Benutzer: Gast  Login
Originaltitel:
Machine Learning in String Theory
Übersetzter Titel:
Maschinelles Lernen in Stringtheorie
Autor:
Parr, Erik Thomas
Jahr:
2020
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Physik
Betreuer:
Weiler, Andreas (Prof. Dr.)
Gutachter:
Weiler, Andreas (Prof. Dr.); Sachs, Ivo (Prof. Dr.)
Sprache:
en
Fachgebiet:
PHY Physik
TU-Systematik:
PHY 410d
Kurzfassung:
In this thesis, we investigate the heterotic orbifold landscape under phenomenological considerations. The reason for a non-vanishing cosmological constant in non-supersymmetric heterotic orbifolds is studied. For supersymmetric orbifold compactifications, we apply autoencoder neural networks and contrast mining to significantly improve the search for MSSM-like models. Finally, we show that the phenomenological characteristics of MSSM-like models depend on the specific orbifold compactification.
Übersetzte Kurzfassung:
In dieser Arbeit untersuchen wir die heterotische Stringlandschaft unter phänomenologischen Aspekten. Zu Beginn analysieren wir den Grund für eine nicht verschwindende kosmologische Konstante in nicht supersymmetrischen heterotischen Orbifaltigkeiten. Für supersymmetrische Orbifaltigkeit-Kompaktifizierungen werden Autoencoder neuronale Netze und Contrast-Mining angewendet, um die Suche nach MSSM ähnlichen Modellen wesentlich zu verbessern. Abschließend zeigen wir, dass die phänomenologischen Eig...     »
WWW:
https://mediatum.ub.tum.de/?id=1545561
Eingereicht am:
25.05.2020
Mündliche Prüfung:
17.09.2020
Dateigröße:
4400969 bytes
Seiten:
169
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20200917-1545561-1-9
Letzte Änderung:
30.09.2020
 BibTeX