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

在多个轻子末态中利用有效场论框架下的一个或两个顶夸克与 Z 玻色子的关联产生过程，搜索新的顶夸克相互作用。使用机器学习技术提高灵敏度，并在数据拟合中同时适应五个 Wilson 系数。结果表明所有结果均符合 SM 预期。

Jul, 2021

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

本文研究使用神经网络逼近矩阵元的方法进行精密现象学研究，比较其与传统模拟技术的效果可以实现模拟时间缩短，且在标准观测方面有很好的一致性。

Feb, 2022

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

在这篇论文中，我们讨论了如何利用机器学习在自然科学中获得严谨性，通过猜想生成或通过强化学习进行验证，可以使用非严谨的方法得到严谨的结果。我们还描述了受神经网络理论启发的场论新方法，以及通过神经网络梯度下降诱导的黎曼度量流理论，其中包含了 Perelman 的黎曼流公式，该公式用于解决 3D Poincaré 猜想。

Feb, 2024

这篇论文研究了使用深度神经网络和贝叶斯优化算法来提高通过 Large Hamron Collider 探测到的希格斯玻色子挑战 5σ 显著性的可能性，并成功地检测出希格斯玻色子衰变成一对 tau 轻子。

Oct, 2014

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

使用机器学习模型分析含有尘埃的等离子实验中的粒子运动轨迹，得出了符合物理约束条件的力学定律，揭示了新的尘埃等离子物理学，表明机器学习在多体系统中引导科学发现的新途径。

Oct, 2023

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