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

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

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

我们提出了一种可解释的、物理感知的机器学习模型的实现，能够推断高能粒子碰撞的基础物理，利用最终状态粒子的能量 - 动量四矢量中的信息。我们使用生成对抗网络（GAN）的概念证明了我们的白盒人工智能方法，该方法学习自 DGLAP 型发射子阶级蒙特卡洛事例发生器。我们首次展示了我们的方法不仅能学习粒子的最终分布，还能学习阶级分支机制 —— 即 Altarelli-Parisi 分裂函数、阶级的序列变量和缩放行为。虽然当前工作集中在发射子阶级的扰动物理学上，但我们预见到我们的框架在目前难以从 QCD 的第一原则解决的领域中具有广泛的应用，如非微扰和集体效应、分解破坏和重离子和电子 - 核碰撞中的发射子阶级修改。

Dec, 2020

利用生成对抗网络为 LHC 的事件生成补充生产物理事件，避免低效的事件去权重。本文针对顶夸克对生成展示了如何使用这样的网络描述中间态粒子，相空间边界和分布的尾部，并引入了最大均值距离来解决急剧局部特征。该方法可以直接扩展到包括偏离质壳贡献，高阶或近似探测器效应等情况。

Jul, 2019

该论文提出了一种基于归一化流的新型积分器，可用于提高碰撞器物理模拟中的 Monte-Carlo 事件生成器的去加权效率，相对于基于替代模型的机器学习方法，我们的方法可以生成正确的结果，即使底层神经网络没有经过最优训练，我们以 Drell-Yan 型过程在 LHC 上的例子来说明这种新策略。

Jan, 2020

此篇文章介绍了如何利用机器学习技术处理粒子物理中的碰撞事件数据，并提出了一种基于深度集合（Deep Sets）框架的粒子流网络（Energy Flow Networks）和粒子流网络（Particle Flow Networks）方法，这些方法能有效地处理碰撞事件数据，对于区分夸克喷流和胶子喷流等任务性能表现出与现有方法相似或更好的结果，并提供了可视化方式解释模型内部的工作。

Oct, 2018

在高能物理分析中，模拟事件是几乎所有研究的关键要素。本文介绍了一种基于单一归一化流和布尔条件的简单方法，用于将一个多维分布（模拟数据）转化为另一个多维分布（实际数据），以对相关可观测量进行校正。实验证明了该方法在包含多个可观测量及其相关性的模拟数据中的有效性。

Mar, 2024

利用深度生成模型模拟粒子物理中超高粒度探测器回应的研究论文

Mar, 2024

本研究使用生成对抗网络技术构建事件发生器，模拟电子 - 质子散射中粒子产生情况，避免了关于基础粒子动力学的理论假设。通过开发 Feature-Augmented 和 Transformed GAN（FAT-GAN），成功选择一组粒子动量转换后的特征，用于增强鉴别器的灵敏度，进而忠实地再现电子散射中的最终状态电子动量分布。发展出的技术可以在现有和未来的加速器设施，如电子离子对撞机中发挥重要作用。

Jan, 2020