探索机器学习技术用于鉴别和分类高洛伦兹促进 W/Z/ 希格斯玻色子和顶夸克的强子衰变，评估了不使用机器学习的技术，并在模拟事件中表征了各种算法的鉴别性能，并直接与数据进行比较。

Apr, 2020

该论文介绍了一种新的监督学习技术，可用于实时选择质子 - 质子对撞机中衰变的 τ 轻子，通过实施经典的机器学习决策树和先进的深度学习模型，比标准的 τ 触发器观察到了性能方面的明显进展，显示出这种实现可能降低当前的能量阈值，从而有助于增加对低能 τ 轻子分类的质子 - 质子碰撞中新现象的灵敏度。

Jun, 2023

本文介绍机器学习和深度学习在高能物理数据分析中的应用，包括神经网络核心概念、LHC 数据分析的关键结果以及未来的前景和担忧。

Jun, 2018

本文使用深度神经网络进行图像分类，无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注，效果与现有分析方法相当或略优。

Mar, 2016

该研究使用了矩阵元方法来分离底夸克衰变产生的、与一对顶夸克产生的标准模型希格斯玻色子相关的信号和更大的背景，通过最大似然拟合来提取信号产生量的结果相对于 125 GeV 质量的希格斯玻色子标准模型预测的被观察（预计）的 95％置信度的排除极限为 μ <4.2（3.3），相应的最佳拟合值为 mu-hat = 1.2 +1.6 -1.5。

Feb, 2015

采用基于深度学习技术的机器学习算法识别高增强度 W 玻色子，该算法优于传统的物理学特征驱动算法，通过可视化训练过程，可以获得附加信息以提高性能，加深对逐渐深入了解喷注中的物理以及新粒子和新力的敏感性的物理学特征驱动工具和监督学习算法之间的相互作用的普遍性。

Nov, 2015

本文介绍了使用深度学习方法来区分高能粒子对撞机中的信号和背景，不需要人工构建非线性特征，但仍然比当前最佳方法提高 8% 的分类指标。

Feb, 2014

本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础，这是目前和未来 LHCb 事件分类的关键之一，能够触发每秒数千万个事件。

Apr, 2020

本研究探讨了在高能物理学中使用深度学习的优势，以及将其与传统工作流程相结合可能带来的潜在问题。我们提出了一种 AI 安全的概念来控制可能存在的未被考虑的不确定因素，并希望引起学界对将深度学习应用于实验分析的讨论。

Oct, 2019

本文研究使用神经网络逼近矩阵元的方法进行精密现象学研究，比较其与传统模拟技术的效果可以实现模拟时间缩短，且在标准观测方面有很好的一致性。

Feb, 2022