使用人工智能技术进行多目标优化在设计 EIC 探测器的跟踪系统中有着显著的应用效果，这可以帮助更高效地优化探测器性能和成本，推动未来高能核物理实验的发展。

Mar, 2022

本研究论文总结了 AI/ML 在 EIC 社区的目标、方法和策略，以及在其他实验中研究的尖端技术，包括在第二次年度工作坊上讨论的不同活动和研发项目，并提供了有关 AI 在 EIC 各个方面的展望。

Jul, 2023

超魅力 -τ 工厂实验的粒子识别将由聚焦增量环形成像切伦科夫探测器 (FARICH) 提供，探测器位置的特殊性使得适当的冷却困难，因此捕获了大量的环境背景杂讯，需要减轻以减少数据流并提高粒子速度分辨率，在这项工作中，我们提出了几种根据计算机视觉中的机器学习技术的方法来过滤信号杂讯。

Dec, 2023

本文介绍了电子 - 离子对撞机的物理情况，探讨了所需的探测器要求和不断发展的探测器概念，并就两种互补型探测器和相互作用区的重要性提出必要性，为构建更好的探测器提供基础。

Mar, 2021

采用卷积神经网络来分析 Gamma 射线瞬发源图像数据，可以提高背景拒绝性能并保持分辨能力，为研究 IACT 事件记录提供了可行性。

Mar, 2018

2023 AI4EIC hackathon at The Catholic University of America brought together researchers to discuss the latest developments in AI and Machine Learning for the Electron Ion Collider, and the hackathon involved using a chatbot powered by ChatGPT-3.5 to analyze physics data.

Apr, 2024

ALICE 实验在 LHC 测量了超细相对论重离子碰撞中形成的强相互作用物质的性质。该研究需要准确的粒子鉴别，传统方法使用矩形截断，但机器学习方法可以获得更好的性能。我们的解决方案使用多个神经网络作为二进制分类器，并通过特征集嵌入和注意力来扩展我们的粒子分类器，以便在存在不完整样本的数据上进行训练。我们还介绍了 ML 项目与 ALICE 分析软件的集成，并讨论了领域适应，这是在模拟和实验数据之间传递知识所需的 ML 技术。

Mar, 2024

在本研究中，我们介绍了一种新颖的粒子鉴别（PID）方法，适用于 CERN 的大型强子对撞机上的 ALICE 实验。我们提出的方法可以使用所有可用的数据示例进行训练，包括不完整的数据，从而提高所选样本的 PID 纯度和效率。

Dec, 2023

本文提出一种概率图像形成模型，使用统计先验和逆方法，从所记录的光子计数中高效且稳健地估计场景深度和反射率，成功实现了对高光子计数变化下的亚皮秒准确率和光子高效的三维成像。

Jun, 2018

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