量子启发式的张量网络技术在工业环境中的应用
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
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
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
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
我们引入了一种能够学习含有连续随机变量的分布的新型张量网络生成模型,首先在矩阵乘积态的背景下推导出通用表达能力定理,证明了该模型家族能够以任意精度逼近任何充分平滑的概率密度函数;然后在几个合成和真实世界数据集上对该模型的性能进行基准测试,发现该模型在连续和离散变量的分布上学习和泛化良好;我们还开发了建模不同数据领域的方法,并引入了一个可训练的压缩层,发现在有限的内存或计算资源下,该层能够提高模型的性能。总体而言,我们的方法为量子启发式方法在生成学习这个快速发展领域的有效性提供了重要的理论和实证证据。
Oct, 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