Neural network quantum states (NNQS) is a novel machine learning method, based on restricted Boltzmann machines, previously used to represent the wave function in many-body quantum mechanics. In this thesis, we use NNQS to instead find integrals of motion, i.e., operators, commuting with the Hamiltonian, describing a system. We also attempt to use this method to find the phase transition in systems exhibiting many-body localization. The neural network is shown to be highly successful in finding integrals of motion for the considered systems, while the outcome of finding the phase transition is less conclusive. / Neurala nätverk-kvanttillstånd (NNQS) är en ny maskinginlärnings-metod, baserad på begränsad Boltzmann-maskin-arkitektur, som tidigare använts för att representera vågfunktionen i flerkropps-kvantmekanik. I den här avhandlingen använder vi NNQS för att istället hitta rörelseintegraler, det vill säga operatorer, som kommuterar med Hamiltonianen, vilken beskriver systemet. Vi undersöker även möjligheten att använda denna metod för att hitta fasövergången i system med flerkroppslokalisering. Vi visar att de neurala nätverken är mycket framgångsrika i att hitta rörelseintegraler för de betraktade systemen, medan våra resultat gällande att hitta fasövergången är mindre slutgiltiga.