- 洛伦兹等变几何代数变换器在高能物理中的应用
从粒子物理实验中提取科学理解需要高精度和良好的数据效率来解决多样的学习问题。我们提出了 Lorentz Geometric Algebra Transformer（L-GATr），这是一个用于高能物理的全新多功能架构。L-GATr 将高能数 - 西物：一种基于灵活和可学习的高能物理 LLM
发展了一种复杂的大型语言模型系统 Xiwu，通过种子裂变技术、即时学习系统和即时微调系统，实现了在高能物理领域中应用大型语言模型的最佳实践。结果表明，Xiwu 模型在高能物理知识问答和代码生成方面明显优于基准模型，为 HEP 领域提供了定制 - 一种所有问题的流动：使用单一归一化流和开关改进高能物理中的模拟
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 - 高能物理图像分类：喷注应用综述
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。
- 基于再模拟的自监督学习用于预训练基础模型
RS3L 是一种基于模拟的自监督学习策略，通过重新模拟过程和重新运行干预之后的模拟组件生成多个事件的多种增强模式，从而产生一组包含模拟器中的所有物理驱动变化的增强样本，实现了强大的性能在辨别各种对象和不确定性减轻等下游任务中。
- PASCL：基于扰动增强的监督对比学习用于粒子衰变重建
通过引入基于图的深度学习模型，使用最低共同祖先矩阵（LCAG）对粒子衰变树结构进行编码，并结合扰动增强技术以及监督图对比学习算法来提高高能物理数据分析的衰变事件重建准确性。
- 基于多背景表示学习的粒子物理强韧异常检测
使用多个背景类型的表示学习构建检测算法以改善异常检测，同时推广多背景设置中的相关性，以更完整地定义鲁棒性，从而在大型强子对撞机的粒子衰变高维数据集上展示了这种算法的好处。
- 利用 FPGA 进行符号回归用于快速机器学习推理
本篇论文提出一种利用符号回归技术和 FPGA 实现的机器学习模型优化算法，成功地将一个由 3 层神经元组成的模型大幅优化，准确率超过 90%，执行时间缩短了 13 倍。
- 使用对抗训练改进喷注标记算法的鲁棒性：探索损失表面
深度学习算法在高能物理学领域中越来越受到重视，特别是针对飞行物理观测中标签识别任务的，研究者们正致力于提高模型的稳健性并针对异常数据提出对抗性训练策略以提高模型的鲁棒性。
- LogicNets: 极高吞吐量应用的协同设计神经网络和电路
通过设计神经网络拓扑结构来直接映射高效 FPGA 实现的一种新方法。其中，硬件成本与神经元扇入呈指数级增长，通过使用稀疏和低比特激励量化来限制神经元扇入及减小逻辑深度和低 LUT 成本，可以实现具有高速低延时和高吞吐量的电路。应用于高能物理 - 利用神经重要性抽样探索相空间
本文提出了一种新的高能物理中散射截面和粒子事件样本生成的方法，通过引入神经网络来克服现有方法的一些缺陷，保证了全相空间覆盖和目标分布精确重现，并通过几个代表性的例子研究了算法的性能，包括顶夸克对产生、三光子和四光子最终态的胶子散射等。
- 高能物理的人工智能安全
本研究探讨了在高能物理学中使用深度学习的优势，以及将其与传统工作流程相结合可能带来的潜在问题。我们提出了一种 AI 安全的概念来控制可能存在的未被考虑的不确定因素，并希望引起学界对将深度学习应用于实验分析的讨论。
- 深度学习及其在 LHC 物理中的应用
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。
- 高能物理参数化机器学习
研究了一种新的机器学习分类器结构，包含来自物理参数的输入，参数化分类器可以平滑地插值并替换在个体值上训练的分类器集，并且可以优化插值结果。
- 多元数据分析工具箱 - TMVA
该论文介绍了如何在高能物理中应用机器学习的多元分类方法，以提取大数据集中最大的可用信息，讨论了分类器的性能和发展，并针对实值目标向量对 TMVA 进行了多元回归的扩展，同时提供更灵活的数据处理方法。