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

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

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

我们提出一种基于费米模型的量子神经网络，其物理特性作为输出，并建立了与反向传播相媲美的高效优化，在具有挑战性的经典机器学习基准上具有竞争力的准确度，并且在量子系统上实现高精度且不需要预处理的机器学习，此外研究结果可用于量子纠缠分析和可解释的机器学习。

Nov, 2022

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

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

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