在高能物理研究中，人工智能（AI）成为处理海量数据的核心工具。AI技术能够有效挖掘复杂模式，优化加速器和探测器性能。AI-Ready数据集需具备高质量特征，以支持机器学习和科学发现。智能体技术提升数据加工效率，推动AI在高能物理中的应用。

本研究解决了高能物理中监督学习模型对蒙特卡罗模拟的依赖。通过四种白盒对抗攻击，分析方法降低了局部极小值的尖锐度，显著提升了模型的泛化能力，尽管计算复杂性有所增加。

本研究提出了一种深度学习策略，通过Wasserstein GAN方法优化高能物理中能量计的校准过程，降低绝对误差，延长能量计的使用寿命。

本研究提出了一种基于物理信息的神经网络（PINNs）方法，用于解决量子电动力学中的 Dyson-Schwinger 积分方程。该方法通过将方程整合入损失函数，使网络能够学习多种动量和紫外截止值的解决方案，预计将推动量子场理论及机器学习在高能物理中的应用。

本研究提出了一种条件量子辅助深度生成模型，用于高能物理实验中粒子碰撞事件的模拟。该模型结合条件变量自编码器和限制玻尔兹曼机，提升了模拟能力，并通过量子退火技术实现高效事件采样。

本文探讨了机器学习与统计物理的联系，介绍了监督和非监督学习的先进主题，并使用Python Jupyter笔记本进行演示。研究了机器学习在物理学中的应用，包括异常检测和新物理过程的搜索，提出了多种新方法和算法，展示了其在高能物理数据分析中的潜力和效果。

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。

介绍了一种多物理预训练方法，通过学习广泛适用的特征来预测多个异质物理系统的动力学。验证了该方法在流体力学基准测试中的有效性，并证明微调训练的模型对新物理现象有更准确的预测能力。代码和模型权重已开源。

该研究使用深度学习技术，解决了高能物理探测器成像中微子相互作用顶点处独立粒子及动力学参数的复杂问题，提高了参数测量的分辨率。

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。

本文介绍了高能物理中微分具有离散随机性的程序的梯度估计技术，讨论了几种梯度估计策略，并在简化的探测器设计实验中进行了比较。作者还首次开发了完全可微的分支程序。

高能物理实验目前虽然自己已经接触到了，但是由于仅仅是做实验数据统计分析，所以只是做了一个螺丝钉，久而久之极易忘却物理本身。这里试着快速抄一点东西看一看，以便使自己尽可能成为实验物理研究的一员。最近也看到是北京正负电子对撞机建成30周年，也祝愿中国的高能物理事业蒸蒸日上。 在之前杨振宁的文章中我们可以看到，其对加速器物理不无悲观态度，提出应该探寻新型加速器的可能。自己懂不多，这里分成两种，一是...