本文介绍了机器学习的核心概念和工具，并强调了与统计物理之间的自然联系。此外，还介绍了监督和非监督学习中的先进主题，并使用Python Jupyter笔记本演示了这些概念，并以物理学为基础的数据集（Ising模型和超对称质子-质子碰撞的蒙特卡罗模拟） 作为案例，最后探讨了机器学习在进一步理解物理世界方面的潜在用途以及物理学家可能能够做出贡献的机器学习中存在的未解决问题。

Mar, 2018

本文介绍了一种通过引入神经网络和Monte Carlo方法相结合，结合深度迁移学习的方法来解决当前高精度计算方法在计算与电子相互作用的粒子数量较大时的计算成本大，探索引入权重共享约束的优化过程，使神经网络模型的95%的权重可以在变化的分子几何图案之间使用，从而加速优化。实现这一技术可以加速相同分子的核几何集的优化一倍，开辟了一条有希望的路线，可以产生预先训练的神经网络波函数，即使在不同的分子上也可以产生高精度。

May, 2021

论文提出了一种新的基于能量的生成量子多体状态表示方法，该方法可以在保留系统已知对称性与结构的情况下，使用一个小数量的参数进行学习，并且可以用于预测物理观测量的期望值

Apr, 2023

本文提出并探讨了一种新型的神经网络，将通常的类似于神经元的处理单元替换为允许从输入数据中学习输入乘性耦合的复值积单元，在核物质质量预测中表现优异，提出了一种复杂数字网络的预测不确定性度量方法来识别预期低预测误差的区域。

May, 2023

使用机器学习设计最优的可观测量，以推测粒子物理和核物理模型的基本、有效或现象学参数，并展示了在深度非弹性散射中包含最多关于感兴趣参数的信息的两种物理模型的可行性。

Oct, 2023

通过深度学习精确提取多维度重叠稀疏图像中的单个对象，应用于高能物理的探测器成像获取的叠加基本粒子的分解中，解决了识别和测量中微子相互作用顶点处独立粒子及动力学参数的复杂问题，并通过与可微生成模型的结合进一步改善了图像分解，从而提高了参数测量的分辨率。

Oct, 2023

使用计算机视觉技术从高能物理学的味道数据中直接提取超出标准模型（BSM）参数的一种新的应用，通过将角度和动力学分布转化为“准图像”，训练卷积神经网络执行回归任务，与在高能物理学中使用机器学习/人工智能进行的通常分类功能相对应。

Nov, 2023

通过引入基于图的深度学习模型，使用最低共同祖先矩阵（LCAG）对粒子衰变树结构进行编码，并结合扰动增强技术以及监督图对比学习算法来提高高能物理数据分析的衰变事件重建准确性。

Feb, 2024

通过使用符号机器学习方法，本研究探索了一种多目标迭代符号回归方法，用于描述轻中质量核的结合能和电荷半径，发现了简单的解析关系，并将该模型与现有的补充模型相结合，估计了核稳定性的极限。这些结果凸显了符号机器学习在开发准确的核模型和解决复杂多体问题方面的潜力。

Apr, 2024

本研究解决了在高能理论物理中处理复杂散射振幅表达式的简化问题。通过采用编码器-解码器变压器架构，我们展示了该方法在简化多项表达式方面的卓越能力，并创新性地利用对比学习训练额外的嵌入网络，以实现对更复杂表达式的高效简化。该框架能够将数百项的表达式简化为显著简单的等效形式，对量子场论计算具有重要影响。

Aug, 2024