- ALICE、CERN 中质子零度量热器模拟的深度生成模型
利用生成对抗网络模型以及选择性多样性增强损失来模拟大型强子对撞机中 ALICE 实验的 Zero Degree Calorimeter 产生的探测器响应，从而提供了与传统蒙特卡洛方法相比显著加速的方法。
- 基于 GNN 和 CKF 的组合轨道发现
应用图神经网络（GNN）在轨道重建中，结合经典组合卡尔曼滤波（CKF）算法，有效解决内外区域的 3D 测量数据差异，提高高能物理粒子探测器在高亮升级大型强子对撞机（HL-LHC）上的轨道重建性能。
- 基于机器学习的缺失数据粒子识别
在本研究中，我们介绍了一种新颖的粒子鉴别（PID）方法，适用于 CERN 的大型强子对撞机上的 ALICE 实验。我们提出的方法可以使用所有可用的数据示例进行训练，包括不完整的数据，从而提高所选样本的 PID 纯度和效率。
- CaloQVAE：使用混合量子 - 经典生成模型模拟高能粒子 - 量能器相互作用
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。
- CERN ALICE 实验中零度量能器粒子响应模拟的机器学习方法
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。
- 基于 FPGA 的粒子轨迹跟踪的低延迟边缘分类 GNN
本文提出了一种基于 FPGA 的资源高效的 GNN 架构，用于低延迟的粒子轨迹重建，该架构在 Xilinx UltraScale + VU9P 上的结果表明，相比于 CPU 和 GPU，性能提高了 1625X 和 1574X。
- 高能物理反问题的端到端潜变分扩散模型
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 - MM量子概率哈密顿学习用于生成建模和异常检测
本研究探讨了学习和利用孤立量子力学系统的哈密顿量及其变分热态估计进行数据分析技术的可能性，并使用量子哈密顿基模型的方法进行产生建模，证明可以用混合态表示这样的大型强子对撞机数据。在进一步步骤中，我们将学习到的哈密顿量用于异常检测，表明不同样 - 现代机器学习与粒子物理学
介绍现代机器学习在粒子物理领域的应用，重点关注大型强子对撞机中的信号 / 背景识别任务，包括使用监督学习和直接数据驱动方法等。文末还讨论了该领域存在的挑战和未来发展方向。
- 用图网络在隆德平面中识别喷注
本文章介绍了基于图形神经网络和喷注内部辐射模式的高效描述的 LundNet，它可以最佳地分离受到提升的对象的特征和背景事件的签名，并在多个基准测试中展示了与现有最先进算法相比显着提高的性能。
- 用于异常喷注标记的变分自编码器
本文通过使用低级别喷注构成信息，针对大型强子对撞机的异常喷注标记对变分自编码器（VAEs）进行了详细研究。在无监督的情况下对背景下的 QCD 喷注进行训练，VAE 能够对重建喷注进行重要信息的编码，并学习潜在空间中表现力强的后验分布。我们呈 - 高能物理数据上的量子启发式机器学习
本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学 - 跟踪机器学习挑战：精度阶段
采用众包和机器学习等方法，解决粒子轨迹跟踪等高能物理实验中的难题，并在跟踪机器学习挑战赛中得出了一些算法结果。
- 利用机器学习进行共振新物理的异常检测
介绍一种新的不受模型限制的异常检测技术，利用现代机器学习算法，应用于双喷注谐振搜索，将仅有的 2sigma 超出量变为 7sigma 超出量，从而找到与现有物理模型不符的中间 BSM 粒子。
- 基于 FPGA 的深度神经网络在粒子物理中的快速推断
介绍了基于 FPGA 进行神经网络推理的案例研究，其使用高级综合技术（HLS）构建机器学习模型，旨在为粒子物理学的高速实时事件处理提供支持，适用于很多场合，如寻找新的暗扇区粒子和测量希格斯玻色子等。
- 大型强子对撞机上的喷注次级结构：实验述评
本综述回顾了 ATLAS 和 CMS 实验使用最先进的喷注子结构技术的发展历程，为在大型强子对撞机中寻找新物理、探索标准模型特别是相空间极端区域提供了许多创新方法。
- 高能物理科学软件创新研究所（S2I2）战略计划
介绍了在 CERN 的 Large Hadron Collider（LHC）中收集到的数据是如何探索基本粒子和不同于标准模型的物理等方面的，同时也讨论了为了高光度 LHC 的测量升级探测器，并且以探测器的升级为基础，通过建立针对高能物理学的 - 大型强子对撞机上的喷注结构：理论和机器学习的最新进展综述
本文综述了关于 Jet substructure 在大型强子对撞机的最新理论和机器学习进展，旨在成为物理原理的教育性介绍 和专家的全面参考，重点涵盖 Jet substructure observables 的计算、新 observable - 利用生成对抗网络加速科学：3D 多层量热器中粒子阵列的应用
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。
- Monte Carlo 样本的最大利用：重新加权 NLO 精度的事件
本文介绍了一种方法，允许在不同的理论假设下一致地重复使用高能事件的部分样本，以避免高昂的计算和存储成本，并通过将其应用于 LHC 的新物理搜索的实际案例进行验证。