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。

本研究提出了一种通过局部可观测量恢复时变哈密顿量的方法，并验证了其统计恢复误差的理论。探讨了量子计算在不同领域的应用，提出了基于本征态的局部哈密顿量恢复方法，展示了高效的哈密顿模拟算法及其在量子多体物理中的应用，强调了样本复杂度的降低和预测准确性的提高。