通过 NASA 的 Juno 任务提供的木星重力场精确测量与伽利略入口探测仪大气测量相结合，研究表明，推断巨大星球的内部结构仍然是一项具有挑战性的逆向问题，需要对各种行星属性进行计算密集型搜索，提出了一种基于计算密集型 Maclaurin 准确椭球（CMS）方法的高精度广泛内部模型的有效深度神经网络（DNN）模型。

May, 2024

利用混合密度网络 (MDN) 的监督式机器学习方法，使用投影星体运动学和通量分布，恢复了个体星系的三维形状，并展示了 MDN 模型在获取三维星系形状及其不确定性方面相比以往方法的潜在改进，尤其是对纵椭圆和三轴系统。针对现有和未来的积分场光谱星系调查，给出了获取星系内在形状的具体建议。

Apr, 2024

本研究探讨实现神经网络来替换一维化学动力学模型中的数学框架，以预测热木星大气模拟中的物种的混合比，结果显示，神经网络能够较准确地预测热木星大气中的物种混合比，且速度约快 1000 倍。

Jun, 2023

利用卷积神经网络从原行星盘的尘埃连续辐射中分析子结构并快速推测嵌入行星的质量的一种深度学习工具 (DBNets) 研究成果显示：其能够有效评估行星质量并考虑建模和技术引入的相关不确定性，通过测试及观察的结果证实了其适用性和准确性。

Feb, 2024

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

本文研究了新型的图神经网络 (Graph Neural Networks) 在处理非欧几里德图结构数据时的应用。作者提出了一种将 Graph Neural Network 和混合密度网络 (Mixture Density Network, MDN) 相结合的新型网络 (Graph Mixture Density Network), 该网络可将图结构信息嵌入到深度神经网络中，并在数据具有图结构、有多模态回归目标或是需要模拟多峰分布的情况下表现优异。作者在基于人类姿势估计的任务中，比较了该网络与其他现有的图神经网络模型，结果表明该模型有效地提升了预测性能。

Oct, 2020

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

本文探究了使用神经网络在恒星本身相关噪声影响下的径向速度法中替代传统测试方法的可行性，并取得了较好的结果。通过使用合成的数据，该算法的虚阳性误差降低了 28％，并且其执行速度比传统方法快五个数量级。

Mar, 2023

本文介绍了新颖的深度学习去噪扩散概率模型（DDPM）方法，用于从投影质量表面密度图中推断巨大分子云（GMC）的体积或数量密度，该扩散方法相较于其他方法，能在预测数量密度方面提高一个数量级。

Apr, 2023

通过机器学习方法，利用 Gaia 的星动轨道解决方案，确定太阳附近约 500 光年范围内的恒星系中可能的太阳系外行星和棕矮星伴星，提出 22 个最佳候选对象，其中四个是太阳系外行星候选，另外五个是非常大的棕矮星或非常低质量的恒星。

Apr, 2024