成像Cherenkov Telescopes Taiga-IACT位于共和国Buryatia的Tunka山谷，在短时间内积累了大量数据，必须有效和快速地分析。这种分析方法之一是机器学习，近年来已经证明了许多技术和科学领域的有效性。这项工作的目的是研究机器学习应用程序的可能性，解决Taiga-IACT设置的任务：鉴定宇宙射线的主要粒子和重建它们的物理参数。在该工作中，应用了卷积神经网络（CNN）的方法来处理和分析与Corsika模拟的Monte-Carlo事件。还考虑了处理的各种CNN架构。已经证明，该方法在确定广泛的空气淋浴（EAS）的主要颗粒类型和伽马射线能量的重建中提供了良好的结果。在立体观察的情况下，结果得到了显着改善。

Taiga是一个用于伽马射线天文学的混合天文台，其高能量范围为10 TEV至几个EEV。它由Taiga-ICACT，Taiga-Hiscore等仪器组成。特别是Taiga-Hiscore是一系列广角时序Cherenkov Light站。 Taiga-Hiscore数据使重建空气淋浴特性，例如空气淋浴能量，到达方向和轴坐标。在本报告中，我们建议考虑使用卷积神经网络的空气阵雨特征决定。我们使用卷积神经网络（CNN）来分析HERCORE事件，如图像处理它们。为此，使用在HERSCORE站记录的事件的时间和幅度。这项工作讨论了一个简单的卷积神经网络及其培训。此外，我们提出了一些初步结果对空气淋浴的参数，例如淋浴轴的方向和位置和初级颗粒的能量，并将它们与通过传统方法获得的结果进行比较。

可以使用成像型大气Cherenkov望远镜（IACTS）来检测由高能量颗粒产生的广泛的空气淋浴，可以使用成像氛围来检测。可以分析IACT图像以区分由伽马射线和HADRONs引起的事件，并推断出事件的参数，例如初级粒子的能量。我们使用卷积神经网络（CNNS）从TAIGA实验的望远镜分析蒙特卡罗模拟图像。该分析包括对对应于由伽马射线引起的淋浴和估计伽马射线的能量的图像的选择。我们使用来自两个望远镜的图像和CNNS使用来自两个望远镜的图像的图像进行比较CNN的性能。

我们使用深度学习介绍了一种用于识别超高能量宇宙射线的大规模组成的新方法。该方法的关键思想是使用两个神经网络的链。第一网络预测各个事件的主要粒子的类型，而第二个是次数的群体组成。我们将此方法应用于望远镜阵列表面检测器读数的Monte-Carlo数据，在此，其产生的4％近似的前所未有的低误差为7％。统计误差显示到系统的一个与用于模拟的幂声相互作用模型的选择相关的系统。

Generative adversarial networks are a promising tool for image generation in the astronomy domain. Of particular interest are conditional generative adversarial networks (cGANs), which allow you to divide images into several classes according to the value of some property of the image, and then specify the required class when generating new images. In the case of images from Imaging Atmospheric Cherenkov Telescopes (IACTs), an important property is the total brightness of all image pixels (image size), which is in direct correlation with the energy of primary particles. We used a cGAN technique to generate images similar to whose obtained in the TAIGA-IACT experiment. As a training set, we used a set of two-dimensional images generated using the TAIGA Monte Carlo simulation software. We artificiallly divided the training set into 10 classes, sorting images by size and defining the boundaries of the classes so that the same number of images fall into each class. These classes were used while training our network. The paper shows that for each class, the size distribution of the generated images is close to normal with the mean value located approximately in the middle of the corresponding class. We also show that for the generated images, the total image size distribution obtained by summing the distributions over all classes is close to the original distribution of the training set. The results obtained will be useful for more accurate generation of realistic synthetic images similar to the ones taken by IACTs.

In 2016-2017, TUS, the world's first experiment for testing the possibility of registering ultra-high energy cosmic rays (UHECRs) by their fluorescent radiation in the night atmosphere of Earth was carried out. Since 2019, the Russian-Italian fluorescence telescope (FT) Mini-EUSO ("UV Atmosphere") has been operating on the ISS. The stratospheric experiment EUSO-SPB2, which will employ an FT for registering UHECRs, is planned for 2023. We show how a simple convolutional neural network can be effectively used to find track-like events in the variety of data obtained with such instruments.

在2015年和2019年之间，地平线的成员2020年资助的创新培训网络名为“Amva4newphysics”，研究了高能量物理问题的先进多变量分析方法和统计学习工具的定制和应用，并开发了完全新的。其中许多方法已成功地用于提高Cern大型Hadron撞机的地图集和CMS实验所执行的数据分析的敏感性;其他几个人，仍然在测试阶段，承诺进一步提高基本物理参数测量的精确度以及新现象的搜索范围。在本文中，在研究和开发的那些中，最相关的新工具以及对其性能的评估。

结邦化是一种非扰动过程，无法从第一原理推导出理论描述。建模强子地层，需要几种假设和各种现象学方法。利用最先进的计算机视觉和深度学习算法，最终可以训练神经网络以学习物理过程的非线性和非扰动特征。在本研究中，通过调查全局和运动量，确实喷射和事件形状变量来呈现两个Reset网络的结果。广泛使用的焊串碎片模型应用于$ \ sqrt {s} = 7 $ tev proton-proton碰撞中的基线，以预测进一步的LHC能量的最相关的可观察者。

机器学习在加强和加速寻求新基本物理学方面发挥着至关重要的作用。我们审查了新物理学的机器学习方法和应用中，在地面高能量物理实验的背景下，包括大型强子撞机，罕见的事件搜索和中微生实验。虽然机器学习在这些领域拥有悠久的历史，但深入学习革命（2010年代初）就研究的范围和雄心而产生了定性转变。这些现代化的机器学习发展是本综述的重点。

The occurrence of vacuum arcs or radio frequency (rf) breakdowns is one of the most prevalent factors limiting the high-gradient performance of normal conducting rf cavities in particle accelerators. In this paper, we search for the existence of previously unrecognized features related to the incidence of rf breakdowns by applying a machine learning strategy to high-gradient cavity data from CERN's test stand for the Compact Linear Collider (CLIC). By interpreting the parameters of the learned models with explainable artificial intelligence (AI), we reverse-engineer physical properties for deriving fast, reliable, and simple rule-based models. Based on 6 months of historical data and dedicated experiments, our models show fractions of data with a high influence on the occurrence of breakdowns. Specifically, it is shown that the field emitted current following an initial breakdown is closely related to the probability of another breakdown occurring shortly thereafter. Results also indicate that the cavity pressure should be monitored with increased temporal resolution in future experiments, to further explore the vacuum activity associated with breakdowns.

我们提出了一种基于机器学习的新型方法，用于从干涉数据中检测出星系尺度的重力透镜，特别是使用国际Lofar望远镜（ILT）采用的方法，该镜头是在150 MHz的频率上观察到北部无线电天空，该频率是350的角度分辨率。 MAS和90 Ujy Beam-1（1 Sigma）的灵敏度。我们开发并测试了几个卷积神经网络，以确定给定样品被归类为镜头或非镜头事件的概率和不确定性。通过对包括逼真的镜头和非镜头无线电源的模拟干涉成像数据集进行训练和测试，我们发现可以恢复95.3％的镜头样品（真正的正速率），仅污染仅为0.008来自非静态样品（假阳性速率）的含量。考虑到预期的镜头概率，结果导致了92.2％的镜头事件的样品纯度。我们发现，当镜头图像之间的最大图像分离大于合成光束尺寸的3倍时，网络结构是最健壮的，并且镜头图像具有至少与20个Sigma（点源）的总磁通密度相等）检测。对于ILT，这对应于爱因斯坦半径大于0.5 ARCSEC和一个无线电源群体的镜头样品，其150 MHz通量密度超过2 MJY。通过应用这些标准和我们的镜头检测算法，我们希望发现Lofar两米天空调查中包含的绝大多数星系尺度重力透镜系统。

粒子识别实验质量的基本度量是其统计能力以区分信号和背景。在使用闪烁体检测器的许多核，高能和罕见的搜索实验中，脉冲形状歧视（PSD）是用于此目的的基本方法。传统技术利用信号和背景事件的脉冲衰减时间之间的差异或由不同类型的辐射量子引起的脉冲信号以实现良好的歧视。但是，只有当总的光发射足以获得适当的脉冲轮廓时，这种技术才有效。仅当由于检测器中的入射粒子而引起明显的后坐力时，才有可能。但是，罕见的事实搜索实验（例如中微子或深色可能的直接搜索实验）并不总是满足这些条件。因此，必须拥有一种可以在这些情况下提供非常有效歧视的方法。基于神经网络的机器学习算法已用于许多物理学领域，尤其是在高能实验中的分类问题，并且与传统技术相比，结果更好。我们介绍了我们对两种基于网络方法的研究的结果。密集的神经网络和复发性神经网络，用于脉冲形状歧视，并将其与常规方法相同。

在X射线游离电子激光器（XFELS）处的单粒子成像（SPI）特别适合于确定其本地环境中颗粒的3D结构。对于成功的重建，必须从大量获取的图案中分离出来的衍射模式。我们建议将此任务作为图像分类问题制定，并使用卷积神经网络（CNN）架构来解决它。开发了两个CNN配置：一个最大化F1分数的CNN配置和强调高召回的一个配置。我们还将CNN与期望最大化（EM）选择以及尺寸过滤结合起来。我们观察到，我们的CNN选择在我们之前的工作中使用的电子选择的功率谱密度函数的对比度较低。但是，基于CNN的选择的重建提供了类似的结果。将CNN引入SPI实验允许简化重建管道，使研究人员能够在飞行中对模式进行分类，并且因此，它们使他们能够严格控制其实验的持续时间。我们认为，在描述的SPI分析工作流程中提出基于非标准的人工智能（AI）解决方案可能对SPI实验的未来发展有益。

由液体闪光灯（LS）靶标组成的大型探测器被一系列照片 - 型型管（PMT）包围，广泛用于现代中微子实验中：Borexino，Kamland，Daya Bay，Double Chooz，Reno，Ren​​o，Ren​​o和即将到来的Juno及其卫星朱诺检测器陶。这样的设备能够测量中微子能量，这可以从PMT通道上的光及其空间和时间分布中得出。但是，在大规模探测器中实现精细的能源分辨率是具有挑战性的。在这项工作中，我们介绍了该类型最先进的检测器Juno的能源重建方法的机器学习方法。我们专注于0-10 MEV的能量范围的正电子事件，该事件与juno $ - $中微子中的主要信号相对应，该信号源自核反应堆核心，并通过逆β-蛋白通道检测到。我们考虑使用PMTS收集的信息计算的综合特征，并在综合特征上进行了培训的深层神经网络。我们描述了我们功能工程程序的详细信息，并表明机器学习模型可以使用工程功能的子集提供能源分辨率$ \ sigma = 3 \％$。用于模型培训和测试的数据集由Monte Carlo方法与官方Juno软件生成。还提出了用于评估实际数据重建算法性能的校准源。

In this article, we use artificial intelligence algorithms to show how to enhance the resolution of the elementary particle track fitting in inhomogeneous dense detectors, such as plastic scintillators. We use deep learning to replace more traditional Bayesian filtering methods, drastically improving the reconstruction of the interacting particle kinematics. We show that a specific form of neural network, inherited from the field of natural language processing, is very close to the concept of a Bayesian filter that adopts a hyper-informative prior. Such a paradigm change can influence the design of future particle physics experiments and their data exploitation.

We investigate how neural networks (NNs) understand physics using 1D quantum mechanics. After training an NN to accurately predict energy eigenvalues from potentials, we used it to confirm the NN's understanding of physics from four different aspects. The trained NN could predict energy eigenvalues of different kinds of potentials than the ones learned, predict the probability distribution of the existence of particles not used during training, reproduce untrained physical phenomena, and predict the energy eigenvalues of potentials with an unknown matter effect. These results show that NNs can learn physical laws from experimental data, predict the results of experiments under conditions different from those used for training, and predict physical quantities of types not provided during training. Because NNs understand physics in a different way than humans, they will be a powerful tool for advancing physics by complementing the human way of understanding.

我们描述了作为黑暗机器倡议和LES Houches 2019年物理学研讨会进行的数据挑战的结果。挑战的目标是使用无监督机器学习算法检测LHC新物理学的信号。首先，我们提出了如何实现异常分数以在LHC搜索中定义独立于模型的信号区域。我们定义并描述了一个大型基准数据集，由> 10亿美元的Muton-Proton碰撞，其中包含> 10亿美元的模拟LHC事件组成。然后，我们在数据挑战的背景下审查了各种异常检测和密度估计算法，我们在一组现实分析环境中测量了它们的性能。我们绘制了一些有用的结论，可以帮助开发无监督的新物理搜索在LHC的第三次运行期间，并为我们的基准数据集提供用于HTTPS://www.phenomldata.org的未来研究。重现分析的代码在https://github.com/bostdiek/darkmachines-unsupervisedChallenge提供。

在背景主导的情况下，通过机器学习和信号和背景之间的可观察者之间的高度重叠来调查LHC在LHC的新物理搜索的敏感性。我们使用两种不同的型号，XGBoost和深度神经网络，利用可观察到之间的相关性，并将这种方法与传统的切割方法进行比较。我们认为不同的方法来分析模型的输出，发现模板拟合通常比简单的切割更好地执行。通过福芙氏分解，我们可以额外了解事件运动学与机器学习模型输出之间的关系。我们认为具有亚霉素的超对称场景作为一个具体示例，但方法可以应用于更广泛的超对称模型。

Cherenkov Gamma Telescope观察高能量伽马射线，利用由γ发出的电磁淋浴内产生的带电粒子发出的辐射，并在大气中发展。探测器记录并允许重建淋浴参数。使用称为Corsika的蒙特卡罗仿真算法实现了参数值的重建。本研究开发了多种基于机器学习的分类模型，并评估了它们的性能。将不同的数据转换和特征提取技术应用于数据集以评估对两个单独的性能度量的影响。建议申请的结果表明，不同的数据转换没有显着影响（P = 0.3165）模型的性能。成对比较表明，来自每个变换数据的性能与原始数据的性能没有显着不同。此外，SVM算法在标准化数据集中产生了最高的性能分数。总之，本研究表明，在标准化数据集上使用SVM比其他数据变换的其他算法在标准化数据集上使用SVM来预测高能伽马粒子。

This work presents a set of neural network (NN) models specifically designed for accurate and efficient fluid dynamics forecasting. In this work, we show how neural networks training can be improved by reducing data complexity through a modal decomposition technique called higher order dynamic mode decomposition (HODMD), which identifies the main structures inside flow dynamics and reconstructs the original flow using only these main structures. This reconstruction has the same number of samples and spatial dimension as the original flow, but with a less complex dynamics and preserving its main features. We also show the low computational cost required by the proposed NN models, both in their training and inference phases. The core idea of this work is to test the limits of applicability of deep learning models to data forecasting in complex fluid dynamics problems. Generalization capabilities of the models are demonstrated by using the same neural network architectures to forecast the future dynamics of four different multi-phase flows. Data sets used to train and test these deep learning models come from Direct Numerical Simulations (DNS) of these flows.