[论文解读] 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 79

一句话总结

这篇论文呈现一个不断演进、持续更新的综述，按类别整理高能物理领域中机器学习的应用，并对社区贡献开放。

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.

研究动机与目标

• 提供几乎全面、最新的高能物理（HEP）领域机器学习论文目录。
• 将论文组织成主题和子类别，以提升研究人员的检索性。
• 通过基于 GitHub 的工作流鼓励社区贡献与可维护性。
• 实现更新的 PDF/Markdown 版本的自动部署，并提供 BibTeX 参考文献。

提出的方法

• 创建一个随新 ML-HEP 论文发表而持续更新的动态文档。
• 将论文按类别和子类别组织，并附描述以便发现。
• 从 GitHub 仓库自动生成并部署 PDF/Markdown 版本。
• 提供 BibTeX 文件，便于作者引用。
• 提供通过 PR（拉取请求）进行社区贡献的指南和流程。
• 将更新与 arXiv 相关联，并在未来可能实现 Inspire 同步以管理参考文献。

实验结果

研究问题

• RQ1 如何将 HEP 的机器学习论文组织起来，以最大化研究人员的可发现性？
• RQ2 哪些流程能够实现随时更新、快速纳入新出版物的动态综述？
• RQ3 社区如何在保持质量与一致性的同时有效地为动态综述做出贡献？
• RQ4 哪些未来的自动化是可行的，以保持参考文献的时效性并与外部数据库同步？

主要发现

• 该动态综述提供了将机器学习应用于实验、表观或理论高能物理分析的论文的几乎全面的引文清单。
• 论文按主题和子类别分组，以提高搜索效率和可发现性。
• 该综述被维护为一个持续更新的动态文档，并欢迎社区贡献。
• 它由 GitHub 仓库生成，使用基于 LaTeX 的持续集成来生成公开部署的 PDF 和 Markdown 版本。
• 提供一个 BibTeX 文件，便于在新出版物中引用。
• 贡献遵循已记录的 PR 工作流，以确保顺畅的协作。