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

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

本文综述了关于 Jet substructure 在大型强子对撞机的最新理论和机器学习进展，旨在成为物理原理的教育性介绍 和专家的全面参考，重点涵盖 Jet substructure observables 的计算、新 observable 的开发和 cutting edge 的机器学习技术。

Sep, 2017

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

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

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

高能粒子碰撞中，基本碰撞产物通常会进一步衰变，形成具有预先未知多样性的树状分层结构。本文描述了一个典型的图神经网络（GNN）与深度全连接前馈神经网络体系结构的基准测试，并以在 CERN 的大型强子对撞机上在由质子 - 质子碰撞产生的带有顶夸克 - 反夸克对的最终态 X 的分类为物理案例进行对比。

Feb, 2024