机器学习创新使得数据展开成为可能，而不需要分箱并且可以考虑多个维度之间的相关性。我们描述了一组已知的、升级的和新的基于机器学习的展开方法，并在相同的两个数据集上评估了这些方法的性能。我们发现所有技术都能够准确地再现复杂可观测量下的粒子水平谱。鉴于这些方法在概念上各不相同，它们为一类新的测量提供了令人兴奋的工具包，可以以前所未有的细节探索标准模型，并可能实现对新现象的敏感性。
Apr, 2024
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
粒子物理实验中的测量必须考虑用于观测相互作用的探测器的不完善响应。最近，生成式机器学习模型在高维度中执行非直方图展开展现出了潜力。然而，目前所有生成方法限制于展开一组固定的可观察性，使它们无法在变量维度的碰撞数据环境中进行全事件展开。文章介绍了一种对生成展开中变量维度特征空间展开的新颖改进方法。该方法在大型强子对撞机上评估了在半轻子顶夸克对产生方面的性能。
本文介绍了基于人工智能的框架和神经网络相结合的研究，通过在实验数据上回收未知参数，自动检测和完善多维散射数据中的先进有序量子体系的模型。
Apr, 2023
采用神经网络参数化的物理描述框架，从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化，对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。
Sep, 2020
利用粒子物理过程的潜在空间结构，利用增强数据训练神经网络，从而实现在加速器实验中约束理论参数的多种推理技术，这些新技术比传统方法基于直方图的方法放置了更强的限制。
Apr, 2018
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
使用改进的 CNN 算法和基于峰值计数的易于理解方法，可以更好地估计弱引力透镜映射的余量参数和标准差，并提取更多的高阶统计信息，这在研究宇宙学和暗物质中非常有帮助。
Jun, 2018
利用神经网络框架，我们基于两种不同的方法得到了模型无关参数化和相应的不确定性，并将其与实验测量和理论预测进行了比较。结果显示，与基于辍学算法的方法相比，第一种统计方法具有更好的插值和外推能力。
Dec, 2023
使用深度学习技术重构在电子 - 质子碰撞中中性电流深非弹性散射（DIS）过程的运动学，通过使用 HERA 加速器所在的 ZEUS 实验的模拟数据，训练深度神经网络来重构运动学变量 $ Q^2 $ 和 $ x $。使用深度学习技术进行重构 DIS 运动学的能力，可以作为一种严格的方法，将不同的运动学分析方法结合起来，并在大数据集上实现出色的表现
Aug, 2021