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。

Apr, 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

本文介绍了一种名为 deep unfolding 的方法，它将迭代优化算法和神经网络工具相结合，可以有效解决机器学习、信号处理、图像处理和通信系统等一系列任务。此次调查重点讨论了在多天线（MIMO）无线系统中，信号检测和预编码以及纠错码的置信传播解码等领域中应用深度展开的情况。实验表明，这种新兴的范式在通信系统中有着显著的效果和通用性。最后，我们总结了一些尚待进一步研究和未来研究方向。

Jun, 2019

理论物理学家使用机器学习技术提出损失函数，通过最小化这些函数来建立美观且真实的理论模型，以描述自然现象。

Jan, 2024

本文利用机器学习算法在时间域巡天数据中搜索天体物理学方面的发现，并提供了每个新观测源是可靠变亮源的概率性声明。通过 Palomar 暂现工厂的验证集，证明了该算法的性能好，并且不易受到训练数据错标签的影响。

Sep, 2012

本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。

Oct, 2017

使用无监督学习技术提出一种新的科学应用，通过检测两个数据集之间的差异来增强我们在数据中搜索新现象的能力，建立基于最近邻的统计检验方法对两个样本之间的偏差进行测量，应用于高斯合成数据和模拟暗物质信号的案例中，是一种寻找待进一步研究的感兴趣区域的有力工具。

Jul, 2018

利用荧光分子创建低密度、衍射限制图像的长序列，可以实现高精度的分子定位；然而，该方法需要较长的成像时间，限制了对活细胞动态相互作用的观察；我们提出了一种深度展开的自监督学习方法，通过训练一个仅从给定测量值学习的基于模型的自编码器来消除对大量训练数据的需求，该方法在性能上超过了其有监督对应物，从而实现了动态成像在衍射极限以下，而无需任何标记的训练样本；此外，建议的基于模型的自编码器框架可以用于改善任何稀疏恢复框架中的泛化能力，而无需外部训练数据。

Mar, 2024