我们介绍了一种基于扩散的生成模型，直接描述我们宇宙中的星系分布作为三维空间中的点的集合（坐标），可选地带有关联属性（例如速度和质量），而无需使用分箱或像素化。这种定制的扩散模型既可以用于仿真，重现星系分布的关键统计特征，也可以用于推断，通过计算星系场的条件似然性。我们首次应用于 Quijote 模拟套件中的大质量暗物质晕的案例。这种方法可以扩展以实现对宇宙学数据的全面分析，规避了摘要统计特征以及基于神经模拟的推断方法所固有的局限性。

Nov, 2023

利用深度三维卷积神经网络和分布回归框架，研究了通过宇宙物质分布直接估算宇宙学参数的方法，并表明机器学习技术在某些情况下可以胜过基于宇宙学模型的极大似然点估计，这为更高精度的估算宇宙学参数开辟了道路。

Nov, 2017

以宇宙学为背景，利用扩散生成模型进行冷暗物质密度场的模拟，研究宇宙学参数和功率谱之间的关系以及参数推断的准确性。

Dec, 2023

使用图神经网络对包含多种观测效应的星系目录进行训练和测试，发现尽管这些效应降低了模型的精度和准确性，增加了模型失效的星系目录比例，但模型表现良好的星系目录比例超过 90％，从而展示了这些模型在应用于真实数据时约束宇宙学参数的潜力。

Oct, 2023

本文提出使用深度学习将三维宇宙中星系分布与其背后的暗物质分布建立映射，以实现宇宙学模拟的快速计算。通过开发出的双层卷积神经网络结构生成的星系画像，相比于传统的宇宙学技术取得了更好的性能与准确性，并且与当前和未来的宇宙观测数据结合使用可以解决宇宙学中的一些基本问题。

Feb, 2019

使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

Feb, 2023

使用单一的扩散生成模型作为宇宙学参数推断模型和冷暗物质密度场的代码模拟器，旨在通过近似似然推断给出对宇宙学参数的严格约束，并展示这种参数推断方法较基准参数推断网络更具鲁棒性。

May, 2024

利用宇宙学模拟研究了暗物质和发光物质在星系团等密集宇宙环境中的相互作用。使用观测到的引力透镜现象测试并表征星系团中的小尺度暗物质分布，发现观测到的团簇物质结构比暗物质模拟所预测的更加有效，我们认为这可能是由于模拟存在系统问题或对暗物质属性的错误假设导致的。

Sep, 2020

利用大型 N - 体模拟研究了中性微子质量对暗物质晕和星系空间分布的影响，发现在宇宙学中存在规模依赖的偏差，其中中性微子占据了重要因素，但是通过简单的暗物质哈罗分布模型来分析发现，相较于质量为零的中性微子宇宙学，不同中性微子质量的宇宙学模型的 Halo 参数值有所区别。

Nov, 2013

在宇宙学中，为了观测宇宙微波背景中的原始 $B$- 模式，提出了对银河尘埃前景进行精确建模的关键需求。我们对尘埃前景的基于扩散的建模及其在成分分离中的价值进行了研究。在假设为具有已知宇宙学（或协方差矩阵）的高斯 CMB 的情况下，我们展示了扩散模型可以通过尘埃辐射地图的示例被训练，使其采样过程与成分分离的后验采样直接对应。我们在尘埃辐射与 CMB 的模拟混合中进行了说明。我们展示了通过这一过程能够恢复出组分的常用摘要统计特征（功率谱、Minkowski 函数）的能力。我们还引入了一种在 CMB 宇宙学基础上进行条件设定的模型，该模型胜过仅基于单一宇宙学的模型在成分分离中的表现。这样的模型将用于未来的基于扩散的宇宙学推断工作中。

Oct, 2023