2、2018年机器学习竞赛精彩回顾：物理追踪与多智能体博弈

2018年机器学习竞赛精彩回顾：物理追踪与多智能体博弈

物理追踪机器学习挑战

在高能物理领域，随着大型强子对撞机（LHC）中下一代粒子探测器的临近，每秒数亿次的碰撞产生了海量数据，物理学家每年需要筛选数十PB的数据。为了更新物理学家的工具包，一场物理追踪机器学习挑战应运而生。

该挑战的目标是利用机器学习，从硅探测器留下的点快速重建粒子轨迹。每次碰撞大约会产生10,000条空间轨迹，每条轨迹会留下约10个精确的3D点，核心任务是将这100,000个3D点关联成轨迹。传统算法面临CPU时间的组合爆炸问题，该问题涉及表示学习、组合优化、聚类以及时间序列预测等多个领域。由于组合爆炸，如何有效利用几何约束的先验知识成为关键问题。挑战的评分基于正确关联在一起的点的比例。

挑战分为两个阶段：
- 准确性阶段（2018年5月 - 8月） ：由Kaggle主办，此阶段更注重算法的准确性创新，不考虑速度。
- 吞吐量阶段（2018年9月 - 2019年3月） ：聚焦于速度优化，结果在NeurIPS 2018竞赛中展示。训练资源无限制，但评估在受控环境的挑战平台上进行。软件（用C/C++、Python或Go编写）需在具有两个i686处理器核心和4GB内存的Docker容器中运行，此阶段的评分结合了第一阶段的准确性和速度。

下面是该挑战的流程示意图：

graph LR
    A[物理追踪机器学习挑战] --> B[准确性阶段（2018.5 - 2018.8）]
    A --> C[吞吐量阶