机器学习具有优秀的分类、识别、拟合和可解释性等能力,在物理领域中有着广泛的应用。机器学习在物理中的应用和常规数值方法相比很特别,因为它可以在没有人类先验知识的情况下找到一个新的解释物理量的方式,甚至于发现新的物理性质。实际上,在识别物理学领域的相变中,无论是热力学相变,还是拓扑相变,机器学习都已经在对相概念没有任何意识的情况下做出了很多工作。物理中的很多现象对应着结果,但现象和结果之间通常需要一些特殊方法才能清晰的解释。机器学习作为一个连接输入量和输出量的复合函数,同时也可以充当一个解释器。物理现象作为输入量传入机器学习算法,然后对应的输出用来模拟结果,可解释机器学习就可以作为一个连接现象和观测结果的桥梁,对它们之间的关系进行解释。本论文一共有四章。第一章中,我们简单介绍神经网络、决策树、损失函数和优化器等等这些机器学习中的基础概念,包括。我们对可解释机器学习中的两个概念,即全局可解释和局部可解释进行了简单的介绍。我们还介绍了开放系统量子动力学,说明并概括了马尔可夫过程、系统环境演化和GKSL主方程。在第二章中,我们进行了基于树的可解释机器学习在热力学相上的研究。提升树算法中的基础概念是提升,提升的基本思想是将许多弱学习器组合成一个强学习器,经过多次提升迭代后,一系列弱分类器的预测通过加权多数投票合并为最终预测。我们采用提升树的改进版本,也即xgboost算法,对具有五种相互作用的二维方晶格模型的热力学相变进行模拟,并且达到了很高的准确率。Xgboost算法中的全局特征重要性可以通过权重、总增益和增益等量来衡量。通过这三种衡量标准,我们可以得出温度和五种相互作用对相变的影响的重要性排序。树SHAP算法可以用来衡量输入特征对相变的贡献,得出的重要性排序和xgboost算法中的排序一致。树SHAP算法还可以衡量输入特征对相变的影响方向。在第三章中,我们研究了非马尔可夫量子动力学的动态学习。开放量子系统是系统耦合环境的量子系统,它的动力学可以通过求解约化状态的运动方程来找到。系统的密度算子不能通过单次测量得到,因此和系统有关的任何信息只能在一系列测量中获得。另一方面,由于每次测量都会无可避免的对测量对象造成干扰,所以测量本身会对系统演化的分析造成一些困难。非马尔可夫量子动力学意味着动力学演化不仅仅取决于当前的系统状态和演化规则,还需要考虑过去所有演化时间内的动力学行为。我们先考虑使用监督学习对量子系统的哈密顿量进行直接模拟,得到结果进行分析。实际上,直接模拟开放系统的哈密顿量,然后还原非马尔可夫量子动力学,这个方法存在一定的局限性。在损失函数也即对数似然优化到预定数值的情况下,监督学习模拟的哈密顿量和实际哈密顿量之间仍然存在着不可忽视的误差,进而造成模拟的动力学和实际动力学无法拟合。我们采用动态学习对非马尔可夫量子动力学进行模拟。动态学习分为两阶段,第一阶段是对权重的预训练,第二阶段是固定权重的神经网络。动态学习直接模拟非马尔可夫量子动力学的密度算子,而不是模拟哈密顿量。动态学习中的具有静态权重的神经网络可以更好地给出动力学属性。第四章中,我们总结整个论文,并对可解释机器学习和动态学习进行概括说明。