本文介绍了高能物理领域的 Jets 和它们在 LHC 对撞机中的存在，针对该领域存在的数据表示问题，提出了一种新的基于 Particle cloud 的数据集 JetNet，并开发出名为 MPGAN 的新型生成模型，实验结果表明 MPGAN 在各项指标上均表现优异，未来有望被用于高能物理领域。同时，为了促进研究和提高可访问性和可重复性，开源了 JetNet Python Package，提供了接口，实现了评估和损失度量等工具。

Jun, 2021

介绍了一种基于深度神经网络的准确，快速的电磁量能器模拟方法，可以快速生成大量实验数据，突破了现有算法和计算资源难以满足需求的问题，为探索物理学新领域提供了可能。

May, 2017

该研究提出了一种基于生成模型和对抗学习的图像恢复算法，并通过物理模型约束学习提高了生成对抗网络的图像生成质量，具有在多种低级视觉问题中应用的广泛适用性。

Aug, 2018

我们提出了一个基于人工神经网络（GAN）的模型，用于在粒子探测器的电子发展过程中生成脉冲信号，保留真实脉冲信号的特性。我们描述了网络架构、训练方法以及使用 ${}^{137}$Cs 和 ${}^{22}$Na 源的闪烁体接收辐射的真实脉冲信号来训练 GAN 的方法。通过将生成器安装在 Xilinx 的 SoC 上，我们展示了该网络能够生成与真实脉冲信号相同形状的脉冲信号，并且其数据分布与原始脉冲高度直方图数据相匹配。

Jan, 2024

使用生成对抗网络（GANs）的新型快速模拟技术 extsc {CaloGAN}，针对长轴分段式银河系中电磁淋浴进行建模并实现与现有全模拟技术相当甚至更好的 CPU（100x-1000x）和 GPU 上速度快（高达约 10 ^ 5 倍）

Dec, 2017

本研究使用生成对抗网络研究在有限计算成本下创建大量分析特定的 LHC 模拟事件的可能性，并针对 Z→μμ 事件生成 muon four-momenta，包括特定分布的问题，展示通过在生成器的损失函数中包含回归术语可以获得明显的性能提升和收敛速度加快，并开发客观标准以定量评估生成器的性能。这种方法的推广将大大减少大型粒子物理实验中所需的完全模拟事件的数量。

Jan, 2019

高能物理领域中，机器学习方法在准确模拟大型强子对撞机中的粒子碰撞方面发挥了重要作用。我们引入了一种新的模型 iGAPT，它通过整合 “诱导性粒子注意力模块” 并以全局喷注属性为条件，不仅具有线性时间复杂度，还能捕捉复杂的喷注子结构，在许多指标上超过了 MPGAN，从而展示了 iGAPT 在准确而高效地模拟复杂的高能物理数据方面的潜力。

Dec, 2023

Generative Adversarial Networks 已经在绘制逼真的世界图片方面展现了相当可观的能力，现有的模型可以根据类别标签或标题等全局限制生成图像，但不能控制姿势或对象位置，本文提出了一种新的模型 ——Generative Adversarial What-Where Network，它能根据所描述的内容和位置进行图像综合，并在 Caltech-UCSD Birds 数据集上展示了高质量的 128 x 128 图片综合，还可以控制鸟周围的边界框及其组成部分，通过模拟条件分布，我们的系统还能够使各个部分进行控制，同时展示了在 MPII Human Pose 数据集的关于人体动作图像的文本与位置可控合成的初步结果。

Oct, 2016

使用基于卷积神经网络的生成对抗网络（GAN）来模拟 LHC 上配对喷注的产生，经演示，该生成器网络可以在 Monte Carlo 真实级别和探测器模拟后重现多个运动分布。

Mar, 2019

本文讨论了如何使用物理引导生成对抗网络（PG-GAN）来解决深度神经网络输出不满足物理方程问题的方法。

Apr, 2023