В мире квантовых вычислений и физики многие тела, понимание свойств многотельных квантовых систем становится все более актуальным. Однако, когда речь идет о больших системах, задача усложняется из-за необходимости учитывать корреляции между множеством частиц. В этом контексте была разработана новая нейросетевая модель, способная предсказывать различные квантовые свойства, используя данные измерений только с небольшого числа соседних участков.
Модель основана на методах многозадачного обучения, что позволяет ей эффективно интегрировать информацию и предсказывать глобальные свойства, такие как параметры строкового порядка, даже при наличии ограниченного объема данных. В ходе численных экспериментов было показано, что такая модель может не только предсказывать свойства, которые не были представлены в обучающем наборе, но и переносить информацию из систем с меньшей размерностью в более крупные.
Эта работа открывает новые горизонты для исследования промежуточных квантовых систем, позволяя ученым более эффективно анализировать и классифицировать квантовые фазы материи, что может значительно ускорить прогресс в области квантовых технологий.