[论文解读] 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 28

一句话总结

本白皮书概述了将机器学习（ML）整合到高能物理（HEP）中的全面路线图，重点涵盖模拟、实时触发、对象重建以及端到端深度学习等应用。该路线图提出与数据科学界开展协作研发，采用标准化软件工具，并升级基础设施，以满足高亮度LHC和未来中微子实验的需求，强调将ML可持续地整合到HEP工作流程中。

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.

研究动机与目标

• 应对高亮度LHC和未来中微子实验带来的数据洪流对先进机器学习技术日益增长的需求。
• 识别机器学习可提升物理分析的关键研发领域，包括事例重建、实时触发和模拟。
• 提出软件、硬件和培训基础设施的协调策略，以支持HEP中广泛采用机器学习。
• 促进与外部数据科学界、产业界和学术界的协作，以加速创新并确保可持续性。
• 建立基准测试、共享数据集和标准化工具，以实现实验之间的可复现性和互操作性。

提出的方法

• 开发端到端深度学习模型，直接将探测器信号映射到物理层面结果，绕过传统重建步骤。
• 实施基于矩阵元的机器学习方法，利用从头计算的量子场论方法计算事例概率，整合完整的运动学相关性。
• 使用蒙特卡罗积分技术（如VEGAS和MISER）对矩阵元计算中的高维相空间进行积分。
• 通过GPU加速的采样算法（如VEGAS中的并发相空间采样）加速矩阵元评估。
• 设计模块化、可扩展的软件堆栈，采用标准化数据格式和硬件接口，以支持多种机器学习框架和加速器。
• 推出协作基准测试计划和共享数据集，以实现实验之间对机器学习模型的公平比较和可复现性。

实验结果

研究问题

• RQ1 如何系统性地将机器学习整合到高能物理实验的完整物理分析流程中？
• RQ2 在高亮度条件下，哪些最有效的机器学习技术可用于实时触发和事例重建？
• RQ3 如何利用机器学习增强矩阵元方法，以提高基于似然分析的精度和效率？
• RQ4 支持HEP中可扩展、生产级机器学习工作流所需的软件和硬件基础设施是什么？
• RQ5 HEP社区如何建立可持续的合作关系，以与更广泛的机器学习和数据科学社区协同发展？

主要发现

• 机器学习在高能物理的多个领域已达到最先进水平，包括粒子识别、事例重建和实时触发。
• 端到端深度学习模型在直接从原始探测器数据学习方面展现出显著潜力，可提升重建精度。
• 通过机器学习增强的基于矩阵元的方法可通过整合完整的运动学相关性和物理约束，实现更高的似然评估精度。
• GPU加速的蒙特卡罗积分技术（如VEGAS和FOAM）可显著加快高维相空间积分的计算，这对矩阵元计算至关重要。
• 协作基准测试和共享数据集对于验证新型机器学习技术并确保实验间的可复现性至关重要。
• 将机器学习可持续地整合到HEP工作流程中，需要协调投资于软件工具、培训以及跨社区协作。