- 费曼图作为计算图
通过计算图表示高阶费曼图在量子场论中的应用，利用图张量运算构建了类似分形结构的结构，显著减少了计算冗余，结合机器学习技术的自动微分技术有效地优化了计算图，在各种计算平台上开发了费曼图编译器，实现了在金属密度下计算准粒子有效质量的高度精确度， - NCoder -- 量子场论编码数据方法
我们提出了一种基于量子场论（QFT）的可解释人工智能的新方法，即 NCoder。NCoder 是一个修改的自编码神经网络，其潜在层被规定为 $n$- 点相关函数的一个子集。通过将图像视为从晶格场论中获得的随机抽样，该架构模拟了以 Feynm - 用傅立叶神经微分方程来学习量子场论
使用神经微分方程模型学习粒子散射矩阵，同时提出一种新的傅里叶神经微分方程模型，用于提取理论的相互作用哈密顿量。
- 利用图神经网络学习费曼图
使用几何深度学习和图注意力层，本研究在费曼图上实现了准确且快速的基元矩阵预测，证明该方法在量子场论分析中具有潜在应用，可构建代表非微扰计算的有效粒子费曼图，为量子场论的研究提供了突破。
- 使用等变连续流量扩展量子场论机器学习
通过浅层结构设计和问题的对称性，提出了一种连续的正则化流，用于从物理量子场论的高维概率分布中进行采样，相对于现有的深度结构，该提出的正则化流使得样本效率得到了明显提高。
- 等变流形流
本文提出了基于等变流形流的手段，学习任意流形上的对称不变分布，以应对先前机器学习模型所忽略的对称性特征，且在量子场论中应用其学习标准规范密度的效果显著。
- 粒子碰撞的隐形几何学
我们提出了一个新的几何语言来解释和统一量子场论和对撞机物理中的许多基本概念和技术，我们可以通过能量移动距离来量化对撞机事件空间中的最小距离并解析出很多著名的对撞机观测量，通过这个几何形式化语言，我们实现了很多基于面积和成分的堆叠补偿策略。
- 利用神经网络求解微分方程：在计算宇宙相变中的应用
基于人工神经网络在优化问题方面的独特优势以及物理问题可以被转化为优化问题，我们提出了一种广泛类别的微分方程数值求解方法，该方法使用神经网络而不需要任何试探性的解，并且适用于普通的，部分的和耦合的微分方程。我们将该方法用于计算宇宙相变的隧道轮 - 初等解析函数与 QFT 中的亚纯重正化
本文研究亨洛纳卡奇异性解析性质，通过最近对具有线性极点的亚纯 germ 的分解来重新调整分析函数的幂乘积，从而提供描述 Feynman 振幅奇异性的通用模型，为对凸分析洛伦兹时空上的量子场论可重整性的新证明提供了应用。
- 通过统计推理的重整化群
本研究发展了一种操作方法来识别状态的等价类，并且说明了重整化群的作用和信息在其中的作用，为量子场论中的区分度计算提供了一种方法。同时，本文也为不基于传统量子场理论的有效模型扩展重整化技术提供了途径，并阐明了不同类型重整化群之间的关系。
- 纠缠熵与量子场论
我们对相对论量子场论中的纠缠熵进行了系统研究，提出了定义，推导了多种情况下的结果，并将其扩展到高维系统，探讨了量子相变时纠缠熵奇异部分的缩放形式。
- 天空中的 DBI
本文研究了最近发现的 “D-cceleration” 通胀机制所产生的密度扰动频谱，发现该模型具有观测水平的严格下界的非高斯性，同时支持宏观引力波功率谱的大观测张量成分。
- 量子力学和量子引力的 “一般边界” 表述
将量子理论形式化为广义意义上的拓扑量子场论，通过推广的路径积分量子化获得该 “广义边界” 量子理论，其中包括非相对论量子力学和量子场论。在此中，即使在非相对论情况下，常常与量子场论相关的特性也可以从一致性条件中得出，例如具有任意粒子数和成对 - 量子场论
本文讨论量子场论的基本原则，并尝试确定其最深远的影响，最深远的影响来自于实现局域性所涉及的无限自由度。作者列出了它的一些最引人注目的成功，包括已经实现的和有前景的成功，并在历史的光辉下，讨论了量子场论的可能局限性。
- 量子场论导论
介绍了从二次量子化到欧几里得空间中的路径积分技术的连贯概述，其中与费曼图的规则和统计力学的分区函数有直接联系。