本文介绍了机器学习的核心概念和工具，并强调了与统计物理之间的自然联系。此外，还介绍了监督和非监督学习中的先进主题，并使用Python Jupyter笔记本演示了这些概念，并以物理学为基础的数据集（Ising模型和超对称质子-质子碰撞的蒙特卡罗模拟） 作为案例，最后探讨了机器学习在进一步理解物理世界方面的潜在用途以及物理学家可能能够做出贡献的机器学习中存在的未解决问题。

Mar, 2018

该论文介绍了使用神经网络建模预测暗物质晕的密度分布，并利用低维的潜变量描述导致晕边界的物质的两种不同表现形式，其中包括Navarro-Frenk-White模型和splashback boundary。

Mar, 2022

本文使用符号回归和随机森林两种机器学习工具对宇宙中半径为 $10^{14} h^{-1}M_⊙$ 以内质量与 热SZ 效应关系 $Y-M$ 进行研究，提出了一个更加自相似的方法，达到了更高的效率; 同时，使用 $Y-M$ 来测量一些参数的值并释放出有助于协同星系和群团的天体物理学关系的信息。

Sep, 2022

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

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

利用可解释的神经网络将暗物质晕的演化历史与其密度配置文件相连接，并发现复杂的天体物理数据集中的潜在科学发现的潜力。

May, 2023

利用卷积神经网络从原行星盘的尘埃连续辐射中分析子结构并快速推测嵌入行星的质量的一种深度学习工具(DBNets)研究成果显示：其能够有效评估行星质量并考虑建模和技术引入的相关不确定性，通过测试及观察的结果证实了其适用性和准确性。

Feb, 2024

用符号回归方法获得$P(k)$的简化解析近似，通过重新优化halofit参数减小了预测误差，加入符号矫正的syren-halofit方法进一步提高了准确性，快速且准确地逼近了$P(k)$。

Feb, 2024

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

本研究解决了现有卫星星系与其宿主暗物质晕之间关系模型的准确性与计算效率之间的矛盾。提出的NeHOD框架结合了变分扩散模型和Transformer，能够以类似于流体动力学模拟的准确性，低成本生成星系和子晕的分布。研究表明，该模型有效捕捉了子晕特性与模拟参数之间的复杂关系，并可广泛应用于星系聚类和强透镜等研究。

Sep, 2024