太阳物理中的机器学习
本文主要介绍了天文学中大数据和机器学习的应用，重点讲解了监督机器学习和无监督机器学习两种算法，包括数据预处理、评估方法、支持向量机、随机森林、浅层神经网络、聚类分析、降维、可视化和异常检测等方面，旨在提高天文学家使用这些工具从海量数据中挖掘新知识的能力。
Apr, 2019
用深度学习方法建模复杂现象，以海表温度预测为例，展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型，并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。
Nov, 2017
本文回顾了数据挖掘和机器学习在天文学中的应用现状，介绍了常见的机器学习算法，以及数据挖掘在天文学中的广泛应用。文章指出，只要选择合适的算法并遵循天文学问题的引导，数据挖掘可以成为一种强大的工具，而不是一个可疑的黑盒子。
Jun, 2009
利用太阳能满足空气供暖和生活热水需求在环境和成本方面非常高效，但要确保全年用户需求得到满足，需要结合辅助供暖系统，通常为锅炉和热泵。为了在小型家庭装置中部署先进的控制策略，我们提出了一种利用机器学习自动构建和持续适应预测热量生产模型的方法，该设计基于从低成本仪器中提取的监督信息构建和调整模型，避免了极高的准确性和可靠性要求；在推理时，使用通常在公开的天气预报中提供的输入。通过注意力机制的机器学习解决方案满足了我们的要求，我们提出了解决方案的良好实证结果，并讨论了这些结果对整个系统的影响。
May, 2024
对太阳能热解淡化领域的机器学习进行了有效的跨学科研究，通过优化的数据采集和分析过程，成功收集并分析了大规模的数据集，探究了数据集规模和范围对预测准确性、影响因素重要性排名和模型泛化能力的影响，为实现太阳能热解淡化的机器学习流程提供了重要的参考。
Jul, 2023
本研究证明了，考虑太阳周期性的情况下，基于视频的深度学习可以用于操作性耀斑预测，并描述了一个用于构建平衡活动区集的算法来训练和验证包含卷积神经网络和长短期记忆网络的长期循环卷积网络，该方法以 2015 年 3 月和 2017 年 9 月的太阳风暴为例来评估其效果。
Sep, 2022
本文综述了机器学习和物理科学之间的接口，包括机器学习的基本概念，如何用统计物理学理解机器学习方法，机器学习方法在粒子物理学、宇宙学、量子物理学、量子计算和化学、材料物理学中的应用，以及加速机器学习的新型计算架构的研究和开发。
Mar, 2019