本文应用机器学习的不同技术来计算（超曲面中的）基本线丛上同调群，在观察了数据的基本函数形式后，我们提出了一种新的方法，通过无监督学习来分离不同的多项式相，得到了线丛上同调的解析式。最终可将该解析式转化为算法，计算任意（超曲面中的）齐次理想。

Sep, 2018

文中介绍了应用遗传算法在 Calabi-Yau 三倍体上搜寻超弦理论的紧致化形式，能够解决系统性搜索无法完成的问题，并且在小数量的 Kahler 参数的情况下，遗传算法能够找到几乎所有可行的解决方案。

Jun, 2023

本文介绍了一种用于计算 Calabi-Yau 流形上斜稳定全纯向量丛上规范连接的数值算法，并且探究了非斜稳定丛的特征表现，给异构真空探索提供了新的重要工具。

Apr, 2010

本文介绍了新型生成式架构 BundleNets，通过利用纤维丛的概念，将空间局部分解为一个乘积空间，在清晰地编码多对一映射的情况下，结合最先进的可逆性组件，探究神经网络的纤维变得自然简便。

Oct, 2021

本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础，这是目前和未来 LHCb 事件分类的关键之一，能够触发每秒数千万个事件。

Apr, 2020

该研究纸介绍了在 Calabi-Yau 流形上计算斜稳定全纯矢量丛的规范连接的数值算法，其中扩展了 Donaldson 算法的广义版本，以处理在具有 h^{1,1}>1 的子结构的 Kahler 锥的丛。

Mar, 2011

使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

Sep, 2016

整合深度学习与寻找新的电声子超导体的研究代表了一个蓬勃发展的领域，其中主要挑战在于计算电声子谱函数 α²F (ω)，超导理论 Midgal-Eliashberg 的主要组成部分。为了克服这一挑战，我们采用两步法，首先计算 818 种动态稳定材料的 α²F (ω)，然后使用一种非常规的训练策略训练一个深度学习模型 BETE-NET 来预测 α²F (ω)，并通过增加模型的归一化改进预测。此外，我们还将声子密度的领域知识结合到模型的节点属性中，提高预测精度。该方法的创新降低了临界温度 $T_c$ 的平均绝对误差（MAE）至 2.1K，对高温超导体材料的高通量筛选展示了实际应用。BETE-NET 在加速高温超导体的搜索同时为材料发现中应用机器学习树立了先例，特别是在数据有限的情况下。

Jan, 2024

本研究基于构建 Betti 曲线，提出了一种量子方法来定义拓扑核，该方法在噪声模拟器上实现，通过一些实证结果展示了其鲁棒性和在量子机器学习中的优势。

Jul, 2023

我们提出了用于从多方位表征数据中提取特征的二维表状相关分析方法，该方法通过热图可视化结构参数变化的相似性和相位滞后，结合分层聚类和异步相关。我们将该方法应用于在不同温度退火的碳纳米管（CNTs）薄膜数据集，并揭示了其包括空隙、束缚和非晶碳等元素在内的层次结构的复杂性。我们的分析解决了试图理解结构变化序列的挑战，尤其是在具有由 8 种表征方法得到的 11 个结构参数与复杂行为相互作用的多方位表征数据中。结果显示，相位滞后（从刺激中异步变化）和参数相似性可以阐明材料中结构变化的序列，深入了解退火 CNTs 中非晶碳的去除和石墨化等现象提供了洞察。即使在数据有限的情况下，这种方法也具有益处，并在广泛的材料分析领域具有潜力，展示了阐明复杂材料行为和性质的潜力。

Nov, 2023