对 X 射线源产生的光谱进行精确建模需要使用蒙特卡罗模拟。这些模拟需要评估物理过程，例如在致密物体周围的吸积过程中发生的过程，通过对多个不同的概率分布进行采样。我们以描述相对论电子速度的 Maxwell-Jüttner 分布为例，证明生成对抗网络（GAN）能够统计复制该分布。通过神经网络生成的样本的 Kolmogorov-Smirnov 测试的平均值为 0.5，表明生成的分布与真实分布无法区分。

Feb, 2024

本研究使用生成对抗网络技术构建事件发生器，模拟电子 - 质子散射中粒子产生情况，避免了关于基础粒子动力学的理论假设。通过开发 Feature-Augmented 和 Transformed GAN（FAT-GAN），成功选择一组粒子动量转换后的特征，用于增强鉴别器的灵敏度，进而忠实地再现电子散射中的最终状态电子动量分布。发展出的技术可以在现有和未来的加速器设施，如电子离子对撞机中发挥重要作用。

Jan, 2020

我们提出了一种基于 Hyperspectral Conditional Generative Adversarial Network 方法的高光谱解混框架，通过生成器和鉴别器的组合，将混合高光谱像素块转换为中心像素对应的成分丰度，并利用 HSI Patch Transformer 这一主要组件捕捉了高光谱像素块内部的像素相关性

Dec, 2023

使用生成对抗网络（GANs）的新型快速模拟技术 extsc {CaloGAN}，针对长轴分段式银河系中电磁淋浴进行建模并实现与现有全模拟技术相当甚至更好的 CPU（100x-1000x）和 GPU 上速度快（高达约 10 ^ 5 倍）

Dec, 2017

这篇研究论文介绍了使用神经网络对 TAIGA-IACTs 的 Monte Carlo 图像进行图像分类任务的结果，同时研究了不同神经网络结构对事件的分类效果，以及通过对图像进行修改来改善分类的质量，并利用 MC 模拟数据评估了稀有伽玛射线事件的区分质量。

Jan, 2024

使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

May, 2019

报道了一种深度学习分类器 CoPhNet，该分类器能够区分 CdZnTeSe（CZTS）半导体探测器中的康普顿散射和光电相互作用的 γ/ X 射线光子。该模型使用模拟数据进行训练，模拟了实际的 CZTS 探测器脉冲，并使用模拟和实验数据进行验证，结果表明 CoPhNet 模型能够在模拟测试集上实现较高的分类准确性。此工作为开发下一代高能 γ 射线探测器以实现更好的生物医学成像打下了坚实基础。

Nov, 2023

本文提出了一种基于物理信息的深度学习方法，用于定量估计单体闪烁体中伽马相互作用的空间坐标，重点是正电子发射断层扫描成像。使用密度神经网络方法在快速铅钨酸盐闪烁体探测器中估计二维伽马光子相互作用坐标。我们引入了定制损失函数来估计重构过程的固有不确定性，并将探测器的物理限制纳入其中。此独特组合可实现更健壮可靠的位置估计，并且所获得的结果证明了该方法的有效性，并凸显了不确定性估计的显著益处。我们讨论了其对改善正电子发射断层扫描成像质量的潜在影响，并展示了如何利用结果来改进模型的应用并评估给定预测及相关不确定性的有效性。重要的是，我们提出的方法学不仅限于正电子发射断层扫描成像，还可以推广到其他应用领域。

Oct, 2023

本文提出一种基于张量的迭代算法，针对能量选择性计算机断层成像（CT）问题，通过设计张量核范数约束器来重建每个能量的 X 射线衰减分布，能够有效应对低能图像噪声的影响。

Jul, 2013

本文提出了基于生成式模型的高效粒子淋浴模拟方法，并使用对抗训练的方式训练生成器和评论者网络以生成与 GEANT4 程序模拟类似的粒子淋浴，从而在大多数方面达到了实现高质量粒子淋浴模拟的预期目标。

Jul, 2018