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

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

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

使用高保真模拟的 CMS 开放数据，构建以低级检测器数据为基础的端到端喷注图像分类器，可以区分以夸克 vs. 胶子引发的喷注；并将端到端方法泛化到夸克 vs. 胶子二喷注 QCD 事件的事件级分类中，与使用手工特征的方法进行对比，结果表明端到端算法对事件和堆积的影响具有很强的鲁棒性。

Feb, 2019

通过对基于机器学习的算法在可编程门阵列上进行准确的喷注风味分类的研究，展示了在输入规模和算法选择方面的延迟和资源消耗如何扩展，并提供了一种用于在 CERN LHC 的高亮度阶段进行标记的模型的初始设计。通过量化感知训练和高效硬件实现，我们展示了可以以较低的计算资源成本实现复杂架构（例如深度集合和交互网络）的 O（100）纳秒推理。

Feb, 2024

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

本文章介绍了基于图形神经网络和喷注内部辐射模式的高效描述的 LundNet，它可以最佳地分离受到提升的对象的特征和背景事件的签名，并在多个基准测试中展示了与现有最先进算法相比显着提高的性能。

Dec, 2020

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