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

使用广泛的实验数据和深入研究的方法，确定了 NNPDF3.0 中的粒子分布函数，这一结果能够对阐明 LHC 的目标产生深远影响。

Oct, 2014

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

通过训练和重新校准图神经网络集合模型，预测能量和力量可以生成准确的预测和校准的不确定性估计，这是首个在机器学习神经网络中考虑了获得能量和力量上的校准的认知和偶然性不确定性预测的完整框架。

May, 2023

本文通过利用深度神经网络方法重建中性电流深度非弹性散射（DIS）的运动学，能够比传统方法更好地利用两个散射的信息和较好解决 QED 辐射问题，同时提高了分辨力和降低了偏差，从而为未来的实验在运动学方面扩展探测范围并提高极化及核非弹性散射发现的潜力。

Oct, 2021

本文采用蒙特卡罗方法，综合分析高能量粒子之间以及粒子与带电子和带荷强子的散射数据，结合半含深度弹性散射和单含 $e^+ e^-$ 湮灭数据，并通过新的多步拟合策略和更灵活的参数化方法得出了 JAM20-SIDIS 解析的 PDF 和 FF，通过这种方法，我们能够约束分裂函数的口味相关性，并确认了以前观察到的奇怪夸克分布的压制。此外，这种匹配因素化描述可用于改进各种过程中粒子相关函数的普适性研究，包括横向动量依赖分布。

Jan, 2021

通过使用流近似后验的乘法归一化流 (MNF)，我们介绍了一种物理启发式的贝叶斯神经网络 (BNN)，用于在物理事件级别上进行详细的不确定性量化 (UQ)。我们的方法能够识别异方差的 aleatoric 和 epistemic 不确定性，提供细粒度的物理洞察力。应用于深度非弹性散射 (DIS) 事件，我们的模型有效提取了运动学变量 $x$，$Q^2$ 和 $y$，与最新的深度学习回归技术的性能相匹配，但在事件级别的 UQ 方面具有关键增强。这种对底层不确定性的详细描述对于决策尤其重要，特别是在事件过滤等任务中。它还可以在不直接访问实际准确性的情况下减少真正的不准确性。在 HERA 的 H1 探测器上进行了详尽的 DIS 模拟，显示了未来 EIC 的潜在应用。此外，这为数据质量监测和异常检测等相关任务铺平了道路。值得注意的是，我们的方法能够有效处理大样本和高速率。

Oct, 2023

本文提出了一种贝叶斯方法来优化实验设计，应用于质子 Compton 散射，评估了对特定观测值进行特定动力学测量的信息增益，并证实了新数据对缩小不确定性的相对作用量。

Apr, 2020

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

在机器学习能量势下，力被常用作能量函数对原子位置的负导数。为了量化预测能量的随机不确定性，一种广泛使用的建模方法涉及对每个能量值预测均值和方差。然而，这个模型在通常的白噪声假设下不可微分，因此能量的不确定性并不自然转化为力的不确定性。本研究提出了一个机器学习潜在能量模型，其中能量和力的随机不确定性通过空间相关噪声过程相互关联。我们在两个非平衡分子数据集上展示了我们的方法，通过一个经变换的消息传递神经网络潜能对能量和力进行训练。此外，我们还展示了如何在这种环境下基于深度集合模型的贝叶斯解释来获取认知不确定性。

Dec, 2023