使用 Spectral Transformer（SPT）模型，通过红巨星的光谱预测其年龄和质量，具有较高的精度和一致性，超越传统机器学习算法，并与天体测量和恒星等值线拟合技术表现出较高的相关性。

Jan, 2024

使用规范流算法，从有噪音的视差和光度学测量中学习灵活的色 - 星等图，该算法是一种能够学习任意多维概率分布的深度神经网络。应用该算法，我们得到了 6.4 亿个近邻恒星的光度距离后验分布的目录，可应用于改善银河系盘层分离和亚结构检测。

Aug, 2019

利用 2MASS 数据构建一个基于颜色和星等的模型作为先验知识，通过 Extreme Deconvolution 算法从 TGAS 数据计算出 TGAS 星系中每颗恒星更为精确的视差估计和后验概率分布。

Jun, 2017

借助 Amortized Neural Posterior Estimation（ANPE）技术以及新的 nbi 软件包，本研究为 APOGEE 星光谱调查提供了一个训练有素的 ANPE 模型，展示了其在模拟和真实 APOGEE 星光谱上的功效。我们引入了一种有效处理光谱数据中固有测量噪声特性的方法，利用了观测数据中的实际不确定性，使训练数据能够类似于观测数据，这对于 ANPE 应用至关重要。此外，我们探讨了 ANPE “模型库” 的实用性，其中针对特定仪器进行模型训练，并在 nbi 框架下分发，以促进实时的恒星参数推断。

Dec, 2023

本文介绍了一种基于卷积网络和混合密度网络的新方法，并使用 SDSS（DR9）中的数据进行实验，证明此方法相比之前的方法具有更好的性能，可以预测任何类型数据（例如星系、类星体、恒星）的物理参数概率密度函数，是解决基于成像数据的概率性回归问题的一种通用方法。

Jun, 2017

我们开发了一个深度神经网络 (DNN)，用于获取全天自动超新星巡天 (ASAS-SN) 中饱和恒星的光度。该 DNN 可以在 g=4 到 14 mag 之间获得无偏光度，饱和 (g<11.5 mag) 恒星的离散度 (15%-85% 中位数附近的 1sigma 范围) 为 0.12 mag。更重要的是，非变化的饱和恒星的光变曲线仅具有中位数离散度为 0.037 mag。DNN 的光变曲线在许多情况下明显优于标准 ASAS-SN 管道所提供的曲线。虽然该网络仅使用 ASAS-SN 的 20 个相机之一的 g 波段数据进行训练，但初步实验表明其也适用于任何相机和早期 ASAS-SN 的 V 波段数据。主要问题似乎与 ASAS-SN 数据降噪管道中关于饱和恒星的可纠正问题有关，而非 DNN 本身。该方法已作为全天自动超新星巡天 Sky Patrol v1.0 上的光变曲线选项公开提供。

Apr, 2024

本研究利用机器学习算法实现了基于光度测量的新型超新星分类方法，探讨了不同特征提取方法与机器学习算法的组合方式，并使用模拟光度曲线数据进行测试，发现了一种不需要紅移信息的新方法。

Mar, 2016

利用深度迁移学习和自动编码器，基于特征的深度迁移学习方法可以准确地确定 M 矮星的恒星参数，包括有效温度、表面重力、金属丰度和投影旋转速度。通过在降维的特征空间中使用卷积神经网络进行参数估计，实现了人工合成光谱与实际观测光谱之间特征分布的减小，从而提供了准确的矮星参数估计结果。

May, 2024

应用概率数据驱动方法来研究星际年龄，通过光度数据来约束星际年龄，从而拓宽陀螺年代学星际约会的适用性。

Jul, 2023

开发了一种能够从光度宽频带图像中预测光学星系光谱的生成式人工智能方法，并通过与观测光谱的对比显示了良好的一致性，该方法还能推断光度图像中的速度色散和活跃星系核的存在，并可以在大规模光度调查中获得科学上有趣的星系属性。

Jun, 2024