监督机器学习可用于预测具有以前未知特征的字符串几何形状的属性。 使用完整的相交Calabi–Yau（CICY）三重数据集作为此研究的理论实验室，我们使用低h1,1几何进行训练，并验证具有大h1,1的几何。 神经网络和支持向量机成功地预测了CICY的Kähler参数数量增长三倍的趋势。 机器学习的数字精度在较高的h1,1上以少量样本播种训练集后会提高。