本文提出使用深度学习将三维宇宙中星系分布与其背后的暗物质分布建立映射，以实现宇宙学模拟的快速计算。通过开发出的双层卷积神经网络结构生成的星系画像，相比于传统的宇宙学技术取得了更好的性能与准确性，并且与当前和未来的宇宙观测数据结合使用可以解决宇宙学中的一些基本问题。

Feb, 2019

这篇论文介绍了第一个使用现代高性能计算架构解决科学模式分类问题的 15-PetaFLOP 深度学习系统。通过使用卷积神经网络对高能物理数据和气候数据进行监督和半监督建模，实现了在单个 Cori Phase-II Xeon-Phi 节点上达到 2 TFLOP/s；在使用节点组之间的异步通信和同步节点组的混合策略的情况下，将单模型的训练扩展到 9600 个 Xeon-Phi 节点，达到了 11.73-15.07 PFLOP/s 峰值性能和 11.41-13.27 PFLOP/s 持续性能。最终，作者的高能物理和气候学模式分类问题的卷积神经网络表现出了超过那些高层次物理学特征选择所达到的最先进的分类准确性；而他们的半监督架构成功地在 15TB 的气候数据集中提取了天气模式，证明了深度学习在众核 HPC 系统上的有效优化和扩展.

Aug, 2017

FlowPM 是一种在 Mesh-TensorFlow 上实现的 Particle-Mesh (PM) 宇宙 N 体代码，采用基于多分辨率金字塔的新型多网格算法来高效地计算分布式平台上的大尺度力，并可用于有效地解决大尺度宇宙学推断问题。

Oct, 2020

使用 Tiramisu 和 DeepLabv3 + 神经网络的变体提取极端天气模式的像素级掩模。通过改进软件框架、输入管道和网络训练算法以有效地扩展 Piz Daint 和 Summit 系统上的深度学习。Tiramisu 网络具有 5300 个 P100 GPU，持续吞吐量为 21.0 PF/s，并且具有 79.0% 的并行效率。DeepLabv3 + 可扩展至 27360 个 V100 GPU，在单精度下具有 325.8 PF/s 的持续吞吐量和 90.7% 的并行效率。通过利用 FP16 Tensor Cores，DeepLabv3 + 网络的半精度版本实现了 1.13 EF/s 的峰值吞吐量和 999.0 PF/s 的持续吞吐量。

Oct, 2018

利用深度学习技术，本文展示了如何开发一种精确的多尺度系统时间步进方法，通过坐标和流图的联合发现来表示多尺度动态，同时采用迭代时间步进估计减少的变量，实现了最先进的预测准确性，同时减少了计算成本。

Apr, 2024

本文介绍了三个与系统相关的优化方案 —— 分布式批量归一化控制每个副本批量大小、输入管道优化维持模型吞吐量和二维鼓形约减加速梯度求和 —— 将这些优化相结合，在 1024 芯片 TPU v3 Pod 上以超过 105 万张 / 秒的训练吞吐量，在 2.2 分钟内将 ResNet-50 在 ImageNet 上训练到 76.3％的准确度，且没有精度降低。

Nov, 2018

该研究使用深度学习模型解决宇宙结构形成的问题，并证明了这是一种实用和准确的替代方法。

Nov, 2018

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

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

采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

Jan, 2021