- ICML一个以空间群对称性为基础的 O (3) 等变晶体张量预测网络
我们提出了一种通用材料张量网络 (GMTNet) 方法,针对结晶张量的特性进行预测,旨在满足 O (3) 群的张量等变性和晶体空间群的不变性。我们通过构建数据集和评估指标,验证了 GMTNet 方法在各种不同阶数的晶体张量上的良好性能,并成 - 用于量子自旋液体的近似对称神经网络
我们提出并分析了一种近似对称的神经网络家族,用于量子自旋液体问题。我们的方法在参数效率、可扩展性方面明显优于现有的无对称神经网络体系结构,并利用混合场拓扑码模型证明我们的方法与现有的张量网络和量子蒙特卡罗方法相竞争。此外,在最大的系统尺寸( - 基于量子态保真度的量子 - 经典协同训练架构
该研究致力于量子深度学习方面的研究,引入了一种协同的经典 - 量子架构 co-TenQu,通过压缩和特征提取的张量网络和有限量子比特的逻辑电路,实现对高维数据的编码,同时使用量子态保真度评估函数实现两侧之间的反馈循环训练网络。相比现有方法, - 通过大型语言模型 (LLMs) 探索更有效的张量网络结构搜索算法
通过利用大型语言模型(LLMs)中嵌入的知识,开发一种名为 GPTN-SS 的方法,它基于演化式的手工制作 LLM 提示系统,可以有效利用现有方法的见解,开发出在探索和开发之间取得更好平衡的新型 TN-SS 算法,并展示了其在高质量 TN - 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。
- SVDinsTN:一种结合有效结构搜索的张量网络表示综合方法
SVDinsTN 是一种高效的张量网络结构搜索方法,通过为每个边插入对角线因子,同时计算张量网络核和对角线因子,实现了对结构的高效评估,大幅提升了数据分析和机器学习的效率并保持了良好的代表性能。
- ICML交替局部枚举 (TnALE): 使用较少评估解决张量网络结构搜索
提出 TnALE 算法,通过局部枚举轮流更新每个结构相关变量,大大减少了目标函数的评估次数,理论上证明了 TnALE 和 TNLS 都可以达到线性收敛,比较了两算法的评估效率,结果表明 TnALE 可以比最先进算法更少地找到实用的 TN 排 - 基于量子神经网络和张量网络的横截面股票收益预测
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 - 机器学习中的张量网络
这篇论文介绍了张量网络及其在机器学习中的应用,张量网络通过分解大规模数据矩阵来实现数据的近似表达与计算的降维,是一种常用的数据处理技术。
- 通过矩阵乘积运算符对深度神经网络进行压缩
本研究提出了使用矩阵积算子 (MPO) 来代替线性变换表示深度神经网络的方法,该方法可以最大限度地减少可变参数数量而不影响其预测能力,并在多个典型的神经网络上证明了其有效性和高效性。
- 使用更少量的量子比特进行变分量子本征求解器
通过渐进增加量子比特的数目,同时采用张量网络表示方式和对实际系统对称性的保留,我们提出了一种方法来研究近期噪声中等规模量子计算机上的量子多体系统的基态性质,并在实用场景中展示了其可行性。
- MM学习基于图像的加权模型
本文中,我们考虑了学习 GWMs 的问题,在正负样本上使用基于梯度的方法,证明了对二维图像进行回归和分类是可能的,并且可以将其他图形系列和 GWM 计算的函数进行学习。
- 深度学习结构中的量子纠缠
本文研究表明现代深度学习架构 —— 深度卷积和递归网络能够有效地表示高度纠缠的量子系统,与基于张量网络的表示方法相比,这是因为网络操作中信息的固有重用是它们区别于标准张量网络表示的关键特征,并提高了它们的纠缠容量。
- 多体量子系统动力学的最优控制技术
该研究提出了一种有效的策略来控制量子多体一维非可积系统,可以与密度矩阵重整化群等张量网络模拟方法相结合,通过该策略可以把超流体气体转化为莫特绝缘体的时间缩短两个数量级,并减少缺陷。最后,研究表明最优脉冲对原子数的波动具有鲁棒性。
- 量子计算与张量网络的评估
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