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

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

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

本文提出了一种用于生成点云数据的改进的 GAN 算法（PC-GAN），结合了层次贝叶斯建模和隐式生成模型的思想，使用后验推理网络来学习隐藏变量、使用紧凑的 Wasserstein 距离估计来定义优化目标，从而实现了多个 GAN 算法的一般化框架。实验证明，PC-GAN 比现有方法更好地生成了许多 3D 模型，并且具有竞争性能的潜力。

Oct, 2018

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

本文介绍了一种扩展了 DeepTreeGAN 的模型，其中包含一个评论者，它能够以基于树的方式迭代地聚合点云，模拟高能物理中的粒子模拟与探测器相互作用，以实现快速生成大规模点云，并准确建模粒子之间的复杂依赖关系。我们展示了该模型能够重现复杂分布，并对公开的 JetNet 150 数据集进行了评估。

Nov, 2023

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

在本文中，我们提出了两种新的方法，以高效准确地生成大型高度相关的 LHC 喷注点云。我们引入了 'epcjedi'，它将分数匹配扩散模型与基于深度集合框架的 'EPiC' 架构相结合；我们还引入了 'epcfm'，它是第一个用于粒子云生成的置换等变连续归一化流。我们的实验表明，'epcjedi' 和 'epcfm' 在维持快速生成速度的同时，都达到了最先进的表现。值得注意的是，我们发现 'epcfm' 模型在每个指标上始终优于其他所有考虑的生成模型。此外，我们还引入了两个新的粒子云性能度量，第一个是基于特征分布的 Kullback-Leibler 散度，第二个是多模型 ParticleNet 分类器的负对数后验。

Sep, 2023

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

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