借鉴大模型的预训练与微调技术，研究人员开发了先进的卷积神经网络框架，专门用于精确重建 X 射线扫描相干衍射成像实验所产生的数据，以提升相位恢复精度与效率。
针对高通量多维度衍散射实验传统物理解析方法复杂性高、时效性差的问题，提出了新型的基于“虚拟倒空间扫描”的6D张量断层成像的新方法，将实验扫描维度由四维降低到了三维。并利用深度全连接神经网络提取海量二维衍射图像中隐藏的三维纤维取向分布信息，实现衍射数据的高精度在线解析，实现解析效率的万倍提速。
针对原位动态实验，开发了系统性的降噪工具，包括有监督的SEDCNN和无监督的SMAE算法，在训练速度与降噪效果上远超现有SOTA模型，有效提升了在原位动态化实验中物理信息的恢复能力。
面对高空间解析精度的同步辐射成像实验图像抖动矫正需求，提出了一种端到端的基于样本的外轮廓结构与AI图像增强技术相结合的图像混合抖动与偏移矫正手段，在多种纳米精度同步辐射成像方法图像矫正任务中取得极佳的表现。
利用高阶精细聚类算法，快速解析扫描式角分辨光电子能谱（Nano-ARPES）中的精细结构变化信息，有望从根本上改变ARPES实验的工作模式，提高实验的准确性和效率。
基于傅立叶注意力机制的生成对抗神经网络（GAN），研究人员提出了算法动态适应的同步辐射图像超分辨工作流，通过前沿算法的有机融合和在线部署，可形成实验决策、数据采集、在线处理、实时分析、反馈控制、实验决策的完整闭环。
研究团队提出深度学习赋能的全栈式同步辐射断层成像实验数据处理管线，指出同步辐射断层扫描大模型、智能调度中心、光束线站长期学习策略将成为解决断层扫描实验大数据挑战的有效方案。
