使用改进的 CNN 算法和基于峰值计数的易于理解方法，可以更好地估计弱引力透镜映射的余量参数和标准差，并提取更多的高阶统计信息，这在研究宇宙学和暗物质中非常有帮助。

Jun, 2018

本文使用卷积神经网络 (Convolutional Neural Networks, CNN) 分析了 KiDS-450 力学弱引力透镜数据集中的弱引力透镜质量映射，得出了对宇宙的总物质密度，波动幅度以及内在对齐振幅的限制性结果，并与基于功率谱分析得出的结果进行了比较，证明了使用深度学习进行未来宇宙学数据分析的良好前景。

Jun, 2019

本研究展示了利用深度学习方法从密度场测量宇宙学参数的潜力，重点是提取非高斯信息。该研究使用弱引力透镜质量图像作为数据集，旨在设计和实现一个深度卷积神经网络，学习五种宇宙学模型与其生成的质量图之间的关系，并将其与常用的非高斯统计方法进行比较，表明该方法可以实现在高噪声环境下保持高效率，并有望应用于实际弱引力透镜数据的分析。

Jul, 2017

本文讨论了弱引力透镜测量中的系统误差来源及其理论解释，并介绍了未来改进的其他选择。包括对宇宙结构生长和暗能量本质的限制等关键问题的探讨和分析。

Oct, 2017

该综述论文讨论了弱引力透镜测量的方法，它能够提供有关宇宙暗物质和暗能量分布的直接地图，包括星系、星团和宇宙尺度。此外，该文还讨论了一些可能影响测量结果的系统性效应及其克服方法，并探讨了计划调查中弱引力透镜测量的前景与应用。

May, 2008

使用卷积神经网络从第一批 Dark Energy Survey（DES）数据中筛选出强引力透镜系统的候选物，包括 405 个透镜候选物和 539 个可用于训练 CNNs 的环状星系候选物，并构建自动化建模管道来对 52 个有单个偏转器的系统进行建模。

Aug, 2021

本文报道了使用深度卷积神经网络在非常快速且自动化的方式下准确估计透镜参数的方法，不需要使用最大似然方法，而且可以提供一种非专家获取大量数据的透镜参数估计的方法。

Aug, 2017

研究使用神经网络在高分辨率镜像数据上模拟暗物质、远距离星系光学扭曲等，以解答宇宙学中的一些大问题。

Jun, 2022

应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络，特别在训练数据有限的情况下，且具有高度解释性。

Jul, 2023

本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

Nov, 2022