我们建议使用“spin-opstring”,源自Stochastic系列扩展量子蒙特卡洛(QMC)模拟作为机器学习(ML)输入数据。 它提供了QMC模拟单元的紧凑,内存效率表示,将初始状态与操作符字符串相结合,该字符串通过想象时间编码状态的演化。 使用受监督的ML,我们展示了输入在捕获常规和拓扑相变方面的有效性,以及在预测非局部可观测物的回归任务中。 我们还通过在一个量子系统上训练模型并成功预测另一个量子系统,并展示了在较小的系统尺寸上训练的模型很好地扩展到较大的系统,从而展示了在较小的系统尺寸上训练的自旋声波数据的能力。 重要的是,我们在准确预测量子相变时,说明了自旋自旋与常规自旋配置相比具有明显的优势。 最后,我们展示了自旋-opstring的固有结构如何为ML预测的可解释性提供了一个优雅的框架。 使用两种最先进的可解释性技术,Layer-wise Relevance Propagation和Shapley Additive exPlanations,我们展示了ML模型从输入数据中学习和依赖于物理上有意义的特性。 这些发现共同确立了自旋-opstring作为量子多体物理学中ML广泛适用和可解释的输入格式。