寻找量子多体系统的基态是量子物理学中的一个基本问题。在本文中，我们给出了一种经典的机器学习 (ML) 算法，用于预测具有编码几何局部性的归纳偏差的基态性质。所提出的 ML 模型在仅从同一物质量子相中的其他汉密尔顿量的 O (log) n ÞÞ 数据中学习后，便可以有效地预测 n 量子比特间隙局部汉密尔顿量的基态性质。这大大改进了以前需要 O (nc Þ 数据才能获得较大常数 c 的结果。此外，所提出的 ML 模型的训练和预测时间随着量子比特数 n 的增加而增加。在具有多达 45 个量子比特的物理系统上进行的数值实验证实了使用小型训练数据集预测基态性质的有利扩展。