Neues Visualisierungstool: Unsicherheitsröhre für Teilchenpfade

Neural‑Network‑Modelle haben die Vorhersage von Teilchenpfaden revolutioniert, doch die Unsicherheit dieser Vorhersagen bleibt oft unklar. Ohne ein klares Bild der Unsicherheit kann die Vertrauenswürdigkeit solcher Modelle in kritischen Anwendungen stark leiden.

In der aktuellen Studie wird die „Unsicherheitsröhre“ vorgestellt – ein kompakter, superelliptischer Tubus, der asymmetrische Unsicherheiten präzise erfasst und anschaulich darstellt. Durch seine effiziente Berechnung lässt sich die Methode schnell in bestehende Workflows integrieren.

Die Autoren kombinieren bewährte Unsicherheitsquantifizierungsmethoden wie Deep Ensembles, Monte‑Carlo‑Dropout und Stochastic Weight Averaging‑Gaussian (SWAG). Auf synthetischen und simulierten Datensätzen demonstrieren sie, wie die Unsicherheitsröhre die Vertrauenswürdigkeit von NN‑Vorhersagen sichtbar macht und damit die Anwendungssicherheit in Forschung und Technik erhöht.