Machine Learning under Resource Constraints, Volume 2: Discovery in Physics

یادگیری ماشین تحت محدودیت‌های منابع به الگوریتم‌های جدید یادگیری ماشینی می‌پردازد که توسط داده‌های با توان بالا، ابعاد بالا یا ساختارهای پیچیده داده‌ها در سه جلد به چالش کشیده می‌شوند. محدودیت های منابع از طریق رابطه بین تقاضا برای پردازش داده ها و ظرفیت ماشین های محاسباتی داده می شود. منابع عبارتند از زمان اجرا، حافظه، ارتباطات و انرژی. از این رو، معماری های کامپیوتری مدرن نقش مهمی ایفا می کنند. الگوریتم های جدید یادگیری ماشین با توجه به حداقل مصرف منابع بهینه شده اند. علاوه بر این، پیش بینی های آموخته شده بر روی معماری های متنوع برای صرفه جویی در منابع اجرا می شوند. این یک مرور کلی از رویکردهای جدید برای تحقیقات یادگیری ماشینی است که محدودیت‌های منابع را در نظر می‌گیرد و همچنین کاربرد روش‌های توصیف‌شده در حوزه‌های مختلف علم و مهندسی را در نظر می‌گیرد.

جلد 2 یادگیری ماشینی برای کشف دانش در فیزیک ذرات و اختر ذرات را پوشش می‌دهد. ابزار آنها، به عنوان مثال، آشکارسازهای ذرات یا تلسکوپ، پتابایت داده جمع آوری می کنند. در اینجا، یادگیری ماشین نه تنها برای پردازش حجم وسیعی از داده‌ها و شناسایی نمونه‌های مرتبط به طور موثر، بلکه به عنوان بخشی از فرآیند کشف دانش نیز ضروری است. دانش فیزیکی در شبیه‌سازی‌هایی کدگذاری می‌شود که برای آموزش مدل‌های یادگیری ماشین استفاده می‌شوند. در عین حال، تفسیر مدل های آموخته شده در خدمت گسترش دانش فیزیکی است. این منجر به چرخه ای از افزایش تئوری می شود که توسط یادگیری ماشین پشتیبانی می شود.

Machine Learning under Resource Constraints addresses novel machine learning algorithms that are challenged by high-throughput data, by high dimensions, or by complex structures of the data in three volumes. Resource constraints are given by the relation between the demands for processing the data and the capacity of the computing machinery. The resources are runtime, memory, communication, and energy. Hence, modern computer architectures play a significant role. Novel machine learning algorithms are optimized with regard to minimal resource consumption. Moreover, learned predictions are executed on diverse architectures to save resources. It provides a comprehensive overview of the novel approaches to machine learning research that consider resource constraints, as well as the application of the described methods in various domains of science and engineering.

Volume 2 covers machine learning for knowledge discovery in particle and astroparticle physics. Their instruments, e.g., particle detectors or telescopes, gather petabytes of data. Here, machine learning is necessary not only to process the vast amounts of data and to detect the relevant examples efficiently, but also as part of the knowledge discovery process itself. The physical knowledge is encoded in simulations that are used to train the machine learning models. At the same time, the interpretation of the learned models serves to expand the physical knowledge. This results in a cycle of theory enhancement supported by machine learning.