本文探讨了使用深度展开技术以及基于模型的机器学习方法来解决从一位噪声测量中恢复信号的问题，并将推理优化算法的迭代展开成深度神经网络的层，获得了高精度和更高的计算效率。

Nov, 2018

介绍了在神经网络体系结构中包含物理信息作为先验信息，并在训练时进行噪声注入以成功地将网络从合成数据转移到现场数据的示例。

Apr, 2019

本研究基于图像转换技术提出了一种自动的无监督方法，用于减少模拟数据与实验数据之间的系统性差异，其中将TOY模型应用于两组LArTPC探测器事件样本，验证了该方法的有效性，并对其生成的数据集SLATS进行开源共享，提供给研究人员开展研究。

Apr, 2023

本文提出了一种基于直接采样的深度学习方法，通过U-Net神经网络和多个采样数据，实现了对不均匀介质散射体的高质量重构。经过测试，在不同噪声水平下，该方法表现出很好的稳健性和高效性。

Apr, 2023

该研究提出了一种名为PC-CNN的物理约束卷积神经网络来发现基于偏微分方程的物理系统的空间和时间解，并从受到大量多模式系统误差损坏的数据中揭示解决方案，该方法是强大且灵活的。

Jun, 2023

本文提出使用基于物理的神经网络重建声场早期部分，实现了准确的重建且维持轻量架构。

Jun, 2023

研究了可扩展的机器学习模型，用于基于高粒度探测器模拟的高能电子-正电子碰撞的完全事件重建。比较了图神经网络和基于核的变压器，并证明两者在实现逼真的粒子流重建时，同时避免了二次内存分配和计算成本。展示了在超级计算机上进行的超参数调整显著改善了模型的物理性能。还展示了所得模型在支持Nvidia、AMD和Intel Habana卡的硬件处理器上具有高度可移植性。最终证明了该模型可以在由径迹和电量计击中构成的高粒度输入上进行训练，从而获得与基线相竞争的物理性能。根据可寻找、可获取、可互用和可复用（FAIR）原则发布了用于重现研究的数据集和软件。

Sep, 2023

本文探讨了一个针对有限孔径下逆障碍散射问题的深度学习方法，该方法通过提供与散射模型相关的物理算子给神经网络架构来实现深度学习在逆问题上无需标记数据并且具有学习意识的可能性。此外，还实施了基于深度学习的数据补全方案，以防止有限孔径数据导致逆问题解的失真。此外，DDM不仅解决了逆问题本身的不适定性，还是一种具有解释性特性的物理意识机器学习技术。DDM的收敛性结果已从理论上得到证明。数值实验展示了即使入射和观测孔径极其有限，所提出的DDM仍然有效。

Mar, 2024

在流体动力学中使用机器学习越来越普遍，为了加快解决偏微分方程的正反问题的计算。然而，现有基于卷积神经网络（CNN）的数据保真增强方法面临一个显著挑战，即在训练阶段依赖于特定低保真数据模式和分布。引入扩散模型在这个背景下展示了提高性能和可泛化性的潜力。我们提出的模型——物理启发的残差扩散，展示了从标准低保真输入、注入高斯噪声的低保真输入以及随机采集样本中提升数据质量的能力。通过将基于物理的见解整合到目标函数中，进一步提高了推断得到的高质量数据的准确性和保真性。实验结果表明，我们的方法能够在不需要重新训练的情况下，有效地重建来自各种低保真输入条件中的二维湍流的高质量结果。

Apr, 2024

本研究解决了高能物理中反中子（$\bar{n}$）重建的挑战，提出了一种名为视觉能量计（ViC）的新方法，通过深度学习探测器分析电磁能量计（EMC）响应与反中子特征之间的关系。实验结果表明，ViC在预测反中子入射位置的精度上显著提高，误差减少42.81%，首次实现了反中子动量的测量，展示了深度学习在粒子重建中的潜力。

Aug, 2024