensitivität:

• Signalregionen: Untersuchung differenzieller Signalregionen, z. B. anhand der Jet-Multiplikität.
• Maschinelles Lernen: Einsatz moderner Methoden zur Phasenraumoptimierung.
• Ergebnisse: Anwendung der optimierten Analyse auf reale ATLAS-Daten für präzisere Resultate.

Wünschenswerte Voraussetzungen:

• Interesse an statistischen Methoden und Teilchenphysik.
• Programmierkenntnisse (Python, C++).
• Kreativität und Freude an innovativen Analyseideen.

Back