该研究提出了使用基于图的表示方法来对喷注进行编码，通过设计粒子切比雪夫网络（PCN），利用切比雪夫图卷积（ChebConv）来学习此表示方法，PCN 在粒子喷注标记中取得了显著的准确率改善，为将来在高能物理实验中探索基于图的喷注表示和 ChebConv 层开辟了新的研究方向。

Sep, 2023

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

本研究提出 JetClass 数据集，包含 100 M 个不同类型的喷注，建立了一套新的 Particle Transformer (ParT) 体系用于进行深度学习中的粒子识别，结果表明 ParT 优于已有研究的 ParticleNet 累积误差。

Feb, 2022

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

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

我们提出了一个新架构的想法，Particle Multi-Axis transformer (ParMAT)，它是 Particle transformer (ParT) 的改进版本，通过在单个单元内包含局部和全局空间交互，提高处理各种输入长度的能力，为了实现对大规模数据集的可扩展性和自动提取关键特征的能力，我们在 JETCLASS 数据集上训练了模型，并通过集成平行注意机制和注意机制中的粒子成对交互，ParMAT 相对于 ParT 和 ParticleNet 表现出更好的稳健性和准确性。

Jun, 2024

本研究通过神经网络的自主学习，不依赖预先计算的变量和底层物理知识，实现了在物理领域中的喷注标记性能的相当结果，从而有望解决模型依赖性问题。

Nov, 2023

介绍了一种新型的粒子卷积网络层 (Particle Convolution Network, PCN)，适用于喷注物理学中的许多任务。在两个标准基准任务中，表明可将 PCN 推广以包括与喷注物理学相关的其他卷积对称性，从而超越图网络设置，同时提供物理驱动的归纳偏差控制的新程度

Jul, 2021

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