FAIR AI Models in High Energy Physics

要約

検索可能、アクセス可能、相互運用可能、再利用可能 (FAIR) データ原則は、科学的発見を促進するためにデータを共有する方法を調査、評価、改善するためのフレームワークを提供します。
これらの原則を一般化してソフトウェアやその他のデジタル製品を研究することは、活発な研究分野です。
機械学習 (ML) モデル、つまり明示的にプログラムされずにデータに基づいてトレーニングされたアルゴリズム、そしてより一般的には人工知能 (AI) モデルは、AI の変革のペースがますます高まっているため、この重要なターゲットとなっています。
実験的高エネルギー物理学 (HEP) などの科学分野。
この論文では、HEP における AI モデルの FAIR 原則の実践的な定義を提案し、これらの原則を適用するためのテンプレートについて説明します。
HEP に適用されるサンプル AI モデルを使用してテンプレートの使用法を示します。グラフ ニューラル ネットワークは、2 つのボトム クォークに崩壊するヒッグス粒子を識別するために使用されます。
この FAIR AI モデルの堅牢性、ハードウェア アーキテクチャおよびソフトウェア フレームワーク間での移植性、および解釈可能性について報告します。

要約(オリジナル)

The findable, accessible, interoperable, and reusable (FAIR) data principles provide a framework for examining, evaluating, and improving how data is shared to facilitate scientific discovery. Generalizing these principles to research software and other digital products is an active area of research. Machine learning (ML) models — algorithms that have been trained on data without being explicitly programmed — and more generally, artificial intelligence (AI) models, are an important target for this because of the ever-increasing pace with which AI is transforming scientific domains, such as experimental high energy physics (HEP). In this paper, we propose a practical definition of FAIR principles for AI models in HEP and describe a template for the application of these principles. We demonstrate the template’s use with an example AI model applied to HEP, in which a graph neural network is used to identify Higgs bosons decaying to two bottom quarks. We report on the robustness of this FAIR AI model, its portability across hardware architectures and software frameworks, and its interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google