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。

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。

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.

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。

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。

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.

这项工作提出了一种用于实验颗粒物理学的域通知的神经网络架构，其使用与时引起室（TPC）技术的粒子相互作用定位作为暗物质研究作为示例应用。 TPC内产生的信号的关键特征是它们允许通过称为重建的过程定位粒子相互作用。虽然多层的感知者（MLPS）被出现为TPC中重建的主要竞争者，但这种黑箱方法不反映出潜在的科学进程的先验知识。本文在基于神经网络的交互本地化的重点看，并根据信号特性和检测器几何形状来编码先前的检测器知识，进入多层神经网络的特征编码和输出层。所得到的域通知的神经网络（DINN限制了初始特征编码层中神经元的接收领域，以便考虑TPC内产生的信号的空间局部性质。DINN的这一方面具有相似之处图形神经网络的新出现区域，因为初始层中的神经元在其后续层中仅连接到少数神经元，与MLP相比，显着降低了网络中的参数的数量。此外，为了解释探测器几何形状，网络的输出层使用两个几何变换来修改，以确保Dinn在检测器内部产生本地化。最终结果是一个神经网络架构，参数比MLP更少60％，但仍然达到类似的本地化性能，并为未来的架构开发提供了一种改进性能的路径，因为它们能够ENC的能力odes附加域名知识进入架构。

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。

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。

我们探索了使用机器学习技术来消除实验光谱中大量$ \ gamma $ ray检测器的响应。分段$ \ gamma $ -Ray总吸收光谱仪（TAS）允许同时测量单个$ \ gamma $ -ray $ -Ray-ray Energy（e $ _ \ gamma $）和总激发能量（E $ _X $）。 TAS检测器数据的分析使E $ _X $和E $ _ \ gamma $数量相关联，因此与使用E $ _x $和E $ _ \ gamma $响应函数相关的技术是复杂的，因此不那么准确。在这项工作中，我们调查了有条件生成的对抗网络（CGAN）同时展开$ e_ {x} $和$ e _ {\ gamma} $ data在TAS检测器中的数据。具体而言，我们采用PIX2PIX CGAN，这是一种基于深度学习进展的生成建模技术，以处理$（e_x，e _ {\ gamma}）$矩阵作为图像到图像翻译问题。我们提出了单个 - $ \ gamma $和double-$ \ gamma $ decay cascades的模拟和实验矩阵的结果。我们的模型展示了检测器分辨率限制内的表征功能，其模拟测试用例$ 90 \％$。

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。

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。

AutoEncoders在异常检测中具有高能物理学中的有用应用，特别是对于喷气机 - 在碰撞中产生的颗粒的准直淋浴，例如Cern大型强子撞机的碰撞。我们探讨了基于图形的AutoEncoders，它们在其“粒子云”表示中的喷射器上运行，并且可以在喷气机内的粒子中利用相互依存的依赖性，用于这种任务。另外，我们通过图形神经网络对能量移动器的距离开发可差的近似，这随后可以用作自动化器的重建损耗函数。

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。

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。

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。

ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列，该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战，这是由于探测器的几何形状，不均匀的散射和冰中光的吸收，并且低于100 GEV的光，每个事件产生的信号光子数量相对较少。为了应对这一挑战，可以将ICECUBE事件表示为点云图形，并将图形神经网络（GNN）作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开，对不同的中微子事件类型进行分类，并重建沉积的能量，方向和相互作用顶点。基于仿真，我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术，包括已知系统不确定性的影响。对于中微子事件分类，与当前的IceCube方法相比，GNN以固定的假阳性速率（FPR）提高了信号效率的18％。另外，GNN在固定信号效率下将FPR的降低超过8（低于半百分比）。对于能源，方向和相互作用顶点的重建，与当前最大似然技术相比，分辨率平均提高了13％-20％。当在GPU上运行时，GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件，这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。

X-Ray Polarimetry很快将在高能量宇宙中打开一个新窗口，并推出NASA的成像X射线偏光型资源管理器（IXPE）。偏振仪目前受到其轨道重建算法的限制，通常使用线性估计，并不考虑单个事件质量。我们介绍了一种最大限度的深度学习方法，可实现与成像偏振仪的X射线伸缩观测的灵敏度，重点在IXPE上捕获气体像素探测器（GPD）。我们使用从Resnet的深度集合的预测的加权最大可能性组合，训练在Monte Carlo事件模拟上。我们得出并应用最佳事件加权，以便最大化轨道重建算法中的偏振信噪比（SNR）。对于典型的电力法源光谱，我们的方法改进了本领域的当前状态，为给定SNR提供了〜40％的曝光时间减少。

由于其非参数性，性能良好，性能良好，并且通过诸如TensorFlow等库的可访问性，深度卷积神经网络（DCNNS）已成为自动图像注释的最常见解决方案。在其他领域中，DCNN也是通过数字天空调查获取的大天文图像数据库的常用方法。 DCNN的主要缺点之一是复杂的非直观规则，使DCNNS成为“黑匣子”，以不清楚用户的方式提供注释。因此，用户通常无法知道什么信息DCNN用于分类。在这里，我们证明了DCNN的训练对培训数据的背景敏感，例如天空中的物体的位置。我们表明，对于椭圆形和螺旋星系的基本分类，用于训练的星系的天空位置影响算法的行为，并导致小但一致而且统计学上的偏差。该偏差在宇宙学级各向异性的形式中表现出基本的星系形态的分布。因此，虽然DCNN是用于注释延长源图像的强大工具，但是对于Galaxy形态的培训集的构建应该考虑到比OB的视觉外观更多的方面ject。在任何情况下，使用深度神经网络创建的目录，即表现出宇宙主义各向异性的迹象，应通过一致偏差的可能性来解释。