本文探讨了机器学习在量子多体物理中的应用，特别是预测哈密顿量基态及其性质。研究表明，通过物理约束和正定核，可以显著降低样本复杂度，尤其在强局部性情况下。算法结合了学习未知状态属性和低阶可观测量，展示了高效的预测能力，并提供了改进的样本复杂度分析。