[論文レビュー] Machine Learning in High Energy Physics Community White Paper

Kim Albertsson, Piero Altoè+126 more|arXiv (Cornell University)|Jul 8, 2018

Particle physics theoretical and experimental studies参考文献 57被引用数 28

ひとこと要約

このホワイトペーパーは、高エネルギー物理学（HEP）における機械学習（ML）の統合の包括的なロードマップを提示しており、シミュレーション、リアルタイムトリガリング、オブジェクト再構築、エンド・ツー・エンドのディープラーニングを含む応用分野に焦点を当てる。HL-LHCおよび将来のニュートリノ実験の要請に応えるために、データサイエンスコミュニティとの共同研究開発、標準化されたソフトウェアツール、インfra構築を提言し、MLの持続可能なHEPワークフローへの統合を強調する。

ABSTRACT

Machine learning has been applied to several problems in particle physics research, beginning with applications to high-level physics analysis in the 1990s and 2000s, followed by an explosion of applications in particle and event identification and reconstruction in the 2010s. In this document we discuss promising future research and development areas for machine learning in particle physics. We detail a roadmap for their implementation, software and hardware resource requirements, collaborative initiatives with the data science community, academia and industry, and training the particle physics community in data science. The main objective of the document is to connect and motivate these areas of research and development with the physics drivers of the High-Luminosity Large Hadron Collider and future neutrino experiments and identify the resource needs for their implementation. Additionally we identify areas where collaboration with external communities will be of great benefit.

研究の動機と目的

• High-Luminosity LHCおよび将来のニュートリノ実験から生じるデータの洪水に対応するための高度な機械学習技術の需要を満たすこと。
• イベント再構築、リアルタイムトリガリング、シミュレーションを含む、物理学的分析を向上させる可能性のあるMLの主要な研究開発分野を特定すること。
• 広範なMLの採用を支援するためのソフトウェア、ハードウェア、教育インfra構築の包括的戦略を提言すること。
• イノベーションを加速させ、持続可能性を確保するため、外部のデータサイエンスコミュニティ、産業界、学術界との協力を促進すること。
• 再現可能性と相互運用性を確保するため、ベンチマーク、共有データセット、標準化されたツールを確立すること。

提案手法

• 従来の再構築ステップを回避し、検出器の信号を直接物理的結果にマップするエンド・ツー・エンドのディープラーニングモデルを開発する。
• アビ・オジオ量子場理論計算を用いて、完全な運動量相関を組み込んだイベント確率を計算するマトリックス要素ベースのML手法を実装する。
• マトリックス要素計算における高次元の位相空間積分に、VEGAS や MISER などのモンテカルロ統合技法を適用する。
• VEGASにおける並列位相空間サンプリングを用いたGPU加速サンプリングアルゴリズムにより、マトリックス要素の評価を高速化する。
• 多様なMLフレームワークとアクセラレータをサポートするため、標準化されたデータフォーマットとハードウェアインタフェースを備えたモジュラーよりも拡張性の高いソフトウェアスタックを設計する。
• 公平な比較と再現可能性を可能にするために、共同ベンチマークイニシャチブと共有データセットを導入する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして機械学習を高エネルギー物理学実験の全物理的分析パイプラインに体系的に統合できるか？
• RQ2 高インテンシティ条件下でリアルタイムトリガリングとイベント再構築に最も効果的なML技術は何か？
• RQ3 マトリックス要素手法は、機械学習を用いてどのように向上させられるか？特に、尤度ベースの解析における精度と効率を向上させるために。
• RQ4 スケーラブルでプロダクション用途に適したMLワークフローを支えるために、どのようなソフトウェアおよびハードウェアインフラが必要か？
• RQ5 HEPコミュニティは、広範な機械学習およびデータサイエンスコミュニティとの持続可能な協働関係をどのように構築できるか？

主な発見

• 機械学習は、すでに粒子識別、イベント再構築、リアルタイムトリガリングを含む複数のHEP分野で最先端の技術となっている。
• エンド・ツー・エンドのディープラーニングモデルは、生の検出器データから直接学習することで、再構築精度の向上に強く期待できる。
• MLで強化されたマトリックス要素手法は、完全な運動量相関と物理的制約を組み込むことで、尤度評価の高精度化を実現できる。
• GPU加速型モンテカルロ統合技法（VEGAS や FOAM など）により、マトリックス要素計算に不可欠な高次元位相空間積分の評価が高速化できる。
• 新しいML技術の検証と実験間での再現可能性を確保するため、共同ベンチマークと共有データセットは不可欠である。
• MLをHEPワークフローに持続可能に統合するには、ソフトウェアツール、教育、およびクロスコミュニティ協働の分野における連携された投資が必要である。