在绝热量子计算中，找到汉密尔顿量间隙随绝热扫描过程中变化的参数的依赖关系对于优化计算速度至关重要。受这一挑战的启发，在本文中，我们探索了深度学习的潜力，即应用不同的网络架构发现从完全识别问题汉密尔顿量的参数到前面提到的间隙参数依赖性的映射。通过这个例子，我们推测这类问题可学习性的一个限制因素是输入的大小，也就是说，识别汉密尔顿量所需的参数数量如何随系统大小而变化。我们表明，当参数空间随系统大小线性扩展时，长短期记忆网络能够成功预测间隙。值得注意的是，我们表明，一旦将这种架构与卷积神经网络相结合来处理模型的空间结构，甚至可以预测比神经网络在训练期间看到的系统尺寸更大的系统尺寸的间隙演变。与现有的计算间隙的精确和近似算法相比，这提供了显著的速度提升。