提出了一种使用机器学习（ML）来减少评估点阵QCD可观察值的计算成本的新技术。 机器学习是在背景量具领域配置的子集（称为标记集）上进行训练的，以根据在整个样本上计算出的相关但运算量较小的可观测值X的值预测可观测值O。 通过使用第二个子集（也是标记集的一部分），我们估计了训练有素的ML算法预测的结果中的偏差。 使用Boosted决策树回归ML算法，通过两种不同的点阵QCD计算，可将计算成本降低约7％–38％：（1）预测可从两个分子产生等矢量的核子三点相关函数 点相关函数和（2）预测当一个小的CP违