提出了一种新的半监督机器学习方法来发现结构 - 光谱关系，并且使用 X-ray 吸收近边结构（XANES）光谱的解释作为特定例子。这种方法构建了一个将个体结构描述符与光谱趋势进行一对一映射的方法，并通过引入新的排序约束（RankAAE）来增强对抗性自动编码器。RankAAE 方法产生了一个连续和可解释的潜空间，其中每个维度都可以跟踪一个单独的结构描述符。通过使用五个局部结构描述符以及超过五万个模拟 XANES 光谱，展示了该程序的能力，结果不仅重现了文献中已知的趋势，而且还揭示了在大数据集中无法区分的不可思议的趋势。结果表明，RankAAE 方法具有帮助研究人员解释复杂科学数据，测试物理假设和揭示扩展科学见解的巨大潜力。

Jan, 2023

通过扩散模型，我们提出了一个基于生成式机器学习的新框架，用于从目标性质预测无序材料的三维结构。我们应用该模型来识别非晶碳的原子结构，通过 XANES 光谱引导条件生成，并展示了其生成大规模结构的能力。这一工作极大地弥合了材料表征和原子结构确定之间的差距，并可用于探索各种材料性质的材料发现。

Dec, 2023

基于神经场表示的光谱 CT 重建方法，使用完全隐式函数来建立基础材料的神经场参数化模型，并利用深度学习的自动微分框架解决隐式连续函数，该方法在光谱 CT 重建中表现极佳，并满足高分辨率重建图像的要求。

Apr, 2024

本研究通过引入一种新的统一的架构，将深度学习和变分框架相结合，探讨和比较各种生成式深度学习方法，以逼近将探测器观测结果映射到潜在的粒子碰撞物理量的问题。我们证明了这种方法的有效性，包括重构理论运动学量的全局分布以及确保学习后验分布符合已知的物理约束条件。与现有方法相比，这种统一方法的误差更小，达到了绝对误差的二十倍和传统潜变扩散模型的三倍。

May, 2023

使用深度神经网络构建地质媒体参数化的低维基础模型，该模型可用于翻转地质媒体，并将维度降低用于无条件地质统计模型模拟。与最常用的概率逆向参数化表示法相比，该模型表现更好。

Oct, 2017

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

本文提出了一种称为 Spectral Inference Networks 的框架，通过随机优化来学习线性算子的特征函数，可以成为从视频或基于图的数据中进行无监督表示学习的强有力工具。我们将训练 Spectral Inference Networks 视为一个双层优化问题，并展示了它在量子力学和合成数据集上的应用，在完全无监督的情况下从视频中准确恢复线性算子的特征函数并发现可解释的表示。

Jun, 2018

通过在模拟的 X 射线光谱数据中使用编码器 - 解码器神经网络 (EDNN)，我们研究了这种架构在模拟和解释光谱数据中的应用，以确定光谱的关键结构特征，发现 EDNN 在覆盖目标变量方差方面优于基于仿真器的成分分析 (ECA)，但在物理术语的潜变量解释方面存在一些困难，因此，我们开发了一个网络，使用 ECA 的线性投影，并保持了潜变量的矢量扩展的有益特性，同时强调了在将信息压缩后的信息恢复以及为合理解释确定关键结构度量的必要性。

Jun, 2024

本文提出了一种基于机器学习的策略来预测分子红外光谱的方法，建立在从头分子动力学模拟的基础上，利用各种机器学习技术加速模拟并扩展可处理的系统大小，其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力，我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型，同时在甲醇分子，含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下，将其应用于模拟红外光谱，并发现与理论和实验光谱具有出色的一致性。

May, 2017

设计了一种基于深度学习和概率算法的新型自动合成无机材料的方法，可在高通量和自主发现无机材料的工作流程中使用，具有出色性能和准确度。

Mar, 2021