使用机器学习模型分析含有尘埃的等离子实验中的粒子运动轨迹，得出了符合物理约束条件的力学定律，揭示了新的尘埃等离子物理学，表明机器学习在多体系统中引导科学发现的新途径。

Oct, 2023

本研究通过机器学习方法，实验性地构造了一个量子态分类器，能够识别量子态可分离性，此方法能有效地学习和分类量子态，并不需要获取完整的量子态信息。同时本研究表明，通过添加神经网络的隐藏层，可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路，并代表了机器学习在量子信息处理领域的应用进展。

Dec, 2017

本研究探讨了学习和利用孤立量子力学系统的哈密顿量及其变分热态估计进行数据分析技术的可能性，并使用量子哈密顿基模型的方法进行产生建模，证明可以用混合态表示这样的大型强子对撞机数据。在进一步步骤中，我们将学习到的哈密顿量用于异常检测，表明不同样本类型一旦被视为量子多体系统，就可以形成不同的动力行为。利用这些特征来量化样本类型之间的差异。我们的研究结果表明，设计用于场论计算的方法可以在机器学习应用中加以利用，以将理论方法应用于数据分析技术。

Nov, 2022

提出了一个新的关系性宏观状态理论（RMT），并开发了一个机器学习架构 MacroNet，该电子框架可用于简单到复杂系统中的宏观状态的识别和设计微观状态。

Oct, 2022

这篇论文证明了经典机器学习算法可以有效地预测有限空间维度内间隙哈密顿量的基态性质及其它相类哈密顿量的数据，并可以有效地分类一系列的量子相，在量子实验中可以通过构建经典影像来预测系统的多种属性。

Jun, 2021

理论物理学家使用机器学习技术提出损失函数，通过最小化这些函数来建立美观且真实的理论模型，以描述自然现象。

Jan, 2024

机器学习算法可以使用系统的微观轨迹作为输入来辨别时间箭头的方向，其性能符合非平衡态统计力学所预测的基本极限。算法的决策过程解释了发现了潜在的热力学机制和相关物理观测量。结果表明，机器学习技术可以用于研究非平衡态系统，并最终揭示物理原理。

Sep, 2019

提出了一系列以数据为中心的启发式方法来改善机器学习系统在量子信息科学问题上的表现。具体而言，我们考虑如何通过系统地构建训练集来显著提高用于量子状态重构的预训练神经网络的准确性，而不改变底层架构。

Jan, 2022

介绍了学习方法在地球科学中应用的主要挑战，提出了几种融合了物理学和机器学习的方法，包括从数据中提取微分方程、加入物理先验和依赖性约束的数据驱动模型、改进参数化、模拟物理模型以及融合数据驱动和基于过程的模型，从而发现地球系统中的知识。

Oct, 2020

研究了基于深度强化学习的流式数据学习，通过连续测量 qubit 以应对不同的噪声模式实现对量子系统进行即时控制，为提高量子技术打下基础。

Dec, 2021