该篇论文介绍了一种基于机器学习的解决方案，使用自编码器进行降维，并利用潜空间神经 ODE 求解器加速宇宙化学反应网络计算。同时，提出了一种成本效益高的线性潜空间函数求解器作为神经 ODE 的替代方法。实验结果表明，神经 ODE 相比基准模型实现了 55 倍加速，并保持更高的准确性，相对误差降低了两个数量级。此外，线性潜空间模型提高了准确性，并实现了高达 4000 倍的加速，相比标准方法。

Dec, 2023

星系的形成和演化取决于对控制星际介质（ISM）演化和热力学的复杂光化学过程的理解。在宇宙学和天体物理模拟中，解决化学问题是最繁重的任务之一。本研究通过采用基于神经算子的快速预训练模拟器，模拟了非平衡化学网络直到 H$_2$ 的形成，并取得了较高的精度、高效率的能力，从而在 ISM 化学模型的建模方面取得了重大进展。

Feb, 2024

利用少量参数的基于神经网络的潜变量模型的参数化方案，实现了对大气检测和外行星大气特征的更准确和更高效的估计。

Sep, 2023

本文介绍了一种新型的深度卷积神经网络结构，它通过在三维空间中顺序放置原子来生成分子平衡结构，该模型估计分子配置的联合概率，并演示了其可以在 C$_7$O$_2$H$_{10}$ 的同分异构体中生成接近平衡的分子。

Oct, 2018

利用空间望远镜对行星大气光谱进行数据收集，作者团队开发了基于机器学习的模型，有效地从光谱数据中准确提取出化学和物理特性，并提出了替代模型展示出更高性能潜力的建议。这些研究成果为更有效和及时地分析行星大气属性铺平了道路，推进了对这些遥远世界的了解。

Sep, 2023

本研究利用深度学习和反向建模技术相结合的多模态架构，提出一种多目标概率回归方法，从外行星中提取大气参数，克服了计算限制，胜过先前的方法，在外行星大气的高效分析上做出了重要贡献，并为未来研究提供了有价值的见解。

Oct, 2023

这篇论文讨论了机器学习在星际物理领域的应用，利用贝叶斯神经网络实现了精准的大气成分测算以及创新性地引入了一种新的损失函数提高了性能。

May, 2019

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

通过在耦合的普通微分方程中嵌入深度神经网络来实现非线性反问题的机械可解释性的发现工具，从而在没有先验知识的情况下，稳健地发现热超新星驱动的银河风的大量动力学和热力学特性，其中包括卷起的冷云和非球形的射流几何形状。

Jun, 2023

使用神经网络进行在线滤波，以估计火星大气密度并根据估计的不确定性进行考虑分析，提高实时性能和精确对齐估计密度与多样的火星大气情景的最大似然方法。

Jan, 2024