Der Einfluss von Computer Simulationen auf den epistemischen Zustand der LHC Daten

• Antragstellerinnen / Antragsteller: Professorin Dr. Rafaela Hillerbrand; Professor Dr. Gregor Schiemann; Professor Dr. Christian Zeitnitz
• Fachliche Zuordnung: Theoretische Philosophie
• Förderung: Förderung von 2016 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 234743567

Das bentragte Projekt untersucht mit den Methoden der Wissenschaftsphilosophie computergestützter Methoden am ATLAS-Experiment, sowie deren Auswirkungen auf den epistemischen Status der experimentellen Ergebnisse. Phase 1 konzentrierte sich dabei auf den Einsatz von Computersimulationen (CS) in ATLAS. Es wurde der epistemologischen Status dieses auf CS basierendem “experimentellem” Wissen, die Struktur von Simulationsmodellen in ATLAS, einschließlich ihrer Beziehungen zu theoretischen und phänomenologischen Modellen aus der Teilchenphysik und empirischem Wissen, untersucht. Unsere Forschung trägt zur aktuellen Diskussion über Computersimulationen innerhalb der Wissenschaftsphilosophie bei und hat dadurch Relevanz jenseits der Philosophie der Physik. Wir argumentierten unter anderem, dass CS in der Teilchenphysik zwar gegenüber Laborexperimenten epistemisch unterlegen, den theoretischen Argumenten aber oft de facto überlegen sind. Ein weiteres Ergebnis unserer Forschung aus Phase 1 ist, dass die in ATLAS verwendeten CS epistemisch nicht mehr opak sind als andere epistemische Praktiken. Weitere Arbeiten (in Bearbeitung) sollen zeigen, wie CS insbesondere in ATLAS-Experimentierfällen verzichtbar sind. In Phase 2 wollen wir anhand von Fallstudien analysieren, wie sich der Beitrag von CS auf das Entdeckungspotenzial des LHC und seine Fähigkeit, (subtile) Signaturen neuer Physik zu finden, auswirken könnte. Als weiteres Thema wird hier auch Machine Learning aufgenommen. Maschinelle Lernen wird zwar seit langem in der Teilchenphysik und anderen Wissenschaftsbereichen eingesetzt, ist aber in der Wissenschaftstheorie noch nicht ausführlich thematisiert. Es bietet einen Typ von computerbasierten Methoden, der auf Lernalgorithmen basieren. Während CS weitgehend modellgetrieben sind, ist maschinelles Lernen eher datengetrieben. Während die einfachen Modelle, die CSs zugrunde liegen, als Reduzierung der Komplexität von Theorien in der Teilchenphysik angesehen werden können, reduziert das maschinelle Lernen die Komplexität von Daten, indem es Muster findet; dies geschihet scheinbar auf Kosten grössere Opazität. Fortschritte in Deep Learning (DL), einer Unterklasse des maschinellen Lernens, haben in jüngster Zeit neue Einsatzmöglichkeiten in der Teilchenphysik eröffnet. Als epistemische Praktiken bergen sowohl CS als auch DL epistemische Risiken, z.B. verbunden mit Modellierungsentscheidungen (CS) oder Konzeptbildung (ML). Ziel ist es in Phase 2, diese Risiken sowie den Umgang mit ihnen in konkreten Fallstudien aus der ATLAS-Forschung detailliert darzustellen.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 2063: The Epistemology of the Large Hadron Collider