高能物理研究与教育中数据和人工智能模型的 FAIR 原则
高能物理 - 实验
2022-11-29 v1
摘要
近年来，支持可发现性、可访问性、互操作性和可重用性的数字对象管理实践已开始在多个数据密集型科学学科中得到采用。这些数字对象包括数据集、人工智能模型、软件、笔记本、工作流、文档等。随着大型强子对撞机的集体数据集计划在 2032 年底达到泽字节规模，实验粒子物理学界正面临着前所未有的数据管理挑战。预计这些重大挑战可以通过创建端到端的人工智能框架来解决，这些框架结合了 FAIR 和 AI 就绪数据集、人工智能的进步、现代计算环境以及科学数据基础设施。在这项工作中，FAIR4HEP 合作组探讨了在实验高能物理研究的数据和人工智能模型背景下对 FAIR 原则的解释。我们研究了量化实验数据集和人工智能模型 FAIR 程度的指标，并提供开源笔记本以指导新用户在实践中使用 FAIR 原则。
引用
@article{arxiv.2211.15021,
title = {FAIR Principles for data and AI models in high energy physics research and education},
author = {Avik Roy},
journal= {arXiv preprint arXiv:2211.15021},
year = {2022}
}
备注
Contribution to the Proceedings of 41st International Conference on High Energy Physics - ICHEP2022, Presented on behalf of the FAIR4HEP collaboration