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

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

我们首次提出了基于模拟的宇宙学参数的推导方法，通过对星系聚类的场级分析。使用正常化流的模型以及卷积神经网络进行了星系场数据的大量压缩，我们得到了对宇宙学参数的约束，包括了非高斯信息。这项工作不仅提供了强有力的宇宙学约束，还介绍了未来星系调查中利用额外宇宙学信息的新方法。

Oct, 2023

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

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

本篇研究利用一种基于深度神经网络的方法，通过对称性原理对 SDSS 和 Galaxy Zoo 的星系图像进行分类，能够在大规模的图像数据集上高效准确地进行星系形态分类，这一方法在提高工作效率的同时也能保持非常高的分类精度。

Mar, 2015

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

介绍一种新的自适应全贝叶斯网格方法，用于建模具有扩展图像的强引力透镜，通过高倍率放大的弧和爱因斯坦环的效应来量化大质量星系中的明亮和暗质量亚结构水平，并使用拟合广义线性模型的贝叶斯惩罚函数去修正潜在的网格潜在的亚结构，实现源和潜在的正则化多样性的客观评估；基于 Nested-Sampling 技术，实现了对所有的非线性质量模型参数的误差量化，能将不同的势能模型根据边缘化证据进行客观排名，其精度能检测 Einstein 环上质量大于等于 10 ^ 7 太阳质量的扰动。

May, 2008

基于先进的星系形成模拟套件，利用扩散生成模型预测给定恒星质量场的潜在暗物质场的无偏后验分布，并能够消除在宇宙学和星系形成中的不确定性。

Nov, 2023

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