我們在量子場論的背景下探索機器學習技術的觀點。 特別是，我們討論了在非零溫度和化學勢下的二維復標量場理論-一種具有非平凡相圖的理論。 根據現場配置，成功地訓練了神經網絡，以識別該系統的不同階段并預測各種可觀察物的值。 我們分析了廣泛的化學勢，發現該網絡很健壯，能夠識別遠離訓練點的模式。 除了屬于監督學習的回歸分析之外，還提出了一種無監督的生成網絡，以生成遵循特定分布的新量子場配置。 我們的生成模型自動捕獲了物理配置滿足的隱式局部約束。 我們詳細介紹了這種生成方法在訓練區域之外進行采樣的潛在用途。