CAMELS 是一个由 400 亿个质点和流体元素构成的宇宙模拟套件，使用机器学习算法进行理论预测，其中使用了一个范围广泛的宇宙学和天体物理模型变量，并强调消除宇宙学调查中重子效应的影响。

Oct, 2020

本文介绍了 CAMELS-ASTRID 项目中的第三套宇宙学和天体物理学的水动力学模拟以及新的模拟集，以此来为针对宇宙学研究的机器学习算法提供更广泛的训练和测试基础；该项目通过引入新的参数和其它宇宙和物理因素来扩展先前的框架，并仔细调查机器学习模型的行为。

Apr, 2023

Dark Sky 模拟是宇宙大规模演化的定量和可访问模型，为暗物质和暗能量研究提供了必要的工具，本文介绍了已经发布的早期数据版本和派生的半径目录，质量功能，功率谱和光锥数据和分发和访问超大数据集的新方法。

Jul, 2014

该研究呈现了宇宙学模拟中天体和星系目录的公共数据，包括次网格模型和合并树等内容，旨在研究星系形成和演化的细节。

Oct, 2015

本研究延伸了之前提出的机器学习模型，在使用 N 体重力 + 流体动力学模拟模型研究星系形成和演化方面提出了新的框架。研究表明，机器学习是研究星系形成的一种有前途的技术，可以在相对较短的计算时间内模拟真实情况并预测星系物理性质，是研究星系形成的新的有力工具。

Oct, 2015

使用图神经网络在 Halo 目录上进行训练，实现宇宙学参数无似然场水平的推断。该文章表明，其模型在使用多个不同的 N-body 模拟和代码运作的 Halo 目录进行测试时非常健壮，同时探讨了使用多种参数会受到精度和健壮性的权衡问题。

Sep, 2022

该研究发布了 Illustris 模拟项目的公共数据集，该数据集包括所有位于（106.5 Mpc）³ 体积内的半宇宙尺度的宇宙学数值模拟数据，描述该项目的科学问题以及释放的数据产品和工具。

Apr, 2015

使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

Feb, 2023

使用图神经网络对包含多种观测效应的星系目录进行训练和测试，发现尽管这些效应降低了模型的精度和准确性，增加了模型失效的星系目录比例，但模型表现良好的星系目录比例超过 90％，从而展示了这些模型在应用于真实数据时约束宇宙学参数的潜力。

Oct, 2023

提出了一种准确而快速的框架，用于生成模拟目录（包括低质量暗物质晕），基于 COMoving Lagrangian Acceleration（COLA）技术的实现，该技术是用于生成大量目录的新方法。COLA 模拟可以在实空间和红移空间中用中等计算资源生成准确的模拟目录，用于大规模结构和暗能量研究。

Jul, 2015