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
利用神经和张量网络近似精确、高效和量子一致地演化封闭纠缠系统的方法,可以解决传统计算方法在哈密顿空间增加时遇到的硬性限制,为众多量子计量问题提供了有趣的解决方案。
Jun, 2024
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
该研究回答了 L. Grasedyck 在量子信息理论中提出的问题,结果表明张量网络状态空间中的张量极限不一定是一个张量网络状态,并且给出了与树和环相对应的张量网络状态空间的几何描述。该研究发现表明 Mulmuley-Sohoni 类型的矩阵乘法相关多项式的边界比矩阵乘法的投影和重新标号严格大,并且张量网络状态与代数统计中的图形模型相关。
May, 2011
使用张量网络的语言,描述了一个用于完全正态映射的图形微积分,介绍了量子信息理论的开放量子系统和其他基本概念,特别是展示了如何构建张量网络来图形化地表示量子态演化的不同方式,并通过几个示例说明了该图形微积分的实用性。
Nov, 2011
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
本文利用人工神经网络和机器学习研究了量子物理中的拓扑相,证明了短程神经网络能够精确有效地表示拓扑相的基态,能够描述受强相互作用影响非可积哈密顿量的拓扑相变,从而为通用格模型的拓扑相机器学习提供了指导。
Sep, 2016
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
这篇论文介绍了张量网络及其在机器学习中的应用,张量网络通过分解大规模数据矩阵来实现数据的近似表达与计算的降维,是一种常用的数据处理技术。
Jul, 2022
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