采用卷积神经网络来分析 Gamma 射线瞬发源图像数据，可以提高背景拒绝性能并保持分辨能力，为研究 IACT 事件记录提供了可行性。

Mar, 2018

本研究使用深度学习方法，探索利用条件生成对抗网络去除大体积伽马射线探测器的响应，并分析分段式伽马射线总吸收光谱仪 (TAS) 的解折叠方式。研究结果表明，我们的模型在大部分仿真测试中都在探测器分辨率范围内表现出良好的名称特征。

Jun, 2022

采用神经网络对 TUS 荧光望远镜的数据进行分类，证明即使是简单的神经网络结合某些传统数据分析方法也可以在荧光望远镜的数据分类任务中具有高效性。

Jun, 2021

该论文主要介绍天文学中伽马射线暴（GRBs）的概述、检测仪器、人工智能在 GRBs 的应用，包括文献综述和未来前景；通过引入新的数据驱动框架 DeepGRB，介绍了神经网络在高能探测器中背景计数率估计的方法，以及 FOCuS-Poisson 算法在异常检测中的应用。通过 DeepGRB 处理数据，证实了目录事件并发现新事件，提供了定位、持续时间和分类的估计分析，并采用机器学习技术进行自动分类方法，结合可解释的人工智能以识别潜在偏见。

Jan, 2024

我们提出了一种使用 AMS ECAL 和深度学习进行粒子鉴别的新方法，通过将 ECAL 单元内的能量沉积视为像素，并使用 MLP、CNN 和多个 ResNet 以及卷积可视化 Transformer（CvT）作为 shower 分类器，这种方法比其他深度学习模型的质子拒绝能力高出多倍。

Feb, 2024

通过卷积神经网络预测 H2 星际气体产生的伽马射线，以帮助区分点状光源和星际气体的贡献，并更好地表征广泛的伽马射线光源。

Jun, 2022

通过机器学习模型，我们展示了在液体闪烁体探测器中，如何用全连接神经网络作为强大的事例选择工具，以区分信号和背景，并能在探测器边缘仍保留信号事件，提供了反应堆中微子实验中事件选择的解释性分析，从而可用于改进和更新传统的事件选择方法。

Jun, 2024

报道了一种深度学习分类器 CoPhNet，该分类器能够区分 CdZnTeSe（CZTS）半导体探测器中的康普顿散射和光电相互作用的 γ/ X 射线光子。该模型使用模拟数据进行训练，模拟了实际的 CZTS 探测器脉冲，并使用模拟和实验数据进行验证，结果表明 CoPhNet 模型能够在模拟测试集上实现较高的分类准确性。此工作为开发下一代高能 γ 射线探测器以实现更好的生物医学成像打下了坚实基础。

Nov, 2023

本文提出了两种基于神经网络的瞬变分类方法，并通过对真实观测数据的测试发现，这两种方法均可以达到超过 94％的分类准确度，但它们对于不同目标具有不同的分类特性。基于这一结果，我们建议使用集成学习方法进一步提高分类准确性至超过 97％。

Apr, 2019

本文提出了一种基于物理信息的深度学习方法，用于定量估计单体闪烁体中伽马相互作用的空间坐标，重点是正电子发射断层扫描成像。使用密度神经网络方法在快速铅钨酸盐闪烁体探测器中估计二维伽马光子相互作用坐标。我们引入了定制损失函数来估计重构过程的固有不确定性，并将探测器的物理限制纳入其中。此独特组合可实现更健壮可靠的位置估计，并且所获得的结果证明了该方法的有效性，并凸显了不确定性估计的显著益处。我们讨论了其对改善正电子发射断层扫描成像质量的潜在影响，并展示了如何利用结果来改进模型的应用并评估给定预测及相关不确定性的有效性。重要的是，我们提出的方法学不仅限于正电子发射断层扫描成像，还可以推广到其他应用领域。

Oct, 2023