该研究使用机器学习方法进行数值 Calabi-Yau 度量的寻找，结合曲线拟合与机器学习技术，相比于传统算法，在保持精度的情况下，将时间成本进一步缩减了一至两个数量级。

Oct, 2019

使用机器学习算法对辫子（或扁辫子）进行分类，将其划分为平凡或非平凡。我们采用了基于神经网络的监督学习方法（多层感知器），当分类结果良好时，我们能将其结构解释为数学猜想，并将这些猜想证明为定理。因此，我们找到了辫子的新的便利不变量，包括扁辫子的完全不变量。

Jul, 2023

利用机器学习的方法解决拓扑相反问题，用于识别复杂拓扑绝缘体的参数，以获得在目标频率下的受保护边缘状态，并解决了直接问题的多值分支和非物理解问题。应用于一个实际的拓扑激光设计，结果表明这种新的基于机器学习的逆向设计技术可能扩展到拓扑光子学的许多应用领域。

Mar, 2018

本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。

Oct, 2017

本文研究如何使用神经网络在拓扑绝缘体中区分不同的拓扑相，经过训练，即使是大于训练数据的的 Hamiltonians winding number，神经网络也能够预测其拓扑缠绕数，证明了神经网络能够从局部输入中捕捉到量子相的全局和非线性拓扑特征。同时，本文确认了神经网络学到了离散版本的缠绕数公式，在运用机器学习到物理系统时，研究了对称性的作用和正则化技术的相反影响。

Aug, 2017

该研究提出了使用贝叶斯优化技术来调节支持向量机、随机森林和 k - 最近邻算法参数的异常检测框架，并使用 ISCX 2012 数据集评估了这些算法的性能，结果显示该框架在准确率、精度、误报率和召回率方面具有显著效果。

Aug, 2020

利用有限的测量数据，我们展示了如何应用机器学习技术对漏电光子晶格中的拓扑相进行分类。我们提出了一种仅基于体积强度测量的方法，免除了复杂的相位恢复过程的需求。特别地，我们设计了一个完全连接的神经网络，从模拟实验条件中的双线波导阵列中的输出强度分布准确确定拓扑性质，通过在有限距离上传播局部化的初始激发。

Aug, 2023

我们提出了一种新的数据驱动方法，将模型训练成使用无监督机器学习方法识别常见病理，以解决验证大规模量子设备（例如波色子采样器）的困难，并且通过训练分类器，该分类器利用 K-means 聚类来区分使用具有相同光子而非使用具有不同光子的波色子采样器。

Dec, 2017

本文提出了一个利用强化学习框架来优化传送带速度以最小化对系统其他部分的干扰，并使生产力、控制平滑和减少计算时间等方面有了显著提高的智能制造自动化解决方案。

Mar, 2023

应用基于物理学的神经网络技术（PINNs）开发出一种具有先进拓扑结构的拓扑优化框架，实现了在医学和工业应用中使用非侵入式成像技术检测出隐藏的几何结构。

Mar, 2023