本研究论文总结了 AI/ML 在 EIC 社区的目标、方法和策略，以及在其他实验中研究的尖端技术，包括在第二次年度工作坊上讨论的不同活动和研发项目，并提供了有关 AI 在 EIC 各个方面的展望。

Jul, 2023

本文讨论机器学习在粒子物理学研究中的应用前景和可行性，并详述实现机器学习在粒子物理学上开发所需的软硬资源、与数据科学社区、学术界和产业界的合作倡议以及对粒子物理学界在数据科学培训上进行的工作。旨在将研究和开发与物理驱动器连接起来，并确定实现它们的资源需求，以及其他社区的合作领域。

Jul, 2018

介绍机器学习在事件生成中的应用，重点讨论了用于 ML 事件生成的 ML 生成模型及其所涉及的挑战、各种将物理知识融入 ML 模型设计的方法以及相关的一些开放性问题。

Jun, 2021

机器学习与高能物理的交叉发展对于我们的社区既是机遇也是挑战，需要支持这一跨学科社区，包括在两个领域的交叉处进行专门的研究，投资于大学的高性能计算等方面。同时，我们需要提供职业生涯规划，以吸引年轻的研究人员投入到机器学习关于高能物理领域的研究中。

Sep, 2022

使用人工智能技术进行多目标优化在设计 EIC 探测器的跟踪系统中有着显著的应用效果，这可以帮助更高效地优化探测器性能和成本，推动未来高能核物理实验的发展。

Mar, 2022

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

采用众包和机器学习等方法，解决粒子轨迹跟踪等高能物理实验中的难题，并在跟踪机器学习挑战赛中得出了一些算法结果。

Apr, 2019

本文介绍机器学习和深度学习在高能物理数据分析中的应用，包括神经网络核心概念、LHC 数据分析的关键结果以及未来的前景和担忧。

Jun, 2018

我们介绍了一个新的公开可用的数据集，其中包含欧洲核子研究中心大型强子对撞机即将安装的新型量热计的模拟数据。通过使用最新的机器学习技术，我们已经构建了一个拥有 12,000 个通道的大型原型，并通过高能电子束的照射对其进行测试。通过释放这些数据，我们希望鼓励机器学习应用专家开发出高效准确的电子能量重建和图像重建方法。

Sep, 2023

深度学习在高能物理实验和现象学研究中的应用进行了综合评估，调查了多种深度学习方法在高能物理图像领域的应用，包括数据集、预处理技术、特征提取和选择方法等方面，并详细讨论了其在高能物理研究中的应用及挑战和未来研究方向。

Mar, 2024