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

本研究通过引入一种新的统一的架构，将深度学习和变分框架相结合，探讨和比较各种生成式深度学习方法，以逼近将探测器观测结果映射到潜在的粒子碰撞物理量的问题。我们证明了这种方法的有效性，包括重构理论运动学量的全局分布以及确保学习后验分布符合已知的物理约束条件。与现有方法相比，这种统一方法的误差更小，达到了绝对误差的二十倍和传统潜变扩散模型的三倍。

May, 2023

本文介绍了使用改进的生成对抗网络（MSGAN）对数据进行展开的新方法，在各种分布上的表现与目前使用的方法相当，这是一种先进的机器学习方法的原理证明，可以很好地建模探测器效应。

Jun, 2018

基于机器学习的展开研究区域中，基于判别模型和生成模型出现了两种主要方法。我们提出使用 Shroedinger Bridges 和扩散模型创建 SBUnfold，这种展开方法结合了判别模型和生成模型的优势，并在合成的 Z+jets 数据集上展现出非常好的性能。

Aug, 2023

该研究介绍了一种新颖的方法，利用最新的机器学习技术从部分子水平信息直接生成探测器水平的完整事件。通过使用变压器、基于评分的模型和归一化流，解决了部分子空间和重建对象空间之间多样性变化的挑战，克服了这两个空间之间的随机转移的固有复杂性，并实现了显著准确的结果。创新技术的结合以及所实现的准确性展示了我们方法在推动该领域发展方面的潜力，并为进一步探索开辟了道路。该研究对高能物理学和生成建模的持续努力做出了贡献，为快速探测器模拟提供了有希望的方向。

Jun, 2024

利用扩散模型，我们首次使用模拟方法对 ALICE 实验中的 Zero Degree Calorimeter（ZDC）进行了模拟，与现有基线相比实现了最高保真度，结果表明潜在扩散模型具有快速生成时间的显著潜力。

Jun, 2024

本研究旨在通过引进对生成数据属性的控制机制，提供一种替代当前使用的算法的解决方案，从而减少模拟成本和时间，并扩展至 ALICE 实验中的 ZDC 量热计的模拟。

May, 2024

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

本文提出了一种用概率展开和迭代线性求解器相结合的方法，以绕过矩阵求逆的问题来学习潜在高斯模型，在实验中发现，这种方法可以比传统梯度期望极大化算法快一个数量级地学习潜在高斯模型。

Jun, 2023

本文提出一种新的分段常数分布作为一种复杂的潜在因素分布，以更好地建模实际数据集中的多模式潜在因素，实验结果表明，我们的方法在自然语言处理任务中实现了显著的提高。

Dec, 2016