Themen für Abschlussarbeiten

Abschlussarbeiten sind bei uns zu jeder Zeit in den Bereichen Hardware, Simulation und Analyse möglich. Einige aktuelle Themen sind beispielhaft im folgenden aufgelistet. Für weitere Information und weitere Themen für Abschlussarbeiten kontaktieren Sie bitte Alexander Kappes (E-Mail), IKP Raum 224. 

Aktuelle Themen für Bachelorarbeiten:

• Charakterisierung eines GNN-basierten Rauschreinigungsalgorithmus für IceCube-Gen2: Jedes Mal, wenn ein Neutrino von IceCube nachgewiesen wird, messen die Photomultiplier (PMTs) nicht nur das Cherenkov-Licht der sekundären geladenen Teilchen des Neutrinos, sondern auch Rauschen, wie es z.B. von radioaktiven Zerfällen im Glas des Druckbehälters des optischen Moduls erzeugt wird. Die Filterung dieses Rauschens ist wichtig für die optimale Leistung mehrerer Neutrino-Rekonstruktionsalgorithmen von IceCube. Um dieses Problem anzugehen, wurden verschiedene Algorithmen zur Rauschunterdrückung entwickelt, wobei jüngst mit Techniken des maschinellen Lernens, insbesondere mit Graph Neural Networks (GNNs), sehr gute Leistungen erzielt wurden. Ziel dieser Bachelorarbeit ist es, einen GNN-basierten Rauschreinigungsalgorithmus für die kommende Hochenergie-Erweiterung IceCube-Gen2 anzupassen und zu evaluieren. Im Rahmen dieser Arbeit wird der Student grundlegende Kenntnisse über neuronale Netze mit einem Schwerpunkt auf GNNs erwerben, sowie Erfahrung in der IceCube-Datenverarbeitung und im Hochleistungsrechnen.

• Messung von Niedrigladungsimpulsen von Photomultipliers: Ein PMT erzeugt nach der Erfassung eines Photons eine Ladung, die einem gaußähnlichen Muster folgt, bekannt als "SPE-Verteilung". Ein genaues Verständnis dieser Verteilung ist wichtig für eine genaue Datenrekonstruktion in IceCube. PMTs erzeugen häufig Niedrigladungsimpulse, die von dem typischen gaußschen Muster abweichen, doch diese Abweichung von der Hintergrundverteilung zu unterscheiden, bleibt eine Herausforderung. In dieser Bachelorarbeit wird der Bereich der niedrigen Ladung umfassend mit verschiedenen Messmethoden untersucht.

Aktuelle Themen für Masterarbeiten:

• Verbesserung der Supernova-Erkennung im IceCube Upgrade mit maschinellem Lernen: Neutrinos von Kernkollaps-Supernovae besitzen typischerweise Energien im Bereich von einigen zehn MeV, was ihre Erkennung mit den Standardrekonstruktionsmethoden von IceCube unmöglich macht. Derzeit erkennt IceCube potenzielle Supernova-Neutrinoausbrüche durch die Überwachung einer kollektiven Erhöhung der Raten über alle optischen Module hinweg. Die bevorstehende Integration von mDOMs im IceCube Upgrade verspricht einen vielversprechenden Wandel für die Erkennung dieser Ereignisse. Angesichts der Konfiguration von 24 Photomultipliers pro Modul können die niederenergetischen Neutrinoereignisse innerhalb sehr kurzer Zeit Treffer über mehrere Photomultiplier in einem einzelnen Modul erzeugen. Diese Masterarbeit wird maschinelles Lernen verwenden, um Supernova-Neutrinos effizient von Hintergrundgeräuschen zu unterscheiden, wobei der Schwerpunkt auf der Analyse von Treffermustern und Korrelationen über das Array von Photomultipliers und optischen Modulen liegt.
• Untersuchung zur Performance der Real-Time Rekonstruktion in IceCube: IceCube besitzt eine umfangreiche Infrastruktur zur Benachrichtigung von anderen Experimenten in Echtzeit bei der Detektion von interessanten Ereignissen (Realtime-Alerts).  Diese Pipeplines sind auf Effizienz und Schnelligkeit optimiert und verwenden daher spezielle Rekonstruktionsalgorithmen. ZIel des Programms ist mit anderen Teleskopen einen elektromagnetischen Counterpart zu den Neutrinos zu finden. In dieser Masterarbeit soll die Leistung der verschiedenen Algorithmen untersucht, miteinander verglichen und schließlich verbessert werden. Zusätzlich soll untersucht werden, wie sich die Unsicherheit in der Richtungsrekonstruktion auf die Sensitivität für bestimmte Quellklassen auswirkt. Die Arbeit wird in enger Kooperation mit der IceCube-Gruppe in Bochum erfolgen inklusive Aufenthalte dort.
• Vorhersage von seismischem Rauschen für das Einstein-Teleskop: Dieses Masterarbeitsprojekt zielt darauf ab, das Einstein-Teleskop (ET)-Projekt durch die Entwicklung von Algorithmen für maschinelles und tiefes Lernen zur Vorhersage von seismischem Rauschen zu verbessern, das für die Gravitationswellenanalyse entscheidend ist. Der Schwerpunkt liegt auf der Vorhersage des Eintreffens von seismischen Wellen: P-Wellen (primäre Wellen, die am schnellsten sind und sich durch Festkörper, Flüssigkeiten und Gase bewegen), S-Wellen (sekundäre Wellen, die langsamer sind und sich nur durch Festkörper bewegen) und Oberflächenwellen (die sich entlang der Erdoberfläche bewegen und die meisten Schäden bei Erdbeben verursachen). Der Kandidat wird auch die 3D-Echtzeitbewegung der Erde modellieren. Diese Forschungsarbeiten sind der Schlüssel zur Filterung seismischer Interferenzen in Gravitationswellendaten. Das Projekt zielt darauf ab, die Genauigkeit der Gravitationswellendetektion erheblich zu verbessern und einen Beitrag zur astrophysikalischen Forschung zu leisten.