Demostramos que un marco de aprendizaje automático basado en regresión de crestas de kernel puede codificar y predecir la autoenergía de modelos Hubbard unidimensionales utilizando solo características de campo medio como cantidades estáticas y dinámicas de Hartree-Fock y cálculos de primer orden de GW. Este enfoque es aplicable a un amplio rango de fortalezas de interacción Coulomb en el lugar U/t, que van desde sistemas débilmente interactuantes (U/t) hasta fuertes correlaciones (U/t > 8). La autoenergía predicha se transforma a través de la ecuación de Dyson y la continuación analítica para obtener la función de Green de frecuencia real, lo que permite el acceso a la función espectral y la densidad de estados. Este método se puede utilizar para términos de interacción de vecino más cercano y términos de salto a largo alcance t', t'', y t'''.
Mateo Cárdenes Wuttig (Vier,) estudió esta cuestión.