本文讨论机器学习在粒子物理学研究中的应用前景和可行性，并详述实现机器学习在粒子物理学上开发所需的软硬资源、与数据科学社区、学术界和产业界的合作倡议以及对粒子物理学界在数据科学培训上进行的工作。旨在将研究和开发与物理驱动器连接起来，并确定实现它们的资源需求，以及其他社区的合作领域。

Jul, 2018

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

本文介绍一种使用多层感知器在大型多变量数据集中检测偏差的方法，该方法设计灵敏度高且不需要任何先验假设，并在高能物理问题中得到了应用验证。

Dec, 2019

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

介绍现代机器学习在粒子物理领域的应用，重点关注大型强子对撞机中的信号 / 背景识别任务，包括使用监督学习和直接数据驱动方法等。文末还讨论了该领域存在的挑战和未来发展方向。

Mar, 2021

本篇综述研究物理增强的机器学习 (PEML) - 也被称为科学机器学习 - 特别关注开发用于解决动力系统挑战的 PEML 策略，讨论了 PEML 方法的三个广泛分类 (物理指导、物理编码和物理信息) 以及在涉及复杂动力系统的工程应用中开发 PEML 策略用于指导高风险决策的优势和挑战。

May, 2024

机器学习方法在科学研究中可成为有价值的辅助工具，通过利用学习问题的结构，提出了一种多环境泛化的简化学习模型，该模型能够识别系统的物理参数并实现可解释性学习，展示了竞争性泛化性能和低计算成本，并在物理参数诱导适应和自适应控制等领域得到了有趣应用。

Dec, 2023

利用粒子物理过程的潜在空间结构，利用增强数据训练神经网络，从而实现在加速器实验中约束理论参数的多种推理技术，这些新技术比传统方法基于直方图的方法放置了更强的限制。

Apr, 2018

我们提出了一种可解释的、物理感知的机器学习模型的实现，能够推断高能粒子碰撞的基础物理，利用最终状态粒子的能量 - 动量四矢量中的信息。我们使用生成对抗网络（GAN）的概念证明了我们的白盒人工智能方法，该方法学习自 DGLAP 型发射子阶级蒙特卡洛事例发生器。我们首次展示了我们的方法不仅能学习粒子的最终分布，还能学习阶级分支机制 —— 即 Altarelli-Parisi 分裂函数、阶级的序列变量和缩放行为。虽然当前工作集中在发射子阶级的扰动物理学上，但我们预见到我们的框架在目前难以从 QCD 的第一原则解决的领域中具有广泛的应用，如非微扰和集体效应、分解破坏和重离子和电子 - 核碰撞中的发射子阶级修改。

Dec, 2020