Promotionsvortrag von Salvatore La Cagnina

In dieser Arbeit wird ein neuartiges Konzept für das Monte-Carlo-Ereignisgenerator-Tuning auf Grundlage des Bayes’schen Ansatzes präsentiert. Das Bayesian Analysis Toolkit (BAT.jl) wird als modernes Werkzeug zur Durchführung von Bayes’schen Inferenzen vorgestellt. Das Toolkit wird verwendet, um eine numerische Testsuite zu entwickeln, mit der die Gültigkeit und Leistung des Toolkits überprüft wird. Die Testsuite basiert auf ausgewählten Testfunktionen und verschiedenen Metriken zur Quantifizierung der Qualität der Stichproben und wird verwendet, um die Funktionsweise der in BAT.jl implementierten Markov-Chain-Monte-Carlo-(MCMC)-Verfahren zu überprüfen. Die Ergebnisse zeigen, dass die MCMC-Algorithmen in der Lage sind, die a-posteriori-Verteilungen der Testfunktionen genau abzubilden. Unter Verwendung des BAT.jl-Toolkits werden zwei Hadronisierungsmodelle mit dem Herwig Monte-Carlo-Ereignisgenerator erfolgreich an Daten der LEP-Experimente angepasst (Tuning). Verschiedene Aspekte des Tuning-Verfahrens, wie die Auswahl von Parametern und Observablen und die Qualität der Parametrisierung, werden untersucht. Die mit den angepassten Parametern erzeugten Monte-Carlo-Simulationen, die aus der globalen Mode der a-posteriori-Verteilung erhalten werden, werden mittels eines 2-Test mit Daten verglichen. Die resultierenden p-Werte der angepassten Simulationen übertreffen deutlich die der nominalen Simulationen, was auf eine erfolgreiche Anpassung und eine verbesserte Beschreibung der Daten hindeutet. Die a-posteriori-Verteilung wird zusätzlich verwendet, um eine Methode zur Fortpflanzung der Parameterunsicherheiten in den Raum der Observablen vorzustellen, welche als Maß für die Unsicherheit des Tunings dient. Studien über die Auswirkungen der Gewichtung von Observablen und den Einfluss von Korrelationen zwischen Messungen auf das Tuning werden ebenfalls präsentiert. Diese zeigen, dass die Gewichte die  Ergebnisse des Tunings ändern können, insbesondere bei Verteilungen mit mehreren Moden, jedoch ist ihr Einfluss auf die Qualität des Tunes in diesem Fall minimal. Die Korrelation der Messungen hat einen geringeren Einfluss auf die Position der globalen Mode, beeinflusst jedoch die zugehörigen Parameterunsicherheitsschätzungen erheblich. Schließlich wird ein Vergleich der beiden angepassten Hadronisierungsmodelle vorgestellt, aus dem hervorgeht, dass das Lund-String-Modell die Daten für die gewählten Observablen etwas besser beschreibt als das Cluster-Hadronisierungsmodell.