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

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

采用神经网络通过监督学习来识别凝聚态系统中的相和相变，能够通过现代软件库方便地进行编程，能够检测到多种类型的序参量，包括高度非平凡的库仑相，并且即使在没有哈密顿量甚至相互作用的广义局部性知识下，也能够实现分类。

May, 2016

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

通过深度生成机器学习模型和热力学状态的条件正则化流，我们可以高效地生成整个相图的平衡样本，并在预测固液共存线时降低所需能量评估数量。

Jun, 2024

采用无监督机器学习方法，设计了一种凸优化的复数神经网络，并利用训练好的网络进行了大量的数值实验，结果表明该网络能够高精度地检测出多体量子数据中的量子特征，如纠缠和局部纠缠。

Mar, 2021

通过降阶模型、数据驱动框架、流形学习算法、深度学习框架和分叉图表，本文提出了一种定位基于代理模型 (ABMs) 的平均场极限相变的方法。

Oct, 2023

应用主成分分析（PCA）和基于无监督学习的自编码器（AE），研究了随机化和选择的渗流图作为神经网络的输入，分析了获得的结果，表明 AE 的单一潜在变量和 PCA 的第一主成分与粒子密度相关。

Nov, 2023

使用无监督学习技术提出一种新的科学应用，通过检测两个数据集之间的差异来增强我们在数据中搜索新现象的能力，建立基于最近邻的统计检验方法对两个样本之间的偏差进行测量，应用于高斯合成数据和模拟暗物质信号的案例中，是一种寻找待进一步研究的感兴趣区域的有力工具。

Jul, 2018

本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析，包括各种概念、挑战、分类、基准数据集及量化性能比较，并提供了未来研究方向的预测和分析。

Jul, 2022