神经网络作为量子图中多体局域化的通用探针

我们表明，一个在随机横向磁场中最近邻海森堡链纠缠谱上训练的神经网络，可用于高效研究若干其他量子系统的遍历/多体局域化性质，而无需进一步重新训练。我们以 $J_{1}\!\!-\!\!J_{2}$ 模型作为计算架构的基准，该模型将海森堡链扩展至包含次近邻相互作用，结果与已知结果高度吻合。当应用于底层图拓扑不同于训练模型的哈密顿量时，该神经网络能够预测临界无序强度，更一般地，能预测符合我们启发式预期的迁移率边形状。我们将其视为原理证明：机器学习算法提供了一套探索多体物理前沿的强大新计算工具。