[논문 리뷰] Snowmass 2021 Computational Frontier CompF03 Topical Group Report: Machine Learning

Phiala E. Shanahan, K. Terao외 1명|arXiv (Cornell University)|2022. 09. 15.

Big Data Technologies and Applications인용 수 8

한 줄 요약

2021년 스노마스 컴퓨테이셔널 프론티어 주제 그룹 보고서로, 셔난한, 테라오, 화이트슨이 주도하여 기본 물리학에서의 머신러닝 현황을 종합적으로 분석하며 핵심 응용 분야, 과제, 향후 방향을 제시한다. 고에너지 물리학, 천체물리학, 양자 시스템 분야에 걸쳐 확장 가능하고 해석 가능하며 신뢰할 수 있는 방법을 통합하여 과학적 발견에 ML을 도입하는 데 전략적 로드맵을 제안한다. 주요 기여는 과학적 발견을 위한 ML 도입 전략적 로드맵이다.

ABSTRACT

The rapidly-developing intersection of machine learning (ML) with high-energy physics (HEP) presents both opportunities and challenges to our community. Far beyond applications of standard ML tools to HEP problems, genuinely new and potentially revolutionary approaches are being developed by a generation of talent literate in both fields. There is an urgent need to support the needs of the interdisciplinary community driving these developments, including funding dedicated research at the intersection of the two fields, investing in high-performance computing at universities and tailoring allocation policies to support this work, developing of community tools and standards, and providing education and career paths for young researchers attracted by the intellectual vitality of machine learning for high energy physics.

연구 동기 및 목표

• 머신러닝이 기본 물리학 연구를 촉진하는 데서 현재가 차지하는 역할과 향후 잠재력을 평가하기 위해.
• 고에너지 물리학, 천체물리학, 양자 시스템 분야에 머신러닝를 적용할 때 발생하는 핵심 과제를 특정하기 위해.
• 확장 가능성, 해석 가능성, 신뢰성에 중점을 두어 머신러닝을 과학적 발견에 통합하기 위한 전략적 프레임워크를 개발하기 위해.
• 과학 계산 및 물리학 분야의 데이터 분석을 위한 머신러닝 투자 및 인프라 투자 유도를 위해.
• 다양한 기관과 분야 간 협업을 촉진하여 물리학 분야에서 머신러닝 기반 발견을 가속화하기 위해.

제안 방법

• 20개 이상의 국가에서 활동하는 61개 기관의 기여를 수사하여 물리학 분야의 머신러닝에 대한 글로벌 시각을 확보하기 위해.
• 핵심 분야로 고에너지 물리학, 천체물리학, 양자 시스템, 실험 장비 기술 분야에 머신러닝 응용을 분류하기 위해.
• 과학적 맥락에서의 해석 가능성, 일반화 능력, 강건성에 중점을 두어 신뢰할 수 있는 머신러닝 프레임워크를 제안하기 위해.
• 물리학에 기반한 신경망과 미분 가능 프로그래밍 원리를 통합하여 모델의 정밀도를 향상시키기 위해.
• 표준화된 벤치마크, 재현 가능한 파ip라인, 오픈소스 도구를 통해 물리학 분야의 머신러닝에 필요한 인프라 확보 필요성을 강조하기 위해.
• 다음 세대 실험의 계산 요구사항을 충족하기 위해 알고리즘, 하드웨어, 워크플로우를 공동 설계할 것을 촉구하기 위해.

실험 결과

연구 질문

• RQ1 어떻게 머신러닝을 고에너지 물리학과 천체물리학 분야에서 과학적 발견을 가속화하는 데 가장 효과적으로 적용할 수 있는가?
• RQ2 과학적 연구에서 머신러닝 모델의 해석 가능성, 일반화 능력, 신뢰성 확보에 있어 핵심 과제는 무엇인가?
• RQ3 데이터 확보에서 이론 검증에 이르기까지 물리학 분야 전반에서 과학 워크플로우 전반에 걸쳐 머신러닝을 어떻게 통합할 수 있는가?
• RQ4 기본 물리학 분야에서 머신러닝 응용을 확장하기 위해 필요한 인프라와 협업 프레임워크는 무엇인가?
• RQ5 신뢰성 향상과 데이터 요구량 감소를 위해 물리학에 기반한 제약 조건을 어떻게 머신러닝 모델에 통합할 수 있는가?

주요 결과

• 머신러닝은 이미 LHC에서의 이벤트 재구성과 비정상 탐지 분야에서 고에너지 물리학의 데이터 분석을 변화시키고 있다.
• 신경망에 물리학 사전 지식을 통합하면 모델의 일반화 능력 향상과 데이터 요구량 감소에 크게 기여한다.
• 확장 가능한, 미분 가능한 시뮬레이션 프레임워크는 실험 설계와 검출기 반응을 종단 간 최적화할 수 있게 한다.
• 물리학 공동체 전반에서 표준화된 벤치마크와 재현 가능한 머신러닝 파이프라인 개발에 큰 격차가 존재한다.
• 신뢰할 수 있고 확장 가능한 머신러닝 시스템을 구축하기 위해 물리학자, 컴퓨터 과학자, 공학자 간의 다학제적 협업이 필수적이다.
• 보고서는 다음 세대 물리학 발견을 지원하기 위해 머신러닝 인프라, 교육, 오픈 사이언스 관행에 대한 투자 필요성을 명확히 규명한다.