使用高斯过程的机器学习方法来优化制备玻色 - 爱因斯坦凝聚体的过程，该方法能够 10 倍加快传统优化技术的速度，同时还能够提供关于实验优化的重要参数的洞察。

Jul, 2015

本文介绍了基于人工智能的框架和神经网络相结合的研究，通过在实验数据上回收未知参数，自动检测和完善多维散射数据中的先进有序量子体系的模型。

Apr, 2023

金属自旋玻璃体系的动力学模拟中，利用可扩展的机器学习框架通过预测驱动自旋动力学的电子诱导的局部磁场，发展了一种根据局部磁性环境进行磁性描述的神经网络模型，该模型具有很高的精确性和高效性，并应用于具有淬灭随机性质的杂乱非晶常规 s-d 模型的弛豫动力学研究，展示了机器学习模型在大规模动力学建模中对游离磁体的有希望的潜力。

Nov, 2023

本研究提出了一种端到端的自监督机器学习方法，通过仅仅使用衍射图像来恢复粒子方向并估计倒易空间强度，从而在 X 射线自由电子激光器的实验条件下展示了卓越的鲁棒性和显著增强的重建能力，标志着在目前 XFEL 上实施的单颗粒成像中的范式转变。

Nov, 2023

在计算材料发现领域，通过多样的交互工作流程和基于贝叶斯优化的多层次恒定调整，结合数据、物理和实时人工决策，提高了对多维参数空间的探索效率。

Feb, 2024

本研究提供了有关利用 BOED 及机器学习寻找可为任何类型的可模拟数据的模型提供最佳实验的教程，以及如何使用此过程的副产品快速、简便地评估模型及其参数与真实实验数据的方法，并利用模拟和真实实验验证了所提出方法的有效性。

May, 2023

本文采用贝叶斯方法和高斯过程对 Linac Coherent Light Source 中的多极磁铁进行优化，通过对少量样本的控制参数建立概率模型并加入设备间的关联，成功实现了高效的优化策略。

Sep, 2019

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

通过贝叶斯线性回归，我们开发了一种基于实时机器学习的方法来参数化有效哈密顿，并以 BaTiO3 和 Pb (Sc,Ta) O3 为例，与传统的第一原理参数化方法进行比较，展示了这种方法的准确性。

Jul, 2023

整合深度学习与寻找新的电声子超导体的研究代表了一个蓬勃发展的领域，其中主要挑战在于计算电声子谱函数 α²F (ω)，超导理论 Midgal-Eliashberg 的主要组成部分。为了克服这一挑战，我们采用两步法，首先计算 818 种动态稳定材料的 α²F (ω)，然后使用一种非常规的训练策略训练一个深度学习模型 BETE-NET 来预测 α²F (ω)，并通过增加模型的归一化改进预测。此外，我们还将声子密度的领域知识结合到模型的节点属性中，提高预测精度。该方法的创新降低了临界温度 $T_c$ 的平均绝对误差（MAE）至 2.1K，对高温超导体材料的高通量筛选展示了实际应用。BETE-NET 在加速高温超导体的搜索同时为材料发现中应用机器学习树立了先例，特别是在数据有限的情况下。

Jan, 2024