利用神经网络分类器和生成模型直接模拟卡路里计数器的响应，大幅提高了模拟速度并保持高保真度。

Jun, 2023

通过机器学习模型，我们展示了在液体闪烁体探测器中，如何用全连接神经网络作为强大的事例选择工具，以区分信号和背景，并能在探测器边缘仍保留信号事件，提供了反应堆中微子实验中事件选择的解释性分析，从而可用于改进和更新传统的事件选择方法。

Jun, 2024

探索机器学习技术用于鉴别和分类高洛伦兹促进 W/Z/ 希格斯玻色子和顶夸克的强子衰变，评估了不使用机器学习的技术，并在模拟事件中表征了各种算法的鉴别性能，并直接与数据进行比较。

Apr, 2020

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

本文介绍了使用深度学习方法来区分高能粒子对撞机中的信号和背景，不需要人工构建非线性特征，但仍然比当前最佳方法提高 8% 的分类指标。

Feb, 2014

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

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

该论文介绍了一种新的监督学习技术，可用于实时选择质子 - 质子对撞机中衰变的 τ 轻子，通过实施经典的机器学习决策树和先进的深度学习模型，比标准的 τ 触发器观察到了性能方面的明显进展，显示出这种实现可能降低当前的能量阈值，从而有助于增加对低能 τ 轻子分类的质子 - 质子碰撞中新现象的灵敏度。

Jun, 2023

研究了可扩展的机器学习模型，用于基于高粒度探测器模拟的高能电子 - 正电子碰撞的完全事件重建。比较了图神经网络和基于核的变压器，并证明两者在实现逼真的粒子流重建时，同时避免了二次内存分配和计算成本。展示了在超级计算机上进行的超参数调整显著改善了模型的物理性能。还展示了所得模型在支持 Nvidia、AMD 和 Intel Habana 卡的硬件处理器上具有高度可移植性。最终证明了该模型可以在由径迹和电量计击中构成的高粒度输入上进行训练，从而获得与基线相竞争的物理性能。根据可寻找、可获取、可互用和可复用（FAIR）原则发布了用于重现研究的数据集和软件。

Sep, 2023

实验粒子物理利用机器学习进行各种任务，其中之一就是对信号和背景事件进行分类。这项研究提出了一种事件分类变压器来分析某个区域，并采用特殊技术训练网络，这些技术能提高显著性并减少网络输出与重建质量之间的相关性。研究结果表明，这种训练好的网络比增强决策树和前馈网络表现更好。

Dec, 2023