我们使用物理学习的神经网络作为生物样本层析重建的前向模型，通过以亥姆霍兹方程为物理损失进行训练，可以准确地预测散射场。通过预先训练的网络可用于加速求解散射问题，我们评估了我们的方法并进行了数值和实验验证。我们的物理学习神经网络可以推广到任何正向和反向散射问题。

Jul, 2022

本文介绍如何应用物理信息神经网络（PINNs）求解光子超材料和纳米光学技术中的逆散射问题，并成功应用于多组分纳米粒子等多种散射系统的介电常数参数反演，从而拓展超材料的设计空间和功能。

Dec, 2019

本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。

Feb, 2018

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

本文提出了一种基于深度多层感知器（MLP）的坐标系参数化方法，通过充分利用观察到的光度变化和表面阴影，恢复了表面形状和非兰伯特表面反射，并显式地预测投射阴影，减轻了这些遮挡区域上可能存在的估计误差。测试结果表明，该方法在真实世界图像中优于现有方法，并且由于 MLP 网络较小，相比以前基于 CNN 的方法，其速度提高了一个数量级。

Mar, 2022

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

介绍了一种新颖的机器学习方法，使用多分支深度神经网络和计算的粉末 X 射线衍射，结合部分化学组成信息，实现对结构的成功求解。

Dec, 2023

采用神经网络通过监督学习来识别凝聚态系统中的相和相变，能够通过现代软件库方便地进行编程，能够检测到多种类型的序参量，包括高度非平凡的库仑相，并且即使在没有哈密顿量甚至相互作用的广义局部性知识下，也能够实现分类。

May, 2016

在不确定的前向模型下，我们提出了一种名为 Moment-Aggregation (MA) 的框架，通过使用神经网络先验，同时考虑前向模型的所有候选参数，在更新神经网络期间实现了信号的准确重建。我们在 MNIST、X-ray、Glas 和 MoNuseg 等各种数据集上进行的实验表明，MA 方法在压缩感知和相位恢复应用中能够实现与已知精确参数的前向模型相当的性能，其 PSNR 差距为 0.17 至 1.94，突出了我们方法在面对不确定的前向模型下的重建中的潜在优势。

May, 2024

该研究提出了一种新方法来评估光学成像技术，该方法基于可逆神经网络的概念，将多光谱测量映射到全概率分布中以表示解的不确定性，可以帮助优化光学相机设计。

Mar, 2019