本研究应用深度循环神经网络对超新星进行分类，使用的输入数据是观测时间和滤波器的波长，但也可以包括附加的数据。结果显示能够获得高准确率的结果，但对训练集的要求较高。

Jun, 2016

本文研究使用神经网络逼近矩阵元的方法进行精密现象学研究，比较其与传统模拟技术的效果可以实现模拟时间缩短，且在标准观测方面有很好的一致性。

Feb, 2022

本文描述了卷积神经网络（CNN）在粒子物理学领域的应用，尤其是在高能中微子物理学和高能物理学中通常使用的采样量热计中识别粒子相互作用问题上的应用，通过 CVN（卷积视觉网络）算法对中微子相互作用进行拓扑识别，不需要详细重建，优于目前 NOvA 协作组使用的算法。

Apr, 2016

使用神经网络构建了一种代理模型以降低计算复杂性，并成功预测了用于辐射核能制备中的一些重要特性，如失活热和核素浓度，同时减少了计算成本和风险评估。

Aug, 2023

研究了可扩展的机器学习模型，用于基于高粒度探测器模拟的高能电子 - 正电子碰撞的完全事件重建。比较了图神经网络和基于核的变压器，并证明两者在实现逼真的粒子流重建时，同时避免了二次内存分配和计算成本。展示了在超级计算机上进行的超参数调整显著改善了模型的物理性能。还展示了所得模型在支持 Nvidia、AMD 和 Intel Habana 卡的硬件处理器上具有高度可移植性。最终证明了该模型可以在由径迹和电量计击中构成的高粒度输入上进行训练，从而获得与基线相竞争的物理性能。根据可寻找、可获取、可互用和可复用（FAIR）原则发布了用于重现研究的数据集和软件。

Sep, 2023

本研究提出了利用神经网络自动光度分类超新星为 Type-Ia 或 non-Ia 的方法，并基于 SNPCC 数据集进行训练和测试，得到了较高的分类准确度。

Aug, 2012

高能粒子碰撞中，基本碰撞产物通常会进一步衰变，形成具有预先未知多样性的树状分层结构。本文描述了一个典型的图神经网络（GNN）与深度全连接前馈神经网络体系结构的基准测试，并以在 CERN 的大型强子对撞机上在由质子 - 质子碰撞产生的带有顶夸克 - 反夸克对的最终态 X 的分类为物理案例进行对比。

Feb, 2024

本文使用深度神经网络进行图像分类，无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注，效果与现有分析方法相当或略优。

Mar, 2016

使用计算机视觉技术从高能物理学的味道数据中直接提取超出标准模型（BSM）参数的一种新的应用，通过将角度和动力学分布转化为 “准图像”，训练卷积神经网络执行回归任务，与在高能物理学中使用机器学习 / 人工智能进行的通常分类功能相对应。

Nov, 2023

利用神经网络来估计星系样本的红移分布，得出它能够获得每个星系的概率密度函数，并通过 CFHTLenS 上的 58714 个星系进行实验，证明该方法在使用 5、4 或 3 个光学波段信息时能够提供真实 NZ 的极佳表示，并研究了训练目标样本数量不足和样本数据大小不一致的情况。

Dec, 2013