Oct, 2017

通过分层树结构的酉张量网络进行机器学习

PDF
TL;DR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。
tensor networksdeep learningimage recognitionquantum entanglementmulti-scale entanglement renormalization ansatz
发现论文，激发创造
  • 用于可解释和高效的量子启发式机器学习的张量网络

    用张量网络作为数学工具，基于量子信息和多体物理等理论实现了机器学习，提高了可解释性和效率，并预示了将来发展的 “量子人工智能” 方向。

    Nov, 2023

  • 使用张量网络实现量子机器学习

    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

  • 量子启发张量网络的监督学习

    本研究探讨了如何使用张量网络来优化矩阵积态，以用于分类图像的模型参数化，且在 MNIST 数据集上取得了不到 1% 的测试集分类误差。此外，我们讨论了张量网络形式如何为学习模型提供附加结构，并提出了可能的生成性解释。

    May, 2016

  • 树张量网络用于生成建模

    本论文介绍了一种树张量网络 (TTN)，并将其应用于基于生成式建模的自然图像数据集以提高其可解释性，在 MNIST 数据集的表现中也获得更好的对数似然度得分。

    Jan, 2019

  • 高能物理数据上的量子启发式机器学习

    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

  • 受限波尔兹曼机与张量网络态的等价性

    将 RBM 和 TNS 相连接，我们可以构建更强大的深度学习架构，并使用 TNS 内的纠缠熵限制来量化 RBM 的复杂数据集表现能力。同时，RBM 将量子多体状态表示为少量参数，这可能允许更有效的经典模拟。

    Jan, 2017

  • 深度张量神经网络从量子化学角度的洞见

    本文提出了一种基于深度张量神经网络（DTNN）的方法，可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析，此方法可以用于预测分子的原子能和局部化学势，同位素能和分子的电子结构，为揭示复杂的量子化学体系提供了新的突破。

    Sep, 2016

  • 深度学习结构中的量子纠缠

    本文研究表明现代深度学习架构 —— 深度卷积和递归网络能够有效地表示高度纠缠的量子系统，与基于张量网络的表示方法相比，这是因为网络操作中信息的固有重用是它们区别于标准张量网络表示的关键特征，并提高了它们的纠缠容量。

    Mar, 2018

  • 复杂量子系统的张量网络

    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

  • 使用多任务神经网络学习和发现量子特性

    采用深度神经网络可以同时预测量子态的多个特性，并可通过局部测量来推断多体量子系统的全局特性，用于识别对称保护拓扑态和发现不同相之间的未知边界。

    Oct, 2023