[논문 리뷰] A Living Review of Machine Learning for Particle Physics
이 논문은 카테고리별로 구성되고 커뮤니티 기여에 열려 있으며 기계 학습이 고에너지 물리학에 어떻게 적용되는지에 대한 살아있는 지속적으로 업데이트되는 리뷰를 수록합니다.
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.
연구 동기 및 목표
- 고에너지 물리학(HEP)의 ML 논문을 거의 포괄적이고 최신의 카탈로그로 제공한다.
- 연구자들이 검색하기 쉽도록 논문을 주제와 하위 범주로 구성한다.
- GitHub 기반 워크플로우를 통해 커뮤니티 기여와 관리 가능성을 장려한다.
- 업데이트된 PDF/Markdown 버전의 자동 배포 및 BibTeX 참고문헌을 제공한다.
제안 방법
- 새로운 ML-HEP 논문이 출판될 때마다 지속적으로 업데이트되는 살아있는 문서를 만든다.
- 검색 가능성을 높이기 위해 논문을 주제와 하위 범주로 구성하고 설명을 추가한다.
- GitHub 저장소에서 PDF/Markdown 버전을 생성하고 배포를 자동화한다.
- 저자들이 쉽게 인용할 수 있도록 BibTeX 파일을 제공한다.
- PR(풀리퀘스트)을 통한 커뮤니티 기여를 위한 가이드라인과 프로세스를 제공한다.
- 참고 문헌의 업데이트를 arXiv와 향후 Inspire 동기화로 연결한다.
실험 결과
연구 질문
- RQ1HEP의 ML 논문을 연구자들이 최대한 쉽게 찾을 수 있도록 어떻게 구성할 수 있나?
- RQ2새로운 출판물을 신속하게 반영하는 살아있는 최신 리뷰를 가능하게 하는 프로세스는 무엇인가?
- RQ3품질과 일관성을 유지하면서 커뮤니티가 살아있는 리뷰에 효과적으로 기여하려면 어떻게 해야 하나?
- RQ4참고 문헌을 최신 상태로 유지하고 외부 데이터베이스와 동기화하기 위해 어떤 미래 자동화가 가능하나?
주요 결과
- Living Review는 ML을 실험적, 표현론적 또는 이론적 HEP 분석에 적용한 논문들에 대한 거의 포괄적인 인용 목록을 제공합니다.
- 논문들을 주제와 하위 범주로 묶어 검색 효율성과 발견 가능성을 향상시킵니다.
- 리뷰는 지속적인 업데이트와 커뮤니티 기여를 통해 살아있는 문서로 유지됩니다.
- GitHub 저장소에서 LaTeX 기반 CI를 사용하여 PDF 및 Markdown 버전을 생성하고 공개적으로 배포합니다.
- 새로운 출판물에서의 인용을 촉진하기 위해 BibTeX 파일이 제공됩니다.
- 협업의 원활한 진행을 보장하기 위한 문서화된 PR 워크플로우가 기여를 안내합니다.
더 나은 연구,지금 바로 시작하세요
연구 설계부터 논문 작성까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.