在将机器学习应用于粒子物理学的过程中，一个持续的挑战是如何超越歧视来学习基础物理学。 为此，一个强大的工具将是无监督学习的框架，在该框架中，机器无需参考预先建立的标签，即可学习对其进行训练的数据的复杂高维轮廓。 为了处理这样一个复杂的任务，必须基于对数据的定性理解，智能地构建一个不受监管的网络。 在本文中，我们围绕数据背后的物理先导模型来构建神经网络的架构。 除了使无监督学习变得易于处理外，该设计还缓解了性能和可解释性之间的现有紧张关系。 我们将框架称为Junipr：“来自不受监督的可解释PRobabilistic模型的喷气机”。 在这种方法中，组成射流的粒子动量集合被聚类为神经网络依次检查的二叉树。 训练不受监督且不受限制：网络可以决定数据与所选树形结构几乎没有对应关系。 但是，当存在对应关系时，沿树的网络输出具有直接的物理解释。 瞻博网络模型可以通过统计上的最佳似然比检验执行判别任务，并且它们可以使喷气树中每个分支的辨别力可视化。 此外，瞻博网络模型提供了可以从中得出事件的概率分布，从而提供了数据驱动的蒙特卡洛生成器。 作为第三种应用，瞻博网络模型可以对一个（例如，模拟的）数据集的

在大型强子对撞机发现质量约为125 GeV的希格斯玻色子之后，从理论和实验角度都进行了许多研究，以寻找比125 GeV轻的新型希格斯玻色子。 我们通过将次轻量级的希格斯玻色子h2限制为在次最小的超对称标准模型中，探索了限制更轻的中性标量希格斯玻色子h1和较轻的伪标量希格斯玻色子a1的可能性。 应用现象学约束和实验测量的约束后的LHC。 从LHC数据在双光子衰变通道中寻找较轻的希格斯玻色子的最新结果尚未完全排除此类较轻的粒子。 我们的结果表明，如果通过实验合作和更多数据进行搜索，则对于大型强子对撞机中较轻的标量希格斯玻色子，可以获得对次最小超对称标准模型的一些新约束。 还讨论了发现这种较轻的中性标量或伪标量粒子的其他有趣衰减通道的潜力。

肖振军与吕才典老师所著《粒子物理学导论》前5章部分习题答案。鉴于这门课（适合大四和研究生选修）所留的作业，个人将部分习题写成文档供各位参考，完全是个人的理解与作答，可能存在很多错误，希望各位同行批评指正。后续可能将会继续更新前5章剩余题目和后面几章的书后习题解答，可以持续关注我的动态！

基本粒子物理学史（美 阿伯拉罕派斯）

【考研物理】原子物理学、核与粒子物理学-中国科学技术大学物理辅导班

虽然有些老了，但是一些基本概念的介绍还是有价值的

很好的粒子物理学大全，这是其中的下册的第一部分（因为我最多只能上传20M以下），下完1，2两部分后解压就是pdf版本了

很好的粒子物理学大全，这是其中的下册的第二部分（因为我最多只能上传20M以下），下完1，2两部分后解压就是pdf版本了