通过深度学习技术，使用基于贝叶斯神经网络的新颖内部结构学习预测指标，成功预测行星系统的不稳定性，并且在不同情境下表现出了强大的泛化能力和计算速度，为预测行星系统不稳定性提供了新方法。

Jan, 2021

本文介绍了一种通过引入神经网络和Monte Carlo方法相结合，结合深度迁移学习的方法来解决当前高精度计算方法在计算与电子相互作用的粒子数量较大时的计算成本大，探索引入权重共享约束的优化过程，使神经网络模型的95%的权重可以在变化的分子几何图案之间使用，从而加速优化。实现这一技术可以加速相同分子的核几何集的优化一倍，开辟了一条有希望的路线，可以产生预先训练的神经网络波函数，即使在不同的分子上也可以产生高精度。

May, 2021

NuCLR是一个深度学习模型，使用多任务方法进行训练，可以预测包括结合能、衰变能和核电荷半径在内的各种核观测量，其表现优于其他方法，并能够捕获核壳模型的关键方面，表明其具有潜在的价值。

Jun, 2023

利用神经网络分类器和生成模型直接模拟卡路里计数器的响应，大幅提高了模拟速度并保持高保真度。

Jun, 2023

本文提出了一种基于结构模式和图神经网络实现的大质谱预测系统MoMS-Net，该系统在各种大质谱上的测试结果表明其优于现有模型，同时使用的内存较少。

Jun, 2023

多阶段神经网络通过将培训过程划分为不同阶段，并使用优化适应先前阶段残差的新网络，有效减少传统神经网络中的频谱偏差，提高预测精度。

Jul, 2023

通过引入贝叶斯方法来量化物理知识中PINNs和NOs中由于带有噪声的输入和输出引起的不确定性。

Nov, 2023

高能粒子碰撞中，基本碰撞产物通常会进一步衰变，形成具有预先未知多样性的树状分层结构。本文描述了一个典型的图神经网络（GNN）与深度全连接前馈神经网络体系结构的基准测试，并以在CERN的大型强子对撞机上在由质子-质子碰撞产生的带有顶夸克-反夸克对的最终态X的分类为物理案例进行对比。

Feb, 2024

通过使用符号机器学习方法，本研究探索了一种多目标迭代符号回归方法，用于描述轻中质量核的结合能和电荷半径，发现了简单的解析关系，并将该模型与现有的补充模型相结合，估计了核稳定性的极限。这些结果凸显了符号机器学习在开发准确的核模型和解决复杂多体问题方面的潜力。

Apr, 2024

高维神经网络通过理解机制可解释性的视角提供对低维表示的洞察力，并从中获得人类领域知识的相关见解。通过研究训练用于重现核数据的模型，我们提取出核物理概念作为一个案例研究。

May, 2024