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

深度学习在高能物理实验和现象学研究中的应用进行了综合评估，调查了多种深度学习方法在高能物理图像领域的应用，包括数据集、预处理技术、特征提取和选择方法等方面，并详细讨论了其在高能物理研究中的应用及挑战和未来研究方向。

Mar, 2024

本文提出了一种有效地将喷流表示为其组成粒子的无序集合的新方法 “ParticleNet”，该方法可以显式地支持置换对称性，使用这种方法，在两个代表性的喷流标记基准测试中，ParticleNet 的性能达到了最先进水平并显著优于现有方法。

Feb, 2019

使用深度神经网络对高能碰撞中的粒子进行分类，仅使用轨迹和顶点信息可以超越现有良好性能的工具，而添加更低级别的轨迹和顶点信息可以极大提高分类性能。

Jul, 2016

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

本文介绍了一种基于量子色动力学和自然语言的类递归神经网络，该方法在从可变长度集合的粒子四动量中建立任务特定的喷注嵌入方面具有灵活性，在所有稳定粒子上操作的事件级分类器首次展示了类比从单个喷注（句子）扩展至完整事件（段落）的能力。

Feb, 2017

本文提出了一种新的模型 DeepJet，利用现代深度学习技术解决了以往方法存在的输入大小限制，从而在高能物理实验中对于喷气风味分类和夸克胶子标记方面取得了较好性能。

Aug, 2020

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

此篇文章介绍了如何利用机器学习技术处理粒子物理中的碰撞事件数据，并提出了一种基于深度集合（Deep Sets）框架的粒子流网络（Energy Flow Networks）和粒子流网络（Particle Flow Networks）方法，这些方法能有效地处理碰撞事件数据，对于区分夸克喷流和胶子喷流等任务性能表现出与现有方法相似或更好的结果，并提供了可视化方式解释模型内部的工作。

Oct, 2018

使用计算机视觉和深度学习 (卷积神经网络 - CNN) 构建高效的增强型顶夸克刻度器，采用多种方式提高 DeepTop 刻度器的性能，包括架构、训练、图像预处理、样本大小和颜色像素等，并在背景拒绝能力上比基于高级输入的 BDT 提高了约 2-3 倍，可直接推广到分类其他类型的喷注。

Feb, 2018