利用神经网络分类器和生成模型直接模拟卡路里计数器的响应，大幅提高了模拟速度并保持高保真度。

Jun, 2023

介绍了一种基于深度神经网络的准确，快速的电磁量能器模拟方法，可以快速生成大量实验数据，突破了现有算法和计算资源难以满足需求的问题，为探索物理学新领域提供了可能。

May, 2017

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

使用生成对抗网络（GANs）的新型快速模拟技术 extsc {CaloGAN}，针对长轴分段式银河系中电磁淋浴进行建模并实现与现有全模拟技术相当甚至更好的 CPU（100x-1000x）和 GPU 上速度快（高达约 10 ^ 5 倍）

Dec, 2017

本文提出了基于生成式模型的高效粒子淋浴模拟方法，并使用对抗训练的方式训练生成器和评论者网络以生成与 GEANT4 程序模拟类似的粒子淋浴，从而在大多数方面达到了实现高质量粒子淋浴模拟的预期目标。

Jul, 2018

利用物理、计算机视觉和统计学的多元指标对三种生成模型进行了全面评估，发现 CaloDiffusion 和 CaloScore 生成模型具有最准确的粒子阵列模拟，但仍有改进的空间，发现了评估模型在准确复制 Geant4 数据方面的局限性。

Jun, 2024

大型强子对撞机的高亮度时代在碰撞事件分析中面临着重大的计算挑战。我们介绍了一种将生成模型和量子退火相结合的技术，用于高能粒子与量热器之间相互作用的快速高效模拟。

Dec, 2023

这项工作通过使用生成建模中的扩散模型直接生成三维空间中探测器里的能量沉积几千个空间点的点云，从而实现了高精度和速度的粒子模拟，表现出很好的物理相关分布建模。

May, 2023

我们开发了一种几何感知的自回归模型，可以更快地生成粒子物理中探测器响应的样本，且不需要额外的训练数据，此模型能够取代目前为加速器计算量设计的数百个生成模型，将成为未来探测器的重要工具。

May, 2023

快速模拟高粒度探测器中的能量沉积对于未来增加亮度的对撞机实验至关重要。我们介绍了 CaloClouds II，它具有多项关键改进，包括连续时间基于得分的建模和一致性蒸馏模型，显著提高了模拟速度并实现了准确采样。

Sep, 2023