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，并编译了现有文献并分析了可能受到这些方法影响的使用案例。此外，我们探讨了这些技术的局限性以确定其潜在的可扩展性。

Mar, 2024

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

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

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

本文研究了使用量子和量子启发式机器学习算法对股票回报进行预测的应用，比较了量子神经网络和张量网络等算法与传统的线性回归和神经网络模型的表现，并基于它们的预测构建投资组合和测量了其表现。经实证研究，日本股票市场的张量网络模型在表现上优于传统的基准模型，包括线性回归和神经网络模型。尽管量子神经网络模型整个时间段内的降低风险调整超额回报高于传统的神经网络模型，但量子神经网络和张量网络模型在最新的市场环境下表现更优，这表明了模型捕捉输入特征之间非线性关系的能力。

Apr, 2023

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

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