我们在量子场论的背景下探索机器学习技术的观点。 特别是，我们讨论了在非零温度和化学势下的二维复标量场理论-一种具有非平凡相图的理论。 根据现场配置，成功地训练了神经网络，以识别该系统的不同阶段并预测各种可观察物的值。 我们分析了广泛的化学势，发现该网络很健壮，能够识别远离训练点的模式。 除了属于监督学习的回归分析之外，还提出了一种无监督的生成网络，以生成遵循特定分布的新量子场配置。 我们的生成模型自动捕获了物理配置满足的隐式局部约束。 我们详细介绍了这种生成方法在训练区域之外进行采样的潜在用途。