0.5 setgray0 0.5 setgray1

Transkript

1 0.5 setgray0 0.5 setgray1 È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½»½

2 Motivation für e -Messung verschiedene Messmethoden (Supernovae, Anisotropie des CMB, Galaxie Cluster) liefern Anteil ¾¾ von % am Å Dichteparameter durch DUNKLE MATERIE È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ¾»½

3 Motivation für e -Messung verschiedene Messmethoden (Supernovae, Anisotropie des CMB, Galaxie Cluster) liefern Anteil ¾¾ von % am Å Dichteparameter durch DUNKLE MATERIE Strukturbildung im Universum Art der dunklen Materie ist wichtiger Faktor für die È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ¾»½

4 Motivation für e -Messung verschiedene Messmethoden (Supernovae, Anisotropie des CMB, Galaxie Cluster) liefern Anteil ¾¾ von % am Å Dichteparameter durch DUNKLE MATERIE Strukturbildung im Universum Art der dunklen Materie ist wichtiger Faktor für die Theorien zur Strukturentstehung unseres Universums brauchen sog. KALTE DUNKLE MATERIE, guter Kandidat ist das leichteste supersymmetrische Neutralino möglicher indirekter Nachweis über Annihilationen in hochenergetische e, da keine anderen Quellen e hochenergetischer im Universum bekannt sind È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ¾»½

5 p e ½¼ Anforderung bei Messung der kosmischen Strahlung kosmischer Strahlung: Verhältnis von Protonen und Positronen in µ bei Messung muss eine Trennung von p und e von ca. ½¼ erreicht werden. È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

6 p e ½¼ Anforderung bei Messung der kosmischen Strahlung kosmischer Strahlung: Verhältnis von Protonen und Positronen in µ bei Messung muss eine Trennung von p und e von ca. ½¼ erreicht werden. definiert Cut Effizienz: Anteil richtig erkannter Teilchen einer Methode (hier: ¼ %) µ Der Kehrwert des Anteils falsch erkannter Teilchen, die über Cut liegen: Rejection È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

7 AMS-02 Detektor Transition Radiation Detector (TRD) Teilchenidentifikation anhand des Ñ Lorentzfaktors: Time of Flight (ToF) Messung von Geschwindigkeit, Richtung und Ladung (d dü) Tracker Spurrekonstruktion von geladenen Teilchen Teilchenselektion mit ToF Anti-Coincidence Counter (ACC) Ring Image Cherenkov Detector (RICH) präzise Geschwindigkeitsmessung Electromagnetic Calorimeter (ECal) Trennung von hochrelativistischen Leptonen und Hadronen È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

8 » ««Ñ Trennung durch Übergangsstrahlung (TR) Stetigkeit der em-felder an Grenzflächen sorgt für Strahlung mittlere Energie durch Übergangsstrahlung (ladungsunabhängig): A E J = > D C E C A H, E F 8 = K K, E A A J H E K È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

9 Trennung durch Übergangsstrahlung (TR) Stetigkeit der em-felder an Grenzflächen sorgt für Strahlung A E J = > D C E C A H, E F mittlere Energie durch Übergangsstrahlung (ladungsunabhängig): = K K, E A A J H E K 20 GeV Elektronen 0 GeV Protonen» ««Ñ rel. Haeufigkeit -3-4 höhere mittlere Energie der TR für Elektronen dient zur Unterscheidung Energie [kev] È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

10 Finaler AMS-02 TRD Finales TRD-Design: ¾¼ Lagen aus ¾ Modulen mit je ½ Proportionalkammern gekreuzte Lagen zur D-Spurrekonstruktion Gas: Xe/CO ¾ im Verhältnis ¼/¾¼ zwischen den Lagen ATLAS Radiatorvlies besondere Herausforderung: Präzisionsexperiment, was die Belastungen eines Shuttlestarts aushalten muss Ziel: Teilchenidentifikation (z.b. Proton Rejection bis zu ½¼ für Positronidentifikation) È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

11 20-lagiger TRD-Prototyp 20 Lagen, damit Wahrscheinlichkeit der Entstehung und Detektion der Übergangsstrahlung steigt. Zwischen den Lagen: Radiatormaterial Auswertung von Beamtests vom SPS am CERN aus dem Jahr GeV 20, 40, 60, 80, 0, 120, 140, Ô 160, 180, 200, 250 GeV È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

12 Klassische Analysemethoden GeV Elektronen 0 GeV Protonen Rejektion: 337 ± 35 Effizienz: 90.8 % HitCut: 6 ECut: 6.5 kev rel. Haeufigkeit # TR-Photonen Cluster-Counting Cluster-Counting: Es wird die Anzahl der hohen Energieeinträge pro Event bestimmt und als Kriterium zur Klassifikation verwendet. È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

13 ½µ ¾µ µ Klassische Analysemethoden 1 20 GeV Elektronen 0 GeV Protonen 1 20 GeV Elektronen 0 GeV Protonen -1 Rejektion: 337 ± 35 Effizienz: 90.8 % HitCut: 6 ECut: 6.5 kev -1 Rejektion: 398 ± 45 Effizienz: % Schwelle: rel. Haeufigkeit -2-3 rel. Haeufigkeit # TR-Photonen Cluster-Counting Fisher-Testgroesse t Fisher-Diskriminante Cluster-Counting: Es wird die Anzahl der hohen Energieeinträge pro Event bestimmt und als Kriterium zur Klassifikation verwendet. Ò Ò ½ Fisher-Diskriminante: Ø ½ ½ Es kann gezeigt werden, dass der Algorithmus bei Normalverteilung optimal ist. ¾ È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

14 ½µ ¾µ µ Klassische Analysemethoden 1 20 GeV Elektronen 0 GeV Protonen 1 20 GeV Elektronen 0 GeV Protonen GeV Elektronen 0 GeV Protonen -1 Rejektion: 337 ± 35 Effizienz: 90.8 % HitCut: 6 ECut: 6.5 kev -1 Rejektion: 398 ± 45 Effizienz: % Schwelle: Rejektion: 730 ± 112 Effizienz: % Schwelle: 0.59 rel. Haeufigkeit -2-3 rel. Haeufigkeit -2-3 rel. Haeufigkeit # TR-Photonen Cluster-Counting Fisher-Testgroesse t Fisher-Diskriminante ln(l) Likelihood-Analyse Cluster-Counting: Es wird die Anzahl der hohen Energieeinträge pro Event bestimmt und als Kriterium zur Klassifikation verwendet. Ò Ò ½ Fisher-Diskriminante: Ø ½ ½ Es kann gezeigt werden, dass der Algorithmus bei Normalverteilung optimal ist. Likelihood: Ermittlung des mittleren È LH-Wertes pro Event: e/p Ò Ò ¾ e/p Ð Ý µ È µ Ä Likelihood-Ratio: È p È e Verwendung analytischer Funktionen È für e/p µ, die an die Daten angepasst wurden. È e È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

15 Kurze Einführung in Neuronale Netze (NN) Æ-Æ-Backpropagation-Lernregel: Æ Û µ ½ Æ ½ Û Ø ½µ Û Øµ Û Ø ½µ Ü µ Ó Netz Ü Û µµ ¾ }{{} Û µ - E C = > A ) K I C = > A È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

16 Kurze Einführung in Neuronale Netze (NN) Æ-Æ-Backpropagation-Lernregel: Æ Û µ ½ Æ ½ Û Ø ½µ Û Øµ Û Ø ½µ Ziel: Training bis zum minimalen Fehler! Ü µ Ó Netz Ü Û µµ ¾ }{{} Û µ - E C = > A ) K I C = > A Fehler Gewicht Gewicht Verlauf des Mean Square Errors ( Û µ) bei Variation eines Gewichtes È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

17 Û Ø ½µ Ø ½µ ½ Æ Û Û Ø ½µ Û µ Û Ø ½µ Û µ Kurze Einführung in Neuronale Netze (NN) Æ-Æ-Backpropagation-Lernregel: Æ Û µ ½ Æ ½ Û Ø ½µ Û Øµ Û Ø ½µ Ziel: Training bis zum minimalen Fehler! Ü µ Ó Netz Ü Û µµ ¾ }{{} Û µ - E C = > A ) K I C = > A Æ Û µ 2.5 Ø ½µ «Û Øµ ½ : individuelle Lernrate, «: Moment Veränderung der Lernrate: Ø ½µ Øµ ½ µ Øµ Øµ Û µ Û µ sonst Û Û Øµ ¼ Øµ ¼ Fehler Gewicht Gewicht Verlauf des Mean Square Errors ( Û µ) bei Variation eines Gewichtes 5 È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº»½

18 Teilchenidentifikation mit NN Anwendung von NN zur Separation von Teilchensorten mit folgender Abbildungsvorschrift: Elektronen Protonen ½ ½ } Unterscheidungskriterium Eingabe in das NN: - analog zu anderen Analysemethoden: 20 Energien auf ( Spur Tube -NN) Ziel: nur 1 NN für alle Energien µ Verwendung eines gemischten Datensatzes für die Protonen È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½¼»½

19 Teilchenidentifikation mit NN Anwendung von NN zur Separation von Teilchensorten mit folgender Abbildungsvorschrift: Elektronen Protonen ½ ½ } Unterscheidungskriterium Eingabe in das NN: - analog zu anderen Analysemethoden: 20 Energien auf ( Spur Tube -NN) Ziel: nur 1 NN für alle Energien µ Verwendung eines gemischten Datensatzes für die Protonen rel. entries p - e 90 % electron efficiency NN output Ausgabe des trainierten NN È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½¼»½

20 ¼ Üµ È ½ Üµ È ¼ Üµ È orrelationsanalyse, Motivation eines weiteren Netzes Likelihood arbeitet aber nur mit gemittelten Wahrscheinlichkeiten µ Verbesserung theoretisch möglich! nach Neyman-Pearson-Lemma ist bester Hypothesentest È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½½»½

21 ¼ Üµ È ½ Üµ È ¼ Üµ È orrelationsanalyse, Motivation eines weiteren Netzes Likelihood arbeitet aber nur mit gemittelten Wahrscheinlichkeiten µ Verbesserung theoretisch möglich! nach Neyman-Pearson-Lemma ist bester Hypothesentest µ z.b. Eingabe von bisherigen Klassifikationsmethoden in ein kombiniertes NN Bedingungen für Verbesserung: - jede Eingabe für sich sorgt schon für eine gute Trennung (Likelihood, Zahl von Hits über kev, Tube -NN, Fisher Testgröße, mittlere Energie) - Eingaben sollen möglichst unkorreliert sein È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½½»½

22 ¼ Üµ È ½ Üµ È ¼ Üµ È orrelationsanalyse, Motivation eines weiteren Netzes Likelihood arbeitet aber nur mit gemittelten Wahrscheinlichkeiten µ Verbesserung theoretisch möglich! nach Neyman-Pearson-Lemma ist bester Hypothesentest µ z.b. Eingabe von bisherigen Klassifikationsmethoden in ein kombiniertes NN Bedingungen für Verbesserung: - jede Eingabe für sich sorgt schon für eine gute Trennung (Likelihood, Zahl von Hits über kev, Tube -NN, Fisher Testgröße, mittlere Energie) - Eingaben sollen möglichst unkorreliert sein Abweichungen von perfekter Korrelation geringe Korrelation È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½½»½

23 ¼ Üµ È ½ Üµ È ¼ Üµ È orrelationsanalyse, Motivation eines weiteren Netzes Likelihood arbeitet aber nur mit gemittelten Wahrscheinlichkeiten µ Verbesserung theoretisch möglich! nach Neyman-Pearson-Lemma ist bester Hypothesentest µ z.b. Eingabe von bisherigen Klassifikationsmethoden in ein kombiniertes NN Bedingungen für Verbesserung: - jede Eingabe für sich sorgt schon für eine gute Trennung (Likelihood, Zahl von Hits über kev, Tube -NN, Fisher Testgröße, mittlere Energie) - Eingaben sollen möglichst unkorreliert sein perfekte Korrelation µ mittlere Energie nicht als Eingabe geringe Korrelation È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½½»½

24 Kombiniertes NN Eingabe von Likelihood, Zahl von Hits über kev, Tube -NN, Fisher Testgröße haben untereinander eine mittlere Korrelation von Ö ¼ µ deutliche Abweichung von perfekter Korrelation È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½¾»½

25 Kombiniertes NN Eingabe von Likelihood, Zahl von Hits über kev, Tube -NN, Fisher Testgröße haben untereinander eine mittlere Korrelation von Ö ¼ Proton Rejection Factor 3 2 µ deutliche Abweichung von perfekter Korrelation min. required p + Rejection NN of all methods Neural net Likelihood Cluster Counting Fisher discriminant E Beam / GeV È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½¾»½

26 Kombiniertes NN Eingabe von Likelihood, Zahl von Hits über kev, Tube -NN, Fisher Testgröße haben untereinander eine mittlere Korrelation von Ö ¼ Proton Rejection Factor 3 2 µ deutliche Abweichung von perfekter Korrelation min. required p + Rejection NN of all methods Neural net Likelihood Cluster Counting Fisher discriminant Rejections in Relation zum Cluster Counting für die gesamten aufgenommenen Testdaten: Methode kombiniertes NN Likelihood Tube -NN Fisher Diskr. Cluster Counting rel. Rejection ¾ ½ ¼ ¾ ½ ¼ ½½ ½ ¼ ½¾ ½ ¼½ ¼ ¼ E Beam / GeV ½ ¼¼ ¼ ¼ È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½¾»½

27 Proton Rejection Factor Sensitivität auf Eingabereihenfolge 3 2 correct random reverse E Beam / GeV Tube -NN ist sensitiv auf Eingabereihenfolge der Energien auf der Spur È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½»½

28 Proton Rejection Factor Sensitivität auf Eingabereihenfolge 3 2 correct random reverse Rejections der einzelnen Methoden in Relation zur normalen Eingabe für die gesamten Testdaten: Methode rückwärts zufällig Cluster Counting ½ ¼¼ ¼ ¼ ½ ¼¼ ¼ ¼ Likelihood ¼ ½ ¼ ¼ ¼ ¼ ¼ Fisher Diskr. ¼ ½ ¼ ¼ ¼ ¾ ¼ ¼ E Beam / GeV Tube ¼ ¼ ¼ ¼ ¼ ¼ ¼ -NN kombiniertes ¼ ¼ ¼ ½¼ ¼ ¼ ½¼ NN Tube -NN ist sensitiv auf Eingabereihenfolge der Energien auf der Spur È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½»½

29 Proton Rejection Factor Sensitivität auf Eingabereihenfolge 3 2 correct random reverse Rejections der einzelnen Methoden in Relation zur normalen Eingabe für die gesamten Testdaten: Methode rückwärts zufällig Cluster Counting ½ ¼¼ ¼ ¼ ½ ¼¼ ¼ ¼ Likelihood ¼ ½ ¼ ¼ ¼ ¼ ¼ Fisher Diskr. ¼ ½ ¼ ¼ ¼ ¾ ¼ ¼ E Beam / GeV Tube -NN ¼ ¼ ¼ ¼ ¼ ¼ ¼ kombiniertes NN ¼ ¼ ¼ ½¼ ¼ ¼ ½¼ Steigerung der Rejection des kombinierten Netzes Tube -NN ist sensitiv auf Eingabereihenfolge gegenüber der Energien der Likelihood auf deralso Spurdurch die zusätzliche Richtungsinformation aus Tube -NN È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½»½

30 Ausblick NN gute Möglichkeit zur Teilchenidentifikation Fertigstellung der AMS-02-TRD Software: Rekonstruktion und Teilchenidentifikation volle Detektorsimulation mit Spektren aus Modellen zur kosmischen Strahlung Fertigstellung der Flight Hardware und Test È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½»½

31 Ausblick NN gute Möglichkeit zur Teilchenidentifikation Fertigstellung der AMS-02-TRD Software: Rekonstruktion und Teilchenidentifikation volle Detektorsimulation mit Spektren aus Modellen zur kosmischen Strahlung Fertigstellung der Flight Hardware und Test µ beten für die Shuttles DON T DO È Ð Ô Úº Ó Ø Ò Ñ ¹Á ÒØ Ø ÓÒ Ñ Ø À Ð ÚÓÒ Ò ÙÖÓÒ Ð Ò Æ ØÞ Ò Ñ ÌÊ ÚÓÒ ÅË¹¼¾ Å Ö Ä ¾¼¼ ß Ôº ½»½