利用神经网络的方法，通过训练错误标记的数据来识别量子力学系统中的相变，成功地在各种情况下进行测试，意味着这是一种可以通用于未知相变检测的方法。

Oct, 2016

使用神经网络机器学习技术，在辅助场配置上训练三维卷积网络，成功预测了半填充下哈伯模型的磁相图，并利用迁移学习方法预测了磁相的不稳定性扩展到了至少 5% 的掺杂度，显示了在相关量子多体系统中运用机器学习的广阔前景。

Sep, 2016

本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。

Oct, 2017

本文利用人工神经网络和机器学习研究了量子物理中的拓扑相，证明了短程神经网络能够精确有效地表示拓扑相的基态，能够描述受强相互作用影响非可积哈密顿量的拓扑相变，从而为通用格模型的拓扑相机器学习提供了指导。

Sep, 2016

本文研究如何使用神经网络在拓扑绝缘体中区分不同的拓扑相，经过训练，即使是大于训练数据的的 Hamiltonians winding number，神经网络也能够预测其拓扑缠绕数，证明了神经网络能够从局部输入中捕捉到量子相的全局和非线性拓扑特征。同时，本文确认了神经网络学到了离散版本的缠绕数公式，在运用机器学习到物理系统时，研究了对称性的作用和正则化技术的相反影响。

Aug, 2017

机器学习技术用于检测相变已经被广泛使用并取得成功，但其工作原理和基本限制仍然不清楚。本研究使用信息几何学的工具，通过将流行的机器学习相变指标与信息论概念联系起来，解释了其内部工作原理，并确定了潜在的失效模式。我们证明了几个机器学习相变指标从下方近似系统（量子）费舍尔信息的平方根，这个量在指示相变方面是知名的，但从数据中计算起来经常困难。我们在经典和量子系统的相变中数值上证实了这些界的质量。

Nov, 2023

使用结构和对称性的 Hamilton 神经网络预测非线性系统从秩序到混沌的相空间轨迹，以亨农 - 海尔斯系统为例进行实证研究，该技术的实用性和混沌广泛存在性启示着广泛的应用前景。

Nov, 2019

通过 replica formalism，研究了具有可微激活函数和单个线性输出单元的大型分层神经网络的平衡状态。在学习完全匹配复杂度规则的非常多的隐藏单元的学生网络的基础上，计算了定量的冻结自由能，发现系统在训练集的临界大小下从不专业化到专业化的学生配置的一级相变。通过固定的训练集进行随机梯度下降的计算机模拟表明，平衡结果在实际训练过程中的平台状态中得到了定量描述。

Dec, 1998

开发了一种第一量子化深度神经网络技术，用于分析格上强耦合费米系统，利用深度残差网络和卷积残差块确定了最近邻相互作用方格点阵上自旋无粒子的基态，较小系统的结果与精确对角化结果比较一致，且具有很高的精度，可以在大系统中准确预测金属和电荷有序相之间的边界。

Jul, 2020

我们使用量子 - 经典混合方法和可解释的机器学习方法，探测无特征量子态的新迹象，并在模拟六角格子上 Kitaev - Heisenberg 模型中明确表示出磁场引起间隔相的特征振荡。

Jun, 2023