本论文提出了一种名为 PPDONet 的工具，它可以利用 Deep Operator Networks 预测原行星盘中盘与行星相互作用的解决方案，并将三个标量参数映射到盘面密度、径向速度和方位速度的稳态解决方案中。

May, 2023

通过深度学习技术，使用基于贝叶斯神经网络的新颖内部结构学习预测指标，成功预测行星系统的不稳定性，并且在不同情境下表现出了强大的泛化能力和计算速度，为预测行星系统不稳定性提供了新方法。

Jan, 2021

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

本文探究了使用神经网络在恒星本身相关噪声影响下的径向速度法中替代传统测试方法的可行性，并取得了较好的结果。通过使用合成的数据，该算法的虚阳性误差降低了 28％，并且其执行速度比传统方法快五个数量级。

Mar, 2023

通过 NASA 的 Juno 任务提供的木星重力场精确测量与伽利略入口探测仪大气测量相结合，研究表明，推断巨大星球的内部结构仍然是一项具有挑战性的逆向问题，需要对各种行星属性进行计算密集型搜索，提出了一种基于计算密集型 Maclaurin 准确椭球（CMS）方法的高精度广泛内部模型的有效深度神经网络（DNN）模型。

May, 2024

本文介绍了一种基于深度学习的方法来在恒星变化存在的情况下测量小行星的径向速度，该方法采用了神经网络，降低了三年 HARPS-N 太阳作为恒星的谱线的恒星 RV 抖动。作者设计和比较了降维和数据拆分方法，以及各种神经网络体系结构，包括单行 CNN、单行 CNN 集合和多行 CNN。作者通过注入类行星 RV 到谱线中并使用神经网络进行恢复，发现多行 CNN 能够恢复 0.2 m/s 的半振幅、50 天的周期行星，并在振幅和周期上分别实现了 8.8% 和 0.7% 的误差。这种方法显示了缓解恒星 RV 变异和实现具有前所未有的精度探测小行星 RV 的前景。

Apr, 2023

使用具有不确定性估计的贝叶斯神经网络从修改引力模拟中提取宇宙学参数，优于传统神经网络的精确预测和校准不确定性估计

Sep, 2023

采用机器学习神经网络来识别外行星任务的图像数据集，以实现特征识别。我们分别应用了转移学习和更新的训练模型的方法来识别埃罗帕上混沌区断裂冰的冰块，以及通过训练模型来识别土卫六上的云，进一步验证了我们的技术。

Oct, 2023

该研究研究了神经密度场及其对外部因素（如噪声或约束）的鲁棒性，研究表明预训练有助于加快网络训练，同时证明训练神经网络用于重力反演问题是合适的，只要重力信号能够与噪声区分开来。

May, 2023

使用深度神经网络解决红色（相关）噪声问题，以便更好地侦测未来行星探测空间任务（如 PLATO）中的可居住星球。

Nov, 2017