本研究提出了一种基于人工智能的阳极heel效应模型，显著提高了X射线成像中蒙特卡洛模拟的精度。研究结果表明，阳极和阴极的剂量率分别提高9.6%和降低12.5%，从而提升了剂量测量的准确性和图像质量，具有广泛的临床应用潜力。

本研究提出了一种蒙特卡洛模拟算法，用于实时自适应控制器的策略改进。该算法通过统计每个动作的长期期望回报，显著降低了基础玩家的误差率，展现出较大的应用潜力。

本文提出了一种基于线性分位数回归的条件模估计量，分析其渐近分布并构建置信区间。通过蒙特卡洛模拟评估其性能，并应用于联合循环发电厂的电能输出预测。此外，介绍了基于神经不确定性量化的层次化变分框架，以提高视频生成的质量和多样性。研究还提出了基于条件分布模型的健壮预测区间方法，适用于多种预测问题。

该论文探讨了决策制定中的操纵检测方法，提出了三种算法以识别和防御贿赂影响。研究表明，神经网络和蒙特卡洛模拟能够有效检测操纵行为，并分析了成对比较的排名问题及其鲁棒性。

研究者提出了一种基于REINFORCE算法的标准化流估计器，应用于二维Schwinger模型，相比其他技巧估计器更快、内存需求减少30%，数值更稳定，适用于单精度计算和半浮点张量核心。这些改进的优点也适用于其他领域。