2025年11月27日下午16时，湖南师范大学教授、博士生导师，王接词教授，受邀到访新疆大学物理科学与技术学院开展学术交流。王接词教授在博达校区物理楼A414以《Deep Learning for black hole image generation and cosmological  parameter estimation》为主题做了报告并进行了学术讨论。活动由物理学院主办，学院党委副书记兼院长吕国梁主持，北京师范大学马永革教授、新疆大学郭素芬老师以及天体物理课题组全体学生参与此次学术活动。

王接词教授主要研究方向是引力和相对论性量子信息理论。在Physics Reports、Phys. Rev. Lett., Nat. Commun., ApJS/ApJL等期刊发表论文95篇，单篇最高他引580余次。主持了国家自然科学基金优秀青年科学基金项目、面上项目，湖南省杰出青年科学基金项目等科研项目12项。入选了湖南省“科技创新领军人才”、“湖湘青年英才”和“121创新人才培养工程”等人才计划，获“国家优秀自费留学生”等奖励。担任湖南省物理学会副秘书长和《Sci. China-Phys. Mech. & Astron.》青年编委。

近年来，深度学习技术在天体物理学研究中展现出巨大潜力。特别是在黑洞成像和宇宙学参数估计等领域，人工智能方法正在推动研究范式的变革。王接词教授的报告重点介绍了三个前沿方向：基于物理约束的黑洞图像生成、新型神经网络在宇宙学中的应用，以及经典-量子混合网络的未来前景。

在黑洞研究方面，王接词教授团队开发了黑洞约束去噪扩散模型（BCDDM），有效解决了事件视界望远镜观测数据稀缺的难题。该模型通过嵌入广义相对论等物理先验，能够生成大量高质量黑洞图像。利用这些增强数据，训练了ResNet50等网络，实现了对黑洞质量和自旋等关键参数的精确估计，准确度超过95%。这项技术为下一代黑洞观测数据的分析研究提供了重要参考。

在宇宙学领域，王接词教授团队探索了高效柯尔莫哥洛夫-阿诺德网络（Ef-KAN）与长短期记忆网络（LSTM）的协同应用。Ef-KAN凭借其独特的数学基础，在宇宙学参数估计中表现出卓越的准确性和可解释性。结合LSTM处理时序数据的优势，该系统能够从超新星、星系巡天等多源观测数据中精确重建哈勃参数随红移的演化历史，并为解决当前宇宙学中的"哈勃张力"难题提供新的见解。

展望未来，经典-量子混合神经网络代表了极具潜力的新兴方向。这种混合架构利用量子计算的天然优势，特别适合处理高维天体物理数据和模拟量子引力过程。虽然目前仍处于探索阶段，但随着量子硬件的发展，它有望在暗物质识别、系外行星大气分析等复杂问题中发挥重要作用，为天体物理学研究开辟全新的途径。

报告结束后，王教授与物理学院师生展开了热烈研讨。现场气氛活跃，师生们踊跃提问，围绕深度学习在科研应用中的耗时问题、设备配置需求以及量子深度学习的发展前景等话题进行了深入交流。王教授指出，深度学习技术正以前所未有的速度发展，逐渐成为天体物理学研究的重要工具。他表示，物理学研究者应当把握这一趋势，积极推动深度学习与科学研究的深度融合。同时，王教授也表达了与物理学院师生展开长期、密切合作的意愿与期待。

从黑洞参数估计到宇宙学约束，再到未来的量子增强分析，这些技术共同推动着我们向更深入理解宇宙本质的目标迈进。随着深度学习算法的持续优化和计算能力的提升，人工智能必将在解开宇宙奥秘的过程中发挥越来越关键的作用。