用机器学习建立的代理模型，能够生成类似于使用传统检索软件（如 TauRex）从行星凌星光谱中得出的行星大气参数的贝叶斯后验分布。该模型通过对七个参数（行星半径、大气温度以及五种常见吸收剂的混合比：$H_2O$、$CH_4$、$NH_3$、$CO$ 和 $CO_2$）的真实分布进行预训练，采用问题领域的启发式预处理和半监督学习方法提高模型性能，并在 2023 年 Ariel 机器学习数据挑战中获得优胜方案之一。

Oct, 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

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

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

大气检索通过估计观测光谱中的大气参数来表征外行星，通常将其作为贝叶斯推断问题来解决。我们探索了基于流匹配后验估计（FMPE）的机器学习方法用于大气检索，并发现在这种情况下，它比神经后验估计（NPE）更准确，但比嵌套采样方法的准确性稍低。我们将 FMPE 和 NPE 与重要性采样相结合，两种方法在准确性和模拟效率方面均优于嵌套采样。进一步分析表明，基于仿真和基于似然的重要性采样提供了一个准确高效的大气检索框架，不仅可以用于分析现有望远镜的观测数据，还可以用于新任务和仪器的开发。

Dec, 2023

我们提出了一种从光谱场景中推断大气传输剖面的框架。该框架利用一个轻量级、基于物理的模拟器，通过自动微分和可微编程来构建一个替代的大气剖面模型，以模拟观测数据。我们通过（i）进行大气校正，（ii）重新构建不同模态间的光谱数据（例如地表和传感器的辐射和反射率），以及（iii）推断大气传输剖面，如吸收带和它们的相对强度，展示了该方法的实用性。

Apr, 2024

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

利用机器学习推断算法 SNPE，我们能够以更高的计算效率运行可靠的外行星大气解译检索，并加速检索速度，提高计算耗费大气模型的可行性。

Jan, 2024

提供了一种新方法 PressureTransferNet，用于使用地面压力信息进行人体活动识别（HAR）。该方法利用不同个体的现有压力数据生成特定活动的特定身体动态地面压力图。通过以源压力图和目标人体属性向量作为输入的编码器 - 解码器模型，生成反映目标属性的新压力图。实验证明了在不同场景下将人体属性精确转移到地面压力图上的有效性。

Aug, 2023

该论文介绍了 AstroPT，这是一个针对天文学应用开发的自回归预训练变换器。AstroPT 模型在 DES Legacy Survey DR8 的 860 万个 512×512 像素 grz 带星系邮票观测数据上进行了预训练。我们训练了一系列不断增长参数的基础模型，其参数从 100 万个到 21 亿个，发现 AstroPT 遵循与文本模型类似的饱和的对数 - 对数缩放规律。我们还发现，模型性能在线性探测方面随着模型大小的增加而提高，直到模型参数饱和点。我们相信，协作社区开发是实现开源的 “大观测模型” 的最佳途径，即采用与自然语言处理中所见规模相同的观测科学数据进行训练的模型。为此，我们在 MIT 许可下发布 AstroPT 的源代码、权重和数据集，并邀请潜在合作者与我们共同构建和研究这些模型。

May, 2024