[論文レビュー] A Living Review of Machine Learning for Particle Physics

M. Feickert, Benjamin Nachman|arXiv (Cornell University)|Feb 2, 2021

Particle physics theoretical and experimental studies参考文献 1被引用数 79

ひとこと要約

本論文は、機械学習が高エネルギー物理学（HEP）にどのように適用されるかをカテゴリー別に整理し、コミュニティの貢献を受け入れる形で、継続的に更新されるリビューを提示します。

ABSTRACT

Modern machine learning techniques, including deep learning, are rapidly being applied, adapted, and developed for high energy physics. Given the fast pace of this research, we have created a living review with the goal of providing a nearly comprehensive list of citations for those developing and applying these approaches to experimental, phenomenological, or theoretical analyses. As a living document, it will be updated as often as possible to incorporate the latest developments. A list of proper (unchanging) reviews can be found within. Papers are grouped into a small set of topics to be as useful as possible. Suggestions and contributions are most welcome, and we provide instructions for participating.

研究の動機と目的

• 高エネルギー物理学（HEP）における機械学習論文のほぼ包括的で最新のカタログを提供する。
• 研究者の探索性を高めるため、論文をトピックとサブカテゴリーに整理する。
• GitHubベースのワークフローを通じてコミュニティの貢献と保守性を促進する。
• 更新されたPDF/Markdownバージョンのデプロイを自動化し、BibTeX引用情報を提供する。

提案手法

• 新しいML-HEP論文が公開されるたびに継続的に更新されるリビングドキュメントを作成する。
• 探索性のために説明付きで論文をカテゴリとサブカテゴリに整理する。
• GitHubリポジトリからPDF/Markdownバージョンの生成とデプロイを自動化する。
• 著者が容易に引用できるBibTeXファイルを提供する。
• PR（プルリクエスト）を通じたコミュニティ貢献のガイドラインと手順を提供する。
• 更新をarXivにリンクし、将来的な参照のInspire同期の可能性を検討する。

実験結果

リサーチクエスチョン

• RQ1 研究者の探索性を最大化するために、HEPのML論文をどのように整理すればよいか。
• RQ2 新しい刊行物を迅速に取り入れるリビングで最新のリビューを可能にするプロセスは何か。
• RQ3 品質と一貫性を維持しつつ、コミュニティがリビングリビューに効果的に貢献する方法は何か。
• RQ4 外部データベースと最新かつ同期する参照を維持するために、将来実現可能な自動化は何か。

主な発見

• リビングリビューは、実験的・現象論的・理論的HEP分析に機械学習を適用した論文のほぼ包括的な引用リストを提供します。
• 論文は検索効率と発見性を向上させるために、トピックとサブカテゴリにグループ化されます。
• このリビューは継続的な更新とコミュニティの貢献を取り入れたリビングドキュメントとして維持されます。
• GitHubリポジトリから生成され、LaTeXベースのCIを使用してPDFとMarkdown版を作成し、公開配布します。
• 新しい刊行物での引用を容易にするBibTeXファイルを提供します。
• 円滑な協力を確保するため、文書化されたPRワークフローにより貢献がガイドされます。