研究报告介绍了瑞士大型强子对撞机粒子轨迹重建中机器学习的解决方案，包括两种新的基于 RNN 和 GNN 的深度学习模型，能够高效地处理具有时序关联性和连通性的空间点数据。

Oct, 2018

该研究提出了一种新颖的深度学习驱动聚类算法，采用了时空非局部可训练图构造器、图神经网络和集合转换器，通过粒子跟踪模拟展示了这一前沿人工智能方法的有效性。

Sep, 2023

高能粒子碰撞中，基本碰撞产物通常会进一步衰变，形成具有预先未知多样性的树状分层结构。本文描述了一个典型的图神经网络（GNN）与深度全连接前馈神经网络体系结构的基准测试，并以在 CERN 的大型强子对撞机上在由质子 - 质子碰撞产生的带有顶夸克 - 反夸克对的最终态 X 的分类为物理案例进行对比。

Feb, 2024

近期的研究工作表明，图神经网络可以在处理 HL-LHC 带来的计算挑战时，达到传统算法的性能水平。大多数图神经网络跟踪算法基于边缘分类，通过识别初步图中的噪声连接来确定轨迹的连接组件。本次报告中，我们提出了一种基于物体凝聚的替代方法，该方法使用多目标学习框架来聚类属于任意数量对象（轨迹）的点（击中点）并回归每个对象的属性。借鉴我们之前的研究成果，我们提出了一个简化的模型，并展示了在高堆积环境下一次性物体凝聚跟踪算法的进展。

Dec, 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

本文提出了一种基于 FPGA 的资源高效的 GNN 架构，用于低延迟的粒子轨迹重建，该架构在 Xilinx UltraScale + VU9P 上的结果表明，相比于 CPU 和 GPU，性能提高了 1625X 和 1574X。

Jun, 2023

提出了一种基于图神经网络的细胞追踪方法，通过对细胞实例进行建模和关联，提取整个时间序列的细胞轨迹并使用新型的图神经网络块类型进行相互更新，最后通过解决边分类问题构建细胞的轨迹和谱系树。该方法在 2D 和 3D 数据集上的实验结果表明其优于目前大部分细胞追踪方法，在细胞追踪和突出细胞形态变化上具有优势。

Feb, 2022

本文采用图神经网络方法，提出了一种适用于高速移动场景下的大规模 MIMO 网络的新型信道跟踪方法，通过少量导频进行初步的信道估计，将所得数据以图的形式表示并通过图上的边权来描述信道空间相关性，引入了主要单元的计算过程并设计了一个基于图神经网络的信道跟踪框架，包括编码器，核心网络和解码器 ，仿真结果证实了我们提出的基于 GNN 的方案比采用前馈神经网络方法的方案表现更好。

Apr, 2020

该研究在动态图信号系统中利用 GSP-KalmanNet，通过结合图信号处理和深度学习技术共同追踪隐藏的图状态，来实现提高准确性、运行时间性能和鲁棒性的目标。

Nov, 2023

本论文探索了使用图网络处理粒子重建中不规则几何探测器，并提出了两个基于距离加权的图网络架构， GarNet 和 GravNet，性能通过与替代方法的定量比较来评价，得出了这些算法提供了一种有趣的替代方法，既能够提供同等性能，也能够用更少的资源消耗和更少的基于探测器几何结构的假设而进行推广到其他探测器

Feb, 2019