Hintergrund:
Monte-Carlo-Methoden sind ein zentraler Bestandteil der modernen Datenanalyse, insbesondere in der statistischen Modellierung und Simulation physikalischer Prozesse. 

BAT.jl, das Bayesian Analysis Toolkit in Julia, ist eine von unserer Arbeitsgruppe entwickelte Software, die effiziente und benutzerfreundliche Implementationen von Algorithmen für die Bayessche Datenanalyse bereitstellt. Dabei liegt ein besonderer Fokus auf modernen Sampling-Methoden wie dem Markov-Chain-Monte-Carlo (MCMC).

Das Tool Sherpa ist ein etablierter Event-Generator in der Teilchenphysik, der zur Simulation von Teilchenkollisionen basierend auf den differenziellen Wirkungsquerschnitten physikalischer Prozesse eingesetzt wird. Mithilfe des Importance Sampling durchsucht Sherpa effizient den multidimensionalen Phasenraum und generiert Ereignisse proportional zu ihrer Wahrscheinlichkeitsverteilung. Dies ist besonders wichtig für die Simulation seltener Prozesse mit komplexen Endzuständen, wie sie in Experimenten am LHC auftreten, und trägt sowohl zur Suche nach neuen physikalischen Effekten als auch zum Verständnis des Standardmodells bei. In aktuellen Studien versuchen wir in Zusammenarbeit mit den Sherpa Entwicklern, die modernen Sampling-Algorithmen aus BAT.jl mit der Infrastruktur von Sherpa zu verknüpfen um die Effizienz der Erzeugung simulierter Events zu verbessern. 

Um eine fundierte Vergleichsanalyse der Qualität von Monte-Carlo-Samples zu ermöglichen, haben wir bereits eine umfassende Benchmarking-Suite entwickelt. Dieses Tool soll im Rahmen der Arbeit genutzt werden, um die Qualität der durch BAT.jl und Sherpa generierten Samples systematisch zu bewerten.

Ziel der Arbeit:
Im Rahmen dieser Bachelorarbeit soll die Qualität von Monte-Carlo-Samples, die mit BAT.jl und mit Sherpa erzeugt wurden, untersucht und verglichen werden. Dabei werden verschiedene physikalische Szenarien betrachtet, wie etwa unterschiedliche Endzustände oder Phasenraum-Schnitte, um die Auswirkungen auf die generierten Samples und physikalischen Observablen zu analysieren. Neben der Bewertung der Sample-Qualität sollen auch die zugrundeliegenden MCMC Algorithmen und ihre Einstellungen systematisch miteinander verglichen 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

Zurück