面向加速器物理中 AI/ML 应用的活生生评论管道

我们提出了一个开源管道，用于生成人工智能 (AI) 和机器学习 (ML) 在加速器物理与技术应用的“活生生”评论。传统评论文章提供的是静态快照，因研究进展迅速而很快过时。所提出的系统自动从多个文献来源（arXiv、InspireHEP、HAL、OpenAlex、Crossref 和 Springer）中收集出版物，消除重复项，使用语义过滤确保加速器和 ML 的相关性，并将论文分类为主题类别。所得筛选后的数据集以 JSON、HTML、PDF 和 Bib\TeX 格式导出，实现持续更新并可集成到网页框架中。我们描述了方法，包括使用句子转换器嵌入的语义相似性过滤、阈值校准以及专家信息的分类。结果表明，该管道将约 \sim12000 篇原始论文/月筛选为约 \sim2% 的相关作品。该管道为 AI/ML 在加速器科学领域的社区驱动评论提供了基础。