量子启发张量网络的监督学习
本文提出一种基于张量网络的量子计算方法,用于解决当前在量子计算中机器学习所面临的挑战。在此方法下,经典计算和量子计算可共享同样的理论和算法基础,且张量网络电路在量子计算机模型的训练中具有高效节省的优势,并通过对手写识别模型的数值实验验证了其可行性。
Mar, 2018
本文介绍如何应用张量网络作为量子启发机器学习技术,有效地分类来自 CERN 的大型强子对撞机数据,特别是分类所谓的 b - 喷注,并解释分类结果。同时,还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构,在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础,这是目前和未来 LHCb 事件分类的关键之一,能够触发每秒数千万个事件。
Apr, 2020
我们引入了一种能够学习含有连续随机变量的分布的新型张量网络生成模型,首先在矩阵乘积态的背景下推导出通用表达能力定理,证明了该模型家族能够以任意精度逼近任何充分平滑的概率密度函数;然后在几个合成和真实世界数据集上对该模型的性能进行基准测试,发现该模型在连续和离散变量的分布上学习和泛化良好;我们还开发了建模不同数据领域的方法,并引入了一个可训练的压缩层,发现在有限的内存或计算资源下,该层能够提高模型的性能。总体而言,我们的方法为量子启发式方法在生成学习这个快速发展领域的有效性提供了重要的理论和实证证据。
Oct, 2023
本文探讨张量网络与深度学习之间的数学联系,使用通过多尺度纠缠重整方法派生的训练算法训练二维分层张量网络完成图像识别问题,并研究了张量网络的量子特性,包括量子纠缠和保真度,并发现这些量子特性可以作为图像类别以及机器学习任务的表征。
Oct, 2017
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
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
本文研究了量子启发式算法和张量网络在工业环境和背景中的适用性和可行性,并通过对可用文献的编译和受其方法影响的使用案例分析,来分析这些技术的局限性以确定其潜在可扩展性。
Apr, 2024
本文探讨了基本的张量网络模型和相关算法,尤其是使用新的数学和图形表示的张量列车(TT)分解。通过张量化和使用量子化张量列车网络实现数据的超级压缩,对大规模数据优化问题进行了分布式表示,并通过优化迭代和近似张量缩并的方式,应用小型矩阵和张量运算来解决一系列难以用经典数值方法解决的问题,例如广义特征值分解,主成分分析 / 奇异值分解和规范相关分析。
Jul, 2014