张量环优化的量子增强张量神经网络

Oct, 2023

张量环优化的量子增强张量神经网络

Tensor Ring Optimized Quantum-Enhanced Tensor Neural Networks

Debanjan Konar, Dheeraj Peddireddy, Vaneet Aggarwal, Bijaya K. Panigrahi

TL;DR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。

Abstract

quantum machine learning researchers often rely on incorporating Tensor Networks (TN) into Deep Neural Networks (DNN) and variational optimization. However, the standard optimization techniques used for training

quantum machine learning tensor networks variational optimization tensor ring tr-qnet

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

通过分层树结构的酉张量网络进行机器学习

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

通过预训练张量列车网络，促进带变分量子电路的机器学习

本文提出了一种名为 Pre+TTN-VQC 的学习方法，将一个预训练的张量列网络（TTN）集成到 TTN-VQC 架构中，以缓解 Barren Plateau 问题并提高量子神经网络的表示和概括能力，实验验证了该方法在手写数字分类中的有效性。

May, 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

宽压缩：张量环网络

本文介绍了一种基于 Tensor Ring Networks（TR-Nets）的神经网络压缩方法，通过在深度学习模型的全连接层和卷积层中应用该方法，能够显著地减少网络的计算和存储需求，且在保证模型准确率的前提下，能将模型的体积压缩数百倍，极大提升模型在资源受限设备上的可用性。

Feb, 2018

利用环结构网络学习高效张量表示

提出一种称为张量环表示的新型张量分解的网络结构，该结构采用低阶核张量的循环多线性乘积，通过低秩近似的方法来有效地学习张量环表示，可以在计算上更有效地执行基本操作，并且通过与现有的张量列网络相比实验结果表明，该模型更具表达能力和一致性信息。

May, 2017

基于变分量子电路的函数回归理论误差性能分析

本文提出了一种端到端的量子神经网络 TTN-VQC，结合了张量列车网络和变分量子电路，进行降维和多功能回归，对其表示和概括能力进行了误差性能分析，证实了在手写数字分类数据集上进行功能回归的实验结果。

Jun, 2022

应用量子张量网络进行蛋白质分类

蛋白质序列可以被看作自然语言处理中的句子，并且可以使用现有的量子自然语言处理框架解析为合理量子比特的参数化量子电路，这些电路可以被训练用于解决各种与蛋白质相关的机器学习问题。论文提出了适应蛋白质数据需求的详细方法，通过全面的实验结果支持，展示了两种不同的量子张量网络（QTN），并使用经典循环神经网络（RNN）和卷积神经网络（CNN）的灵感来解决所提到的二元分类任务。我们的最佳量子模型的准确率达到 94%，与使用 ESM2 蛋白质语言模型嵌入的经典模型性能相媲美，而我们最好的量子模型仅需要约 800 个参数。研究表明，这些混合模型表现出有希望的性能，展示了它们与类似复杂度的经典模型竞争的潜力。

Mar, 2024

量子一致神经 / 张量网络在强 / 弱纠缠态光子电路中的应用

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

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