本文介绍了一种基于深度学习的方法来在恒星变化存在的情况下测量小行星的径向速度，该方法采用了神经网络，降低了三年 HARPS-N 太阳作为恒星的谱线的恒星 RV 抖动。作者设计和比较了降维和数据拆分方法，以及各种神经网络体系结构，包括单行 CNN、单行 CNN 集合和多行 CNN。作者通过注入类行星 RV 到谱线中并使用神经网络进行恢复，发现多行 CNN 能够恢复 0.2 m/s 的半振幅、50 天的周期行星，并在振幅和周期上分别实现了 8.8% 和 0.7% 的误差。这种方法显示了缓解恒星 RV 变异和实现具有前所未有的精度探测小行星 RV 的前景。

Apr, 2023

本研究提出了一种基于 Transformer 机制的新型循环神经网络单元，该单元能够利用序列传感器录音中的时空相关性，并跟踪对象编码，以获取场景动态和回归速度，并根据提取的速度估计将循环神经网络的内存状态进行投影，以解决空间和时间不对齐的问题。

Jun, 2023

将太空中的极紫外光图像数据直接融入神经网络热层密度模型，可以代替地面代理指标、提高预测性能，为低地球轨道卫星导航流程中的操作性热层密度预测模型引入极紫外光数据的使用方法。

Nov, 2023

通过使用机器学习模型 U-Nets，本研究从三维雷达反射率中提取最大垂直速度及其面积范围，以评估风暴的严重潜力。

Oct, 2023

我们引入了一种完全基于深度学习的三维方法，用于同时反演时间序列表面重力和地震数据，以重建地下密度和速度模型，该方法的目标应用是预测地下 CO₂羽流，作为监测 CO₂封存部署的补充工具，我们的联合反演技术优于基于深度学习的仅有重力或仅有地震的反演模型，实现了改进的密度和速度重建，准确的分割以及更高的 R-squared 系数，这些结果表明基于深度学习的联合反演是一种有效的 CO₂储存监测工具，未来的工作将侧重于使用更大的数据集验证我们的方法，进行其他地质封存地点的模拟，最终验证现场数据。

Sep, 2023

综合数据驱动的学习法和从流体流动动力学概念中生成的速度矢量场，本文提出了一种新的轨迹预测技术，将矢量场作为卷积 - 递归深度神经网络的附加输入，帮助预测基于俯视图场景的未来轨迹。该方法在 HighD 数据集上与最先进的方法进行了比较，展示了在短期和长期（5 秒）时间范围内，速度矢量场的引入提高了预测准确性，并且准确性随着观测窗口的减小而保持一致，缓解了对准确轨迹预测所需的过去观测历史的要求。

Sep, 2023

本文介绍了如何利用深度学习技术对 NASA Solar Dynamics Observatory 的大量数据进行处理和分析，以获得高精度的虚拟望远镜，提高观测能力和减少遥测需求。

Nov, 2019

通过在耦合的普通微分方程中嵌入深度神经网络来实现非线性反问题的机械可解释性的发现工具，从而在没有先验知识的情况下，稳健地发现热超新星驱动的银河风的大量动力学和热力学特性，其中包括卷起的冷云和非球形的射流几何形状。

Jun, 2023

本文提出了一种基于算法展开的机器学习加速图像恢复方法，利用小型神经网络对优化方法进行辅助，其结果表明相较于标准优化程序，该方法和使用机器学习的盲反卷积技术可以大幅缩短恢复时间，且在多个数据集上表现出良好的泛化能力并可无监督训练。

Jun, 2023

比较分析了 LiBeamsNet 和 MissBeamNet 这两种先进的深度学习方法以及基于模型的平均估计器的有效性，这些方法在两个波束不可用时对于回归丢失的 Doppler 速度日志波束进行了评估。研究发现，这两种深度学习架构的速度预测准确性相比基于模型的方法提高了 16% 以上。

Jan, 2024