NEURONALE NETZE

Mini-Workshop: Anomaly detection with Neural Networks, Giessen, 21.02.2020

Self-Organizing Maps für Suche nach Magnetischen Monopolen und Antideuteronen (Thesis Katharina Dort)

Selbstorganisierende Karten sind eine Methode, um hochdimensionale Verteilungen auf 2 Dimension zu projezieren, jedoch mathematisch unter Einbehaltung der Topologie.

Self-Organizing Maps und Principal Components Analysis (Thesis Stephanie Käs)

Selbstorganisierende Karten sind eine Methode, um hochdimensionale Verteilungen auf 2 Dimension zu projezieren, jedoch mathematisch unter Einbehaltung der Topologie. Principal Components Analysis stellt eine Hauptachsentransformation (Drehung) im hochdimensionalen Raum dar, mit dem Ziel der maximalen Varianz der Eingabedaten.

Hopfield Netzwerke (Vertiefungsmodul Irina Heinz)

In Hopfield-Netzwerken ist jedes Neuron mit jedem anderen Neuron verbunden.

Voxel-Quantisierung (Vertiefungsmodul Johannes Bilk, Johannes Budak)

Hochdimensionaler Raum ist in "Voxel" unterteilt, die die Eingabedaten wie ein Vogelschwarm digitalisieren und repräsentieren.

Rekonstruktion von Masse und Position dunkler Materie (Thesis William Roster)

Weak Lensing. Convolutional Neural Networks (CNN).

Siamesisches NN für Photon Klassifikation (Thesis Lukas Holler)

Deep Networks (Vertiefungsmodul Marvin Peter)

with Tensorflow and Keras on nVidia GTX GPU.

Matrix Multiplikation mit DSP Slices auf Virtex FPGA (Vertiefungsmodul Falk Zorn)

Ergebnisse sind intern.

UDP data transfer mit High Level Synthesis auf Artix (Vertiefungsmodul Peter Lehnhardt)

Ergebnisse sind intern.