通过张量网络描述纠缠，探讨了矩阵积态和投影纠缠对描述多体波函数的作用，分析了它们的数学结果，并讨论了其在纠缠结构和重整化群方面的应用。

Nov, 2020

本文研究了张量网络在语言建模中的应用，通过对模拟 Motzkin 自旋链的问题进行抽象，发现张量模型具有接近完美的分类能力，并在训练样本减少时保持稳定的性能水平。

Jan, 2024

使用一种新颖的张量网络 —— 约束矩阵积态（MPS），将任意线性约束准确地融入稀疏块结构，成功地弥合了 U (1) 对称 MPS 和传统非约束 MPS 之间的差距。通过量子区域的概念，适用于捕捉包括非约束情景在内的任意线性约束，我们进一步为这些新的 MPS 开发了规范形式，允许根据量子区域融合规则合并和分解张量块。利用这种规范形式，我们采用无监督训练策略来优化满足线性约束的任意代价函数，从而解决二次背包问题，并展示了相对于传统非线性整数规划求解器具有更高性能的优势，突显了我们方法在解决复杂约束组合优化问题中的潜力。

May, 2024

本文探讨了将矩阵乘积状态作为一维张量数组用于分类经典和量子数据的能力，对传统机器学习数据集 Iris 进行了二元分类，并进一步通过考虑探讨不同参数来证明 MPS 电路可用于获得更好的准确性，实验了 MPS 量子分类器的学习能力，用于对北旁遮普邦（印度）Patiala 气象站的蒸发散进行分类，并使用不同的分类性能度量对其能力进行了测量，并展示了其各项值的一致性程度。

May, 2019

本文提出了一种以基础张量网络操作 (例如求和和压缩) 为特征的训练模型算法，主要应用于机器学习中的 MNIST 数据集，结果表明该算法具有合理的生成新图像和分类任务的能力，并解释其作为压缩量子核密度估计的算法实现。

Jun, 2023

提出了一个使用矩阵乘积状态的基于概率论解释的生成模型，可以进行直接采样和动态调整张量尺寸，适用于无监督机器学习领域。

Sep, 2017

本文展示了张量网络如何帮助发展可解释的机器学习算法，通过基于矩阵乘积态（MPS）的无监督聚类算法在对手生成的威胁情报实际应用中证明 MPS 在性能上能与传统的深度学习模型如自编码器和生成对抗网络相媲美，同时提供更丰富的模型可解释性，我 们的方法自然地促进了特征概率、Von Neumann 熵和互信息的提取，为异常分类提供出色剧情并促进了无法理解人工智能决策背后的原理的前所未有的透明性和可解释性。

Dec, 2023

这篇论文介绍了一种克服 Hilbert 空间维度问题的重要工具 —— 张量网络，同时涵盖了基本张量网络和算法的介绍，以及其在量子信息中的应用，包括矩阵乘积状态、基本性质、基于张量网络的量子相分类、寻找矩阵乘积状态算法、基于投影纠缠对状态的基本性质和多尺度纠缠重整化阈址状态。

Mar, 2016

本文概述了张量网络状态和方法在物理、量子信息学、人工智能等科学领域中的应用，并简要介绍了相关概念和发展，包括张量网络结构、算法、全局和规范对称性、费米子、拓扑序、相分类、纠缠哈密顿量、AdS / CFT、二维 Hubbard 模型、二维量子反铁磁体、共形场论、量子化学、无序系统和多体定位等。

Dec, 2018

提出并研究了一种名为广义转移矩阵状态（GTMS）的新型量子态，桥接了深度人工神经网络的两种方法，GTMS 包含了通用矩阵积态，并能够捕捉超越张量网络区域定律纠缠性质的更多长程量子关联。通过数值模拟和显式例子，表明 GTMS 是研究临界和动力学量子多体系统的有前途的候选方案。

Aug, 2018