[논문 리뷰] Machine Learning in High Energy Physics Community White Paper

Kim Albertsson, Piero Altoè외 126명|arXiv (Cornell University)|2018. 07. 08.

Particle physics theoretical and experimental studies참고 문헌 57인용 수 28

한 줄 요약

이 화이트페이퍼는 고에너지물리학(HEP) 분야에 기계학습(ML)을 통합하기 위한 종합적인 로드맵을 제시한다. 시뮬레이션, 실시간 트리거링, 객체 재구성, 엔드 투 엔드 딥 러닝 등 응용 분야에 초점을 맞추며, 데이터 과학 공동체와의 협업, 표준화된 소프트웨어 도구, 인프라 업그레이드를 제안하여 고광도 LHC와 향후 뉴트리노 실험의 요구사항을 충족시키며, HEP 워크플로우에 지속 가능한 ML 통합을 강조한다.

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.

연구 동기 및 목표

• 고광도 LHC와 향후 뉴트리노 실험으로부터 발생하는 데이터 폭풍을 다루기 위한 고도화된 기계학습 기법의 증가하는 필요성을 해결한다.
• 이벤트 재구성, 실시간 트리거링, 시뮬레이션을 포함한 물리 분석 향상에 기여할 수 있는 ML의 핵심 연구개발 분야를 특정한다.
• HEP에서 광범위한 ML 도입을 뒷받침하기 위한 소프트웨어, 하드웨어, 교육 인프라의 통합 전략을 제안한다.
• 혁신을 가속화하고 지속 가능성을 확보하기 위해 외부 데이터 과학 공동체, 산업계, 학술계와의 협업을 촉진한다.
• 재현 가능성과 상호운용성을 보장하기 위해 벤치마크, 공유 데이터셋, 표준화된 도구를 설정한다.

제안 방법

• 기존 재구성 단계를 건너뛰고, 검출기 신호를 물리 수준의 결과로 직접 매핑하는 엔드 투 엔드 딥 러닝 모델을 개발한다.
• 기본적인 양자장 이론 계산을 활용하여 이벤트 확률을 계산하는 매트릭스 원소 기반 ML 방법을 구현하며, 전체 운동량 상관관계를 포함한다.
• 매트릭스 원소 계산에서 고차원 위상공간 적분을 위해 VEGAS 및 MISER 등의 몬테카를로 통합 기법을 사용한다.
• VEGAS에서 동시 위상공간 샘플링을 통해 GPU 가속 샘플링 알고리즘을 활용해 매트릭스 원소 평가를 가속화한다.
• 다양한 ML 프레임워크와 가속기 장치를 지원하기 위해 표준화된 데이터 포맷과 하드웨어 인터페이스를 갖춘 모듈식이고 확장 가능한 소프트웨어 스택을 설계한다.
• 공동 벤치마크 이니셔티브와 공유 데이터셋을 도입하여 실험 간 ML 모델의 공정한 비교와 재현 가능성을 보장한다.

실험 결과

연구 질문

• RQ1 기계학습은 고에너지물리학 실험의 전체 물리 분석 워크플로우에 어떻게 체계적으로 통합될 수 있는가?
• RQ2 고광도 조건 하에서 실시간 트리거링과 이벤트 재구성에 가장 효과적인 ML 기법은 무엇인가?
• RQ3 기계학습을 활용해 매트릭스 원소 방법을 어떻게 향상시킬 수 있으며, 이는 가능도 기반 분석의 정확성과 효율성을 높일 수 있는가?
• RQ4 확장 가능하고 프로덕션 수준의 ML 워크플로우를 지원하기 위해 필요한 소프트웨어 및 하드웨어 인프라는 무엇인가?
• RQ5 HEP 공동체는 더 넓은 기계학습 및 데이터 과학 공동체와 어떻게 지속 가능한 협업을 구축할 수 있는가?

주요 결과

• 기계학습은 이미 입자 식별, 이벤트 재구성, 실시간 트리거링을 포함한 여러 HEP 분야에서 최신 기술 수준에 이르렀다.
• 엔드 투 엔드 딥 러닝 모델은 원시 검출기 데이터로부터 직접 학습함으로써 재구성 정확도 향상 잠재력을 보여주고 있다.
• ML로 향상된 매트릭스 원소 기반 방법은 전체 운동량 상관관계와 물리적 제약 조건을 통합함으로써 가능도 평가의 정밀도를 향상시킬 수 있다.
• VEGAS 및 FOAM과 같은 GPU 가속 몬테카를로 통합 기법은 매트릭스 원소 계산에 필수적인 고차원 위상공간 적분을 더 빠르게 평가할 수 있게 한다.
• 공동 벤치마크와 공유 데이터셋은 새로운 ML 기법의 검증과 실험 간 재현 가능성 확보에 필수적이다.
• HEP 워크플로우에 ML을 지속 가능하게 통합하기 위해서는 소프트웨어 도구, 교육, 다중 공동체 협업에 대한 통합 투자 필요성이 있다.