使用生成对抗网络和变分自编码器生成物理过程事件的研究表明，根据编码的蒙特卡罗事件缓冲区密度信息，可以构造新的先验以从解码器中采样新事件，提高采样效率且能生成与真实蒙特卡罗事件非常接近的分布，应用范围包括密度估计和采样、目标事件生成、异常检测，以及矩阵元素相空间积分的重要性采样等。
Jan, 2019
介绍机器学习在事件生成中的应用，重点讨论了用于 ML 事件生成的 ML 生成模型及其所涉及的挑战、各种将物理知识融入 ML 模型设计的方法以及相关的一些开放性问题。
Jun, 2021
利用生成对抗网络为 LHC 的事件生成补充生产物理事件，避免低效的事件去权重。本文针对顶夸克对生成展示了如何使用这样的网络描述中间态粒子，相空间边界和分布的尾部，并引入了最大均值距离来解决急剧局部特征。该方法可以直接扩展到包括偏离质壳贡献，高阶或近似探测器效应等情况。
Jul, 2019
本研究使用生成对抗网络技术构建事件发生器，模拟电子 - 质子散射中粒子产生情况，避免了关于基础粒子动力学的理论假设。通过开发 Feature-Augmented 和 Transformed GAN（FAT-GAN），成功选择一组粒子动量转换后的特征，用于增强鉴别器的灵敏度，进而忠实地再现电子散射中的最终状态电子动量分布。发展出的技术可以在现有和未来的加速器设施，如电子离子对撞机中发挥重要作用。
Jan, 2020
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。
对 X 射线源产生的光谱进行精确建模需要使用蒙特卡罗模拟。这些模拟需要评估物理过程，例如在致密物体周围的吸积过程中发生的过程，通过对多个不同的概率分布进行采样。我们以描述相对论电子速度的 Maxwell-Jüttner 分布为例，证明生成对抗网络（GAN）能够统计复制该分布。通过神经网络生成的样本的 Kolmogorov-Smirnov 测试的平均值为 0.5，表明生成的分布与真实分布无法区分。
Feb, 2024
本文介绍如何使用生成网络逆向模拟探测器效应等过程产生的事件，从而统计上反演蒙特卡罗模拟。此外，还介绍了最大均值失配损失如何被阶段性地或抑制地应用。
Dec, 2019
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
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
我们通过应用一种新颖的生成对抗网络（GAN）架构到喷气图像的生成，提供了机器学习社区中生成建模与高能粒子物理中模拟物理过程之间的桥梁，并提出了一种简单的位置感知生成对抗网络。这项工作为将 GAN 用于高能粒子物理中的快速模拟提供了基础。
Jan, 2017