在高能物理实验中，粒子流(PFlow)算法的设计是为了在碰撞过程中提供在探测器接受范围内产生的粒子的性质和运动特性的最佳重建。PFlow算法的核心[参考文献1]是能够区分中性粒子和带电粒子的量热计能量沉积，使用带电粒子跟踪设备的补充测量，以提供粒子含量和运动学的优越测量。我们提出了一种基于神经网络的方法，从量热计中的全部能量分布和跟踪信息开始，估计中性和带电粒子在给定量热计单元中沉积的能量[文献2]。
我们比较了四种不同神经网络的性能。它们是纯卷积网络、带有UNet块的卷积网络、带有动态边卷积网络的图网络和深度集网络。我们表明，无论是能量估计还是方向估计，神经网络都优于现有的PFlow方法。
在同一篇文章中，我们提出了一种新的超分辨率技术，可以从低粒度探测器信息开始估计高粒度阵雨剖面。
目前，我们正在ATLAS中实现这些技术。
----------------------------------------------------------------------------------------