howto_masterclass_de.md

How to Masterclass

Diese Anleitung soll eine Übersicht geben, wie eine Masterclass mit Daten des OPAL Experimentes und maschinellem Lernen aussehen kann. An vielen Stellen lassen sich Dinge auch anders oder besser gestalten. Die Präsentation orientiert sich an dieser Übersicht.

Einführung in das Standardmodell

Der Vortrag beginnt mit einer kurzen Einführung in das Standardmodell der Teilchenphysik. Insbesondere sollten hier folgende Stichpunkte angesprochen werden:

• Drei Generationen der Materie
• Teilchen und Antiteilchen
• Wechselwirkungen und Botenteilchen
  • Z-Boson als ein Botenteilchen der schwachen Wechselwirkung

Experimente in der Teilchenphysik

• Beschleuniger Large Electron-Positron-Collider (LEP)
  • Lage und Größe
  • Elektronen und Positronen
  • Vorgänger des LHC
• Detektor: OPAL
  • Zwiebelschalen, speziell:
    • Spurdetektoren
    • Elektromagnetische Kalorimeter
      • (elektromagnetische Schauer)
    • Hadronische Kalorimeter
    • Myonendetektoren
  • Welche Teilchen erzeugen wo Signale?
    • Elektron / Positron
    • Photon
    • Myon
    • Proton
    • Neutron

Zerfall des Z-Boson

• Feynman-Diagramm
• Erzeugung aus Elektron und Positron
• Zerfall in Teilchen-Antiteilchen-Paar des gleichen Typs
  • Elektron
  • Myon
  • Tau
  • Hadronen
  • Neutrinos
    • nicht detektierbar mit OPAL
• Zerfall der Taus
  • Elektronen, Myonen oder Quarks
  • Beide Taus sind unabhängig -> Eine Seite Positron, andere Myon möglich
  • Aufnahme des Event-Displays
  • Beobachtbare Verzweigungsverhältnisse
  • Quarks:
    • mindestens zwei Jets mit vielen Teilchenspuren
    • diverse Einträge in beiden Kalorimetern
  • Elektronen:
    • Nur zwei Teilchenspuren
    • Nur Beiträge in e.m.-Kalorimeter
  • Myonen:
    • Nur zwei Teilchenspuren
    • kleine Einträge in hadronischem Kalorimeter
    • Hits im Myonendetektor
  • Tau:
    • Bei unterschiedlichem Zerfall auf beiden Seiten (z.B. links Positron, rechts Myon) sicher Tau-Zerfall
    • Bei gleichem Zerfall auf beiden Seiten (z.B. links Positron, rechts Elektron) nicht optisch unterscheidbar von direktem Zerfall in Elektronen
      • Energiebetrachtung kann das Problem lösen, da bei Zerfall der Tau Neutrinos Energie davontragen
      • Kann hier ignoriert werden, da die Energiedaten fehlen

Machine Learning

• Künstliche Intelligenz vs. Machine Learning vs. Deep Learning
  • Einordnung künstliche Neuronale Netze in das Schema
• Einführung neuronale Netze
  • z.B. via Film (englisch)
• Erweiterung Convolutional Neural Networks
  • Convolution/Faltung allgemein
    • reduziert Anzahl der Gewichte
    • reduziert Overfitting
    • Robust gegenüber Verschiebungen
  • Pooling (=Subsampling)
    • reduziert Anzahl der Gewichte in nachfolgenden Ebenen
    • reduziert Overfitting
• Strategie
  • Kombiniere mehrere Convolutional Layer und Pooling Layer zur Merkmalserkennung
  • Anschließend voll verbundenes Netzwerk zur Klassifikation
• Unterschied
  • Parameter werden gelernt, z.B. Gewichte im Filter
  • Hyperparameter: werden vorgegeben, z.B. Filtergrößen

Code

• ggf. Einführung in Python
• kurze Einführung in Jupyter Notebooks
• je nnach Vorkenntnissen entweder mit minimalen Code oder mit ganzem code starten
  • ganzer Code gibt schnelle Erfolge
    • anschließend können Hyperparameter angepasst werden uvm.
  • minimaler Code gibt das Gefühl, mehr selbst programmiert zu haben
• kurze Erklärungen:
  • Bild als Matrix
  • Klasse Event mit Dateiname, Bildmatrix und Kategorie
• Code wird Block für Block aufgebaut
• An passender Stelle eingehen auf
  • Test-tv-Split
  • Data Augmentation durch Drehungen und Spiegelungen
  • Training-Valierung-Split
  • Modellübersicht des Default-Modells
  • Lernkurve
  • Confusion Matrix
  • gemessene Verzweigungsverhältnisse
• Wenn noch Zeit: Hyperparameter können angepasst werden
  • Aufteilen der Events in Training, Validierung, Test
  • Faktor für die Verfielfältigung
    • Alle
    • Leptonen
  • (Wieviel Einfluss hat die Farbe? Reicht ein Schwarz-Weiß Bild auch?)
  • Anzahl der Epochen (Wie lange wird trainiert?)
  • Einfaches neuronales Netz vs. Convolutional Neural Network (CNN)
  • Modellstruktur:
    • Convolutional Layer
      • Anzahl
      • Filtergröße
    • Mit Pooling vs. Ohne Pooling
    • Dense Layer
      • Anzahl
      • Anzahl Neuronen pro Ebene
    • (Aktivierungsfunktionen)
• Fragestellungen zum Ende/Fazit:
  • Wie gut hat die automatische Erkennung geklappt?
  • Kann man bestimmte Merkmale identifizieren, die dazu führen, dass bestimmte Bilder falsch einsortiert wurden?
  • Das Problem lässt sich auch ganz einfach klassisch lösen mit den Eventdaten oben im Bild. Welche Vorteile und welche Nachteile haben Machine Learning verfahren?
    • Vorteile:
      • Man muss sich selbst keine Gedanken machen, welche Kriterien zur Einteilung in welche Klasse führen (auch wenn das in diesem Fall nicht schwierig ist)
      • Weiter gedacht: Man hat nicht immer zusätzliche Daten zu den Bildern
    • Nachteile:
      • Training kostet Zeit und Ressourcen
      • Training funktioniert nur, wenn genügend Traingsdaten vorhanden sind
      • Vorhersage liegt manchmal aus nicht ersichtlichen Gründen falsch