超级优化张量网络缩并
本文针对量子多体物理等领域中出现的大型张量网络 Ansaetze 计算中的问题提出了一种修改后的搜索算法,结合增强修剪功能,可以实现几个数量级的性能提升并保证找到单个张量网络的最优操作最小化收缩顺序。
Apr, 2013
通过张量网络,基于基于张量网络状态和多尺度纠缠重整化设备的变分方法,展示了与张量网络缩减相关的几个结果,并证明了单个张量环境的可计算成本同时适用于任何其他张量。通过优化 1D 量子系统的多尺度纠缠重整化设备(MERA),大大缩短了计算时间。
Oct, 2013
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
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
提出了一种量子算法,可以逼近张量网络的值,在结合现有结果时,提供了一个完整的量子计算问题。该结果替代了量子计算中的幺正门,使用张量并根据其符合的顺序计算。利用这种方法,导出了逼近各种经典统计力学模型的配分函数的新型量子算法,包括 Potts 模型。
May, 2008
本文提出了张量网络收缩算法的应用,使用图形理论方法确定一些有利的收缩顺序。此外,作者利用这种算法解决了 #P-hard counting 布尔可满足性问题,并发现其表现优于现有算法。
May, 2018
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
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
通过引入 Tensor Ring 进行优化,提出了一种多层设计的 Tensor Ring 优化量子学习分类器(Quan-TR),取代了 Tensor Networks 的全连接层;通过在量子位测量上使用随机梯度下降算法,将 TR-QNet 参数进行优化。在 Iris、MNIST 和 CIFAR-10 等三个不同数据集上进行评估,证明了对于二分类问题实现了更高的精确度。通过对比 TN 模型的最新量子和经典实现进行基准研究,展示了所提出的 TR-QNet 的有效性。另外,TR-QNet 的可扩展性突出了其在大规模深度学习应用中的潜力。通过 Github 上的 PyTorch 实现可得到 TR-QNet。
Oct, 2023