通过机器学习方法，我们展示了一种学习如何区分暗物质自相互作用和星际物理反馈的方法，使用了基于流体动力学模拟的星系团图像进行训练，该算法在识别含有不同类型暗物质的星系团方面的准确率达到 80％，为使用 Euclid 和 Chandra 预期的数据提供了一种比以往更精确和更快速的分析方法，可以探索前所未有的暗物质参数空间。

May, 2024

本研究使用机器学习的符号回归分析了天体物理系统中太阳耀斑 - 泽尔多维奇流量 - 星团质量关系的库，发现了一个由太阳耀斑 - 泽尔多维奇流量和电离气体浓度紧密相关的星团质量的新代理，并测试并证明该新代理在不同宇宙学、物理条件下依然可行，可以用于 CMB，X 线等观测数据的多波段星团质量估计。

Jan, 2022

使用机器学习框架，分析初始密度扰动通过质量吸积和合并导致黑暗物质晕的质量分布，发现影响最终质量分布的主要因素是初始条件和质量吸积历史。

May, 2022

本研究延伸了之前提出的机器学习模型，在使用 N 体重力 + 流体动力学模拟模型研究星系形成和演化方面提出了新的框架。研究表明，机器学习是研究星系形成的一种有前途的技术，可以在相对较短的计算时间内模拟真实情况并预测星系物理性质，是研究星系形成的新的有力工具。

Oct, 2015

本研究基于物理学原理提出了一种高效稳健的方案从弱引力透镜调查数据中提取了星系团集群及其性质，优化了低质量对象的检测，并进行了两个模拟数据集的准确性评估，讨论了剪切选中的星系团目录的完整性和纯度。

Oct, 2008

本文采用简单的机器学习方法，基于降维和监督学习方法建立基于暗物质密度参数的快速暗物质密度场仿真方法，并通过预测和反投影系数来预测不同宇宙学参数的密度立方体。该方法在保证相应精度下，相比于完整的 N 体模拟大幅缩短计算时间，可以显著加速宇宙模型参数和模型推断等工作，为 ESA/NASA Euclid 任务等开放了更广泛的应用空间。

Apr, 2023

利用深度三维卷积神经网络和分布回归框架，研究了通过宇宙物质分布直接估算宇宙学参数的方法，并表明机器学习技术在某些情况下可以胜过基于宇宙学模型的极大似然点估计，这为更高精度的估算宇宙学参数开辟了道路。

Nov, 2017

使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

Feb, 2023

使用 Halo Occupation Distribution 建立了非线性的星系偏差模型来拟合两种不同宇宙参数下的星系两点相关函数和团簇内质量与星系数的比值，并将此技术用于约束宇宙学参数 Omega_m 和 sigma_8， 发现 Omega_m^0.5*sigma_8=0.465+/-0.026，证明了 M/N 技术是通过未来的星系调查来限制宇宙学的一个有效方法。

Apr, 2011

使用图神经网络在 Halo 目录上进行训练，实现宇宙学参数无似然场水平的推断。该文章表明，其模型在使用多个不同的 N-body 模拟和代码运作的 Halo 目录进行测试时非常健壮，同时探讨了使用多种参数会受到精度和健壮性的权衡问题。

Sep, 2022