本研究在高亮度大强子对撞机中探索弱相互作用物质粒子（WIMPs），利用机器学习揭示其与暗物质候选者的关系，并评估新物理情景的发现潜力。发现辐射衰变中轻中性子和光子的增强具有重要探测价值。

本文介绍了瑞士大型强子对撞机中机器学习在粒子轨迹重建的应用，提出了基于RNN和GNN的深度学习模型，优化了粒子跟踪算法，并开发了TrackingBERT模型。研究探讨了图神经网络和Transformer在高能物理中的有效性，展示了新算法在多目标跟踪中的成功应用。

该研究使用无监督深度学习开发了一个实时自编码器异常检测系统，能够高效地检测ECAL异常，估计的错误发现率比现有基准提高了两个数量级。该系统在2018年和2022年的LHC碰撞数据中验证了其真实性能，并在LHC Run 3期间在ECAL桶部署了基于自编码器的系统，展示了其在检测现有DQM系统可能忽视的隐晦问题中表现出的良好性能。