本研究探讨AI系统在高后果领域中对稀有高影响事件的检测，提出“智能标注”策略，通过自适应标签优化(ALO)提升标签的多样性和有效性。研究表明，仅需20%到40%的精心策划数据即可达到全数据基准，建议在标注过程中加入反馈机制以提升模型性能。

本文提出了一种无监督机器学习的谱图方法，优化分子动力学模拟中状态转变的集体变量选择，从而增强对稀有事件物理特性的理解。

本文提出了一种基于人工神经网络的方法，研究高维Fokker-Planck方程的committor函数及其转移路径。通过优化神经网络权重，数值实例表明在高维问题中可获得适度精度。此外，结合重要性抽样与深度神经网络的方法提高了稀有事件的采样效率，并在计算物理和材料科学中得到了应用。