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

本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

Aug, 2016

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

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

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

使用深度学习技术在超级计算机上搭建了基于 TensorFlow 框架的高度可伸缩的宇宙学应用 CosmoFlow，通过使用 3D 卷积和池化原语的高效实现，平台多线程计算操作等技术手段，在 Cori 系统上训练具有 77％并行效率的 8192 个节点，取得 3.5 Pflop /s 的持续性能，成功处理了大规模的 3D 暗物质分布并预测了宇宙学参数 ΩM，σ8 和 ns 的精度空前的结果。

Aug, 2018

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

我们介绍了一种基于扩散的生成模型，直接描述我们宇宙中的星系分布作为三维空间中的点的集合（坐标），可选地带有关联属性（例如速度和质量），而无需使用分箱或像素化。这种定制的扩散模型既可以用于仿真，重现星系分布的关键统计特征，也可以用于推断，通过计算星系场的条件似然性。我们首次应用于 Quijote 模拟套件中的大质量暗物质晕的案例。这种方法可以扩展以实现对宇宙学数据的全面分析，规避了摘要统计特征以及基于神经模拟的推断方法所固有的局限性。

Nov, 2023

利用卷积神经网络能够从弱引力透镜生成的汇聚度图中提取信息，比功率谱方法能够更加严格地约束宇宙学参数而且能够提取弱引力透镜地图中的非高斯信息。

Feb, 2019

使用具有不确定性估计的贝叶斯神经网络从修改引力模拟中提取宇宙学参数，优于传统神经网络的精确预测和校准不确定性估计

Sep, 2023