本研究比较了图神经网络和基于核的变压器在高能电子 - 正电子碰撞事件重建中的应用。通过超参数调整和硬件处理器的支持，改善了模型的物理性能。证明了该模型在高粒度输入上训练后，具有与基线相竞争的物理性能。发布了用于重现研究的数据集和软件。

该研究比较了图神经网络和基于核的变压器在高能电子 - 正电子碰撞事件重建中的应用。通过超参数调整和硬件处理器的支持，提高了模型的物理性能和可移植性。研究结果表明，该模型在高粒度输入上训练后，能够与基线模型相竞争。数据集和软件已按照FAIR原则发布，可用于重现研究。

该研究比较了图神经网络和基于核的变压器在高能电子 - 正电子碰撞事件重建中的应用。通过超参数调整和硬件处理器的支持，提高了模型的物理性能和可移植性。研究结果表明，该模型在高粒度输入上训练，能够与基线模型相竞争。研究数据集和软件已按照FAIR原则发布。

该研究比较了图神经网络和基于核的变压器在高能电子 - 正电子碰撞事件重建中的应用。通过超参数调整和硬件处理器的支持，提高了模型的物理性能和可移植性。研究结果表明该模型在高粒度输入上训练后，能够与基线模型相竞争。数据集和软件已按照FAIR原则发布。

该研究比较了图神经网络和基于核的变压器在高能电子-正电子碰撞的完全事件重建中的应用，证明两者在实现逼真的粒子流重建时具有高度可移植性和较低的计算成本。超参数调整显著改善了模型的物理性能，该模型可以在高粒度输入上进行训练，获得与基线相竞争的物理性能。数据集和软件已按照FAIR原则发布，可用于重现研究。

该研究比较了图神经网络和基于核的变压器在高能电子-正电子碰撞的完全事件重建中的应用，证明两者在避免二次内存分配和计算成本方面具有优势。超参数调整显著改善了模型的物理性能，并展示了该模型在多种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高粒度输入上进行训练，获得与基线相竞争的物理性能。