tn4ml: Tensor Network Training and Customization for Machine Learning
Universitat Autònoma de Barcelona(巴塞罗那自治大学);Barcelona Supercomputing Center(巴塞罗那超级计算中心);Qilimanjaro Quantum Tech(奇利曼哈罗量子科技公司);European Organization for Nuclear Research (CERN)(欧洲核子研究组织(CERN))
本文提出 tn4ml 库,将张量网络嵌入机器学习优化流程,支持数据嵌入、目标定义与多种训练策略,并通过表格监督学习和图像无监督学习验证其灵活性及定制效果。
2025-02-18 cs.LG cs.MS quant-ph
Boltzmann machines as two-dimensional tensor networks
Institute of Theoretical Physics, Chinese Academy of Sciences(中国科学院理论物理研究所);University of Chinese Academy of Sciences(中国科学院大学);Hangzhou Institute for Advanced Study, UCAS(国科大杭州高等研究院);International Centre for Theoretical Physics Asia-Pacific(国际理论物理中心亚太地区分中心)
限制玻尔兹曼机(RBM)和深度玻尔兹曼机(DBM)是机器学习中的重要模型,最近在量子多体物理中发现了许多应用。我们证明了它们与张量网络之间存在着根本的联系。特别是,我们证明了任何RBM和DBM都可以精确地表示为二维张量网络。这种表示方法利用张量网络的纠缠结构来理解RBM和DBM的表达能力,并为计算RBM和DBM的配分函数提供了一种有效的张量网络收缩算法.通过数值实验,我们证明了该算法在估计受限玻尔兹曼机和深度玻尔兹曼机的配分函数方面比现有的机器学习方法准确得多,并且在训练深度玻尔兹曼机以完成一般机器学习任务方面具有潜在的应用价值.
2021-05-10 cond-mat.stat-mech cs.LG physics.comp-ph
TensorLy-Quantum: Quantum Machine Learning with Tensor Methods
仿真对于开发量子硬件和算法至关重要。然而,由于量子态空间的指数标度性,在经典硬件上模拟量子线路具有挑战性。虽然因子分解张量可以大大减少这种开销,但基于张量网络的模拟器相对较少,并且通常缺乏关键功能。为了解决这一缺陷,我们创建了TensorLy-Quantum,这是一个采用PyTorch API的用于量子线路模拟的Python库。我们的库利用现有TensorLy生态系统的优化张量方法来表示,模拟和操纵大规模量子线路。通过紧凑的张量表示和高效的运算,TensorLy-Quantum可以在单个GPU上扩展到数百个量子位,在多个GPU上扩展到数千个量子位。TensorLy-Quantum是开源的,可在https://github.com/tensorly/quantum上访问
2021-12-19 quant-ph
Quantum Machine Learning Algorithm for Knowledge Graphs
Ludwig Maximilian University of Munich(慕尼黑大学);Siemens CT(西门子中央研究院)
语义知识图是用于知识表示和推理的大规模三元数据库。隐含知识可以通过建模和重构从知识图生成的张量表示来推断。然而,随着知识图的规模不断增长,经典建模变得越来越计算资源密集。本文研究了如何利用量子资源来加速知识图的建模。特别是,我们提出了第一个量子机器学习算法,用于对张量化数据进行推理,例如,知识图谱由于大多数张量问题都是NP困难的,因此设计量子算法来支持这项任务是具有挑战性的。我们简化了问题,提出一个合理的假设,张量表示的知识图可以近似其低秩张量奇异值分解,这是由我们的实验验证。所提出的基于采样的量子算法实现了指数加速,其运行时间在知识图张量的维度上是多对数的。
2020-11-24 cs.LG quant-ph
Gaussian Universality and Its Breakdown in Tensor-Network Machine Learning
Nankai University(南开大学);Max Planck Institute of Quantum Optics(马克斯·普朗克量子光学研究所)
本文解析研究了张量网络机器学习中高斯普适性的出现与破缺条件,证明大键维下模型收敛于高斯过程,而大物理维下全局可观测量出现非高斯修正,揭示其受参数数、架构缩放、可观测量局域性和谱性质共同控制。
2026-10-06 cs.LG quant-ph
The Presence and Absence of Barren Plateaus in Tensor-network Based Machine Learning
张量网络是高维张量的有效表示,在量子多体物理中有着广泛的应用。最近,它们被应用到机器学习领域,引起了人们的广泛关注。在这里,我们通过探索不同损失函数的景观来研究基于张量网络的机器学习模型的可训练性,重点是矩阵乘积状态(也称为张量训练)架构。特别是,我们严格证明,贫瘠的高原(即,指数消失梯度)在具有全局损失函数的机器学习算法的训练过程中占主导地位。而对于局部损失函数,局部观测量附近变分参数的梯度并不随系统规模的增大而消失。因此,在这种情况下,贫瘠的高原是不存在的,相应的模型可以有效地训练。我们的研究结果以严格的方式揭示了基于张量网络的机器学习的一个重要方面,这为未来的实际应用和理论研究提供了有价值的指导。
2021-08-18 cond-mat.dis-nn quant-ph
Tensor networks for unsupervised machine learning
Beijing Normal University(北京师范大学);Institute of Theoretical Physics, Chinese Academy of Sciences(中国科学院理论物理研究所);University of Chinese Academy of Sciences(中国科学院大学);Swarma Research(集智研究院);Hangzhou Institute for Advanced Study, UCAS(中国科学院大学杭州高等研究院);International Centre for Theoretical Physics Asia-Pacific(亚太国际理论物理中心)
对高维数据的联合分布进行建模是无监督机器学习的核心任务。近年来,基于张量网络的学习模型受到了广泛的关注,它具有利用纠缠特性对表达能力有原理性理解的优点,并且可以作为连接经典计算和量子计算的桥梁。然而,尽管潜力巨大,但现有的无监督机器学习张量网络模型只能作为原理证明,因为它们的性能比标准模型(如受限玻尔兹曼机和神经网络)差得多。在这封信中,我们提出了自回归矩阵乘积状态(AMPS),这是一种张量网络模型,结合了量子多体物理学的矩阵乘积状态和机器学习的自回归建模。我们的模型享有的归一化概率和无偏抽样的精确计算。我们使用两个应用程序展示了我们的模型的性能,合成和真实世界数据的生成建模,以及统计物理学中的强化学习。使用广泛的数值实验,我们表明,该模型显着优于现有的张量网络模型和限制玻尔兹曼机,是最先进的神经网络模型的竞争力。
2023-02-01 cond-mat.stat-mech cs.LG quant-ph
Entangling Machine Learning with Quantum Tensor Networks
Sandbox AQ;New York University(纽约大学)
本文探讨在语言建模中使用张量网络高效表示高维量子态,通过抽象为 Motzkin 自旋链并采用键维度呈次线性扩展的分解核心 MPS,发现模型在训练样本减少时仍保持近乎完美的分类能力与稳定性能。
2024-01-09 cs.LG quant-ph
Quantum-inspired tensor networks in machine learning models
Vicomtech Foundation, Basque Research and Technology Alliance (BRTA)(维科姆科技基金会,巴斯克研究与技术联盟(BRTA));University of Deusto(德乌斯大学);Escuela Técnica Superior de Ingeniería de Sistemas Informáticos, Universidad Politécnica de Madrid(马德里理工大学信息系统工程学院);Department of Applied Physics, University of Geneva(日内瓦大学应用物理系)
本文探讨了张量网络在机器学习中的应用,分析了其作为替代学习架构和神经网络组件分解的潜力,以及在计算效率、可解释性和隐私方面的优势与挑战。
2026-04-15 cs.AI cs.LG quant-ph
Generative Tensor Network Classification Model for Supervised Machine Learning
University of Chinese Academy of Sciences(中国科学院大学);Tianjin Polytechnic University(天津工业大学);Capital Normal University(首都师范大学)
张量网络(TN)最近在量子多体希尔伯特空间中开发机器学习模型方面引起了广泛的兴趣。在这里,我们的目的是生成TN分类(GTNC)的监督学习的方法。该策略是训练生成TN的每一类样本构建分类器。分类是通过比较多体希尔伯特空间中的距离来实现的。GTNC的数值实验在MNIST和Fashion-MNIST数据集上显示了令人印象深刻的性能。测试精度与最先进的卷积神经网络相当,但高于朴素贝叶斯分类器(一种生成式分类器)和支持向量机。此外,GTNC是更有效的比现有的TN模型,在一般的歧视。通过研究多体希尔伯特空间中的距离,我们发现:(a)样本在这样的空间中是自然聚类的;(b)将TN的键维数限制为有限值对应于去除图像识别中的冗余信息。这两个特点使GTNC成为一种适应性强、通用性好的模型。
2019-03-26 cond-mat.str-el cs.LG quant-ph
From probabilistic graphical models to generalized tensor networks for supervised learning
Max-Planck-Institut für Quantenoptik(马克斯·普朗克量子光学研究所);Munich Center for Quantum Science and Technology (MCQST)(慕尼黑量子科学与技术中心(MCQST))
张量网络在物理学和计算机科学的各种应用中得到了广泛的应用,最近导致了机器学习中的理论见解和实用算法。在这项工作中,我们探索张量网络和概率图形模型之间的联系,并表明它激发了广义张量网络的定义,其中张量的信息可以在网络的其他部分复制和重用。我们讨论了量子物理中使用的广义张量网络架构(如弦键态)与机器学习中常用的架构之间的关系。我们提供了一个算法,训练这些网络在监督学习的背景下,并表明他们克服了常规张量网络在更高的维度的局限性,同时保持计算效率。还介绍了一种将神经网络和张量网络结合起来作为通用深度学习架构的一部分的方法。我们基准测试我们的算法的几个广义张量网络架构的分类图像和声音的任务,并表明它们优于以前介绍的张量网络算法。我们考虑的模型也可以在量子计算机上自然实现,并可能指导近期量子机器学习架构的开发。
2019-12-03 cond-mat.str-el cs.LG quant-ph
No-Free-Lunch Theories for Tensor-Network Machine Learning Models
Nankai University(南开大学);Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海期智研究院);Harvard University(哈佛大学);Hefei National Laboratory(合肥国家实验室)
本研究针对张量网络机器学习模型缺乏局限性理论认知的问题,通过组合方法分别证明了一维矩阵乘积态与二维投影纠缠对态模型的没有免费午餐定理,揭示了这类模型的内在局限。
2024-12-07 cs.AI cs.DS cs.LG
Expressive power of tensor-network factorizations for probabilistic modeling, with applications from hidden Markov models to quantum machine learning
Max-Planck-Institut für Quantenoptik(马克斯·普朗克量子光学研究所);Munich Center for Quantum Science and Technology (MCQST)(慕尼黑量子科学与技术中心(MCQST));Dahlem Center for Complex Quantum Systems, Freie Universität Berlin(柏林自由大学达勒姆复杂量子系统中心);Freie Universität Berlin(柏林自由大学)
张量网络技术在物理学中取得了巨大的成功,并且最近在机器学习中引起了人们的关注,既作为制定新的学习算法的工具,又作为增强对现有方法的数学理解的工具。受这些发展的启发,以及张量网络和概率图形模型之间的自然对应关系,我们对离散多元概率分布的各种张量网络因子分解的表达能力进行了严格的分析。这些因子分解包括非负张量序列/MPS,它们与隐马尔可夫模型相对应,以及Born机,它们与局域量子电路自然相关。当用于建模概率分布时,它们表现出易处理的似然性,并允许有效的学习算法。有趣的是,我们证明了存在概率分布,其中一些张量网络分解的资源需求之间存在无界分离。特别令人惊讶的是,使用复张量而不是实张量可以导致网络参数数量的任意大的减少。此外,我们引入了局部纯化态(LPS),这是一种受量子系统模拟技术启发的新因子分解,具有比所有其他表示更好的表达能力。通过数值实验探讨了这一结果的后果。我们的研究结果意味着,LPS应被视为超过隐马尔可夫模型,并进一步提供了指导方针的概率建模的局部量子电路的设计。
2019-11-29 cond-mat.str-el cs.LG math.OC
Programming multi-level quantum gates in disordered computing reservoirs via machine learning and TensorFlow
University Sapienza(萨皮恩扎大学);National Research Council (ISC-CNR)(国家研究委员会(复杂系统研究所));University of Twente(特文特大学);Heriot-Watt University(赫瑞-瓦特大学)
新型机器学习计算工具为量子信息系统开辟了新的前景。在这里,我们采用开源编程库TensorFlow来设计多级量子门,包括由随机酉矩阵表示的计算库。在光学中,储存器是无序介质或多模光纤。我们表明,可训练的运营商在输入和读出,使一个实现多级门。我们研究了各种量子门,包括算法的缩放特性与水库的大小。尽管最初的低斜率学习阶段,TensorFlow是一个非常通用的资源,用于设计具有复杂介质的门,包括使用具有量化调制水平的空间光调制器的不同模型。
2019-10-03 cs.LG physics.optics quant-ph
Machine Learning by Unitary Tensor Network of Hierarchical Tree Structure
量子多体物理学和机器学习中使用的方法之间的相似性引起了相当大的关注。特别是,张量网络(TN)和深度学习架构在TN可用于机器学习的程度上具有惊人的相似性。以前的结果使用一维TN图像识别,显示有限的可扩展性和灵活性。在这项工作中,我们训练二维层次TN解决图像识别问题,使用的训练算法来自多尺度纠缠重整化ANTRONIC。这种方法介绍了量子多体物理学、量子信息理论和机器学习之间的数学联系。在训练阶段保持TN幺正的同时,定义了TN态,将图像类编码为量子多体态。我们研究了TN态的量子特性,包括量子纠缠和量子保真度。我们发现这些量可能是表征图像类以及机器学习任务的属性。
2019-03-10 cond-mat.str-el physics.comp-ph quant-ph
Entanglement-guided architectures of machine learning by quantum tensor network
Sun Yat-sen University(中山大学);ICFO - Institut de Ciencies Fotoniques, The Barcelona Institute of Science and Technology(巴塞罗那科学技术研究院光子科学研究所(ICFO));ICREA(加泰罗尼亚研究与高级研究机构)
这是一个基本的,但仍然难以捉摸的问题,基于量子力学,特别是量子纠缠的方案,是否可以用于经典的信息处理和机器学习。即使是对这个问题的部分回答也会给机器学习和量子力学两个领域带来重要的见解。在这项工作中,我们实现了简单的数值实验,涉及到模式/图像分类,在其中,我们表示的多量子比特量子态写在矩阵乘积状态(MPS)的分类。将经典的机器学习算法应用于这些量子态来学习经典数据。我们明确地展示了量子纠缠(即,单点和二分纠缠)可以出现在这种表示的图像中。纠缠度在这里表征了数据的重要性,这些信息实际上被用来指导MPS的架构,提高效率。所需的量子位数可以减少到原始数量的1/10以下,这在最先进的量子计算机的访问范围内。我们期望这样的数值实验可以在表征经典机器学习算法方面开辟新的途径,同时为机器学习任务的通用量子模拟/计算提供帮助。
2018-06-26 cond-mat.str-el cs.LG quant-ph
Regularized second-order optimization of tensor-network Born machines
Bar-Ilan University(巴伊兰大学);Zapata AI.(Zapata AI公司)
本文针对张量网络玻恩机训练中对数损失函数导致的收敛慢和局部极小值问题,提出在归一化态流形上结合损失景观正则化的改进牛顿二阶优化方法,并在离散与连续数据集上验证了其稳定性、效率及可扩展性。
2025-05-06 cs.LG quant-ph
Tensor network based machine learning of non-Markovian quantum processes
我们展示了如何使用基于张量网络的机器学习算法来学习通用的非马尔可夫量子随机过程的结构。我们这样做的过程表示为一个矩阵乘积运算符(MPO)和训练它与数据库的本地输入状态在不同的时间和相应的时间非本地输出状态。特别地,我们分析了耦合到环境的量子比特,预测了系统在不同时间的输出状态,并重建了整个系统过程。我们展示了如何键尺寸的MPO,非Markovianity的措施,取决于系统的属性,环境和它们的相互作用。因此,这项研究开辟了一条可能的实验研究的过程张量及其性质。
2020-04-23 quant-ph
TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework
本文提出开源框架 TeD-Q,通过集成经典机器学习库、量子模拟器、自动微分与张量缩并,支持分布式混合量子机器学习及大规模量子电路模拟。
2024-12-08 physics.comp-ph quant-ph
Experimental realization of a quantum image classifier via tensor-network-based machine learning
量子机器学习渴望克服目前限制其适用于实际问题的棘手问题。然而,量子机器学习本身受到最先进实验中可实现的低有效维度的限制。在这里,我们展示了使用光子量子比特对现实生活中的图像进行非常成功的分类,结合了手写数字的量子张量网络表示和基于纠缠的优化。具体来说,我们专注于手写的0和1,其功能被铸造成张量网络表示,进一步减少优化的基础上纠缠熵和编码成两个量子比特的光子态的二进制分类。然后,我们展示了图像分类的成功率超过98%,通过连续的门操作和投影测量。虽然我们使用光子,但我们的方法适用于其他物理实现,例如氮空位中心,核自旋和捕获离子,并且我们的方案可以扩展到张量积表示中特征的有效多量子位编码,从而为量子增强的多类分类奠定基础。
2022-01-02 quant-ph
Residual Matrix Product State for Machine Learning
Zhejiang Normal University(浙江师范大学);Tianjin University(天津大学);Capital Normal University(首都师范大学)
针对张量网络在经典机器学习中精度不足的问题,提出融合MPS与残差神经网络思想的ResMPS,在效率、稳定性和表达能力上优于现有张量网络模型。
2021-12-03 cond-mat.str-el cs.CV cs.LG
Tetra-AML: Automatic Machine Learning via Tensor Networks
Terra Quantum AG(泰拉量子公司)
针对大型神经网络优化部署的资源问题,提出Tetra-AML工具箱,通过自定义张量列优化算法TetraOpt实现架构搜索与超参数优化,结合压缩技术,在CIFAR-10上性能优于贝叶斯优化,压缩ResNet-18内存减14.5倍且精度损失小,还支持硬件扩展。
2023-03-28 cs.LG quant-ph
Mutual Information Scaling for Tensor Network Machine Learning
张量网络已经成为机器学习的有前途的工具,其灵感来自于它们在量子多体物理学中作为变分ansatze的广泛使用。众所周知,一个给定的张量网络的成功部分取决于它能在多大程度上再现目标状态的底层纠缠结构,不同的网络设计有利于不同的缩放模式。我们在这里演示了相关的相关性分析如何应用于张量网络机器学习,并探索经典数据是否具有与量子态中相似的相关性缩放模式,这可能表明最好的网络用于给定的数据集。我们利用互信息作为经典数据中相关性的度量,并表明它可以作为概率张量网络分类器所需纠缠的下限。然后,我们开发了一个逻辑回归算法来估计数据特征的二分区之间的互信息,并验证其准确性的一组高斯分布,旨在模仿不同的相关模式。使用该算法,我们在MNIST和Tiny Images数据集的缩放模式的特点,并找到明确的证据边界律缩放在后者。这种受量子启发的经典分析提供了对最适合特定学习任务的张量网络设计的见解。
2022-02-28 quant-ph
Tensor Network States with Low-Rank Tensors
张量网络用于有效地近似强关联量子多体系统的状态。更一般地,张量网络近似可以允许降低在$N$中从指数到多项式的阶- $N$张量上操作的成本,并且这已经成为机器学习的流行方法。我们引入了对构成张量网络的张量施加低秩约束的想法。通过这种修改,可以在保持高精度的同时大大降低网络优化的时间和空间复杂度。我们详细介绍了树张量网络状态(TTNS)和投影纠缠对状态的想法。用低秩TTNS对Cayley树上的自旋模型进行了模拟,研究了秩约束对表达能力的影响。我们发现,选择张量秩$r$的键尺寸$m$的顺序,是足以获得高精度的基态近似,并大大优于标准的TTNS计算。因此,低秩张量网络是在大数据集上模拟量子物质和机器学习的一条有前途的途径。
2022-05-30 cond-mat.str-el quant-ph
Quantum Phase Recognition using Quantum Tensor Networks
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
机器学习(ML)最近在解决与多体物理系统相关的问题方面取得了许多进展。考虑到这些问题的内在量子性质,人们很自然地推测,量子增强的机器学习将使我们能够揭示比目前更大的细节。基于这种动机,本文研究了一种基于浅层变分分析的量子机器学习方法,该方法受到张量网络的启发,用于监督学习任务。特别是,我们首先使用Fashion-MNIST数据集来研究标准图像分类任务,并研究重复张量网络层对animation的可表达性和性能的影响。最后,我们使用这种策略来解决问题的横向场伊辛和海森堡自旋模型在一个和两个维度,在那里我们能够达到$\geq 98\%$测试集的精度与多尺度纠缠重整化ANTROMA(MERA)和树张量网络(TTN)启发参数化量子线路的量子相位识别。
2022-12-12 cs.LG quant-ph
Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits
Georgia Institute of Technology(佐治亚理工学院);NVIDIA Research(NVIDIA研究);IBM Research(IBM研究);Hon Hai (Foxconn) Quantum Computing Research Center(鸿海(富士康)量子计算研究中心)
预训练张量团网络通过降低量子机器学习中的数据编码复杂度,提升变分量子电路分类任务的效率与性能。
2026-02-10 cs.LG quant-ph
Decohering Tensor Network Quantum Machine Learning Models
张量网络量子机器学习(QML)模型是近期量子硬件上有前途的应用。虽然量子比特的退相干预计会降低QML模型的性能,但目前还不清楚在多大程度上可以通过向模型中添加附属物并相应地增加模型的虚拟键尺寸来补偿降低的性能。本文研究了去相干和添加辅助因子对两种模型分类性能的影响,并从回归的角度分析了去相干效应。我们提出的数值证据表明,完全decoencountered酉树张量网络(TTN)与两个附属物执行至少以及非decoencountered酉TTN,这表明它是有益的,添加至少两个附属物的酉TTN,无论退相干量可能因此引入。
2023-01-27 quant-ph
Integrating Julia-ITensors into the Tensor Network Quantum Virtual Machine (TNQVM)
Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出JuliaITensorTNQVM,通过C兼容的ABIF接口连接TNQVM的C++基础设施与Julia-ITensors运行时,实现现代张量网络能力的接入,通过Page曲线验证和QAOA MaxCut模拟验证其有效性。
2026-03-27 quant-ph
Dequantizing quantum machine learning models using tensor networks
本研究通过张量网络形式体系将变分量子机器学习模型识别为矩阵乘积态模型的子类,确定了其函数类的去量子化条件,并引入了与量子核同等表达能力的经典核,从而在单一框架内统一了经典与量子机器学习模型。
2023-12-21 quant-ph
Sequential learning on a Tensor Network Born machine with Trainable Token Embedding
Department of Physics, University of California, San Diego, CA 92093, USA(加州大学圣地亚哥分校物理系);School of Physics, Zhejiang University, Hangzhou 310027, China(浙江大学物理学院);Department of Physics, Georgia Institute of Technology, Atlanta, GA 30332, USA(佐治亚理工学院物理系)
本文提出基于可训练POVM嵌入的Born机器,通过改进张量网络结构,提升量子启发序列建模中复杂数据相关性的建模能力。
2025-12-28 cs.LG quant-ph
Tensor Networks for Explainable Machine Learning in Cybersecurity
Multiverse Computing;Department of Basic Sciences, Tecnun - University of Navarra(基础科学系,塔努大学);Donostia International Physics Center(Donostia国际物理中心);Ikerbasque Foundation for Science(Ikerbasque科学基金会)
本文提出基于矩阵乘积态的无监督聚类算法,在对抗性威胁情报中实现与深度学习相当的性能,并提供特征级概率、熵和互信息,增强模型可解释性。
2025-04-25 cs.AI cs.LG quant-ph
Quantum Compressed Sensing with Unsupervised Tensor-Network Machine Learning
Capital Normal University(首都师范大学);University of Chinese Academy of Sciences(中国科学院大学);Max-Planck-Institute for Mathematics in the Sciences(马克斯·普朗克数学科学研究所);Kavli Institute for Theoretical Sciences(卡弗里理论科学研究所);CAS Center for Excellence in Topological Quantum Computation(中国科学院拓扑量子计算卓越创新中心);ICFO-Institut de Ciencies Fotoniques(光子科学研究所);The Barcelona Institute of Science and Technology(巴塞罗那科学技术研究所);ICREA(加泰罗尼亚高等研究院)
结合压缩感知、张量网络和机器学习的思想,提出了张量网络压缩感知(Tensor-Network Compressed Sensing,TNCS)。该策略是使用无监督的TN机器学习算法来获得纠缠态$|Ψ\rangle$,该纠缠态描述了被认为要通信的大量经典信息的概率分布。为了用$|Ψ\rangle$传输特定的信息,我们的建议是将这样的信息编码在可分离状态中,该可分离状态与测量状态$|Φ\rangle$的距离最小,该测量状态是通过以设计的方式对$|Ψ\rangle$进行部分测量而获得的。为此,建议了一种类似于具有神经网络机器学习的压缩传感的测量协议,其中测量被设计成使来自由$|Φ\rangle$给出的概率分布的信息的不确定性最小化。这样,具有$|Φ\rangle$的人可以通过简单地测量$|Φ\rangle$来可靠地访问信息。我们提出q-稀疏性来描述量子态的稀疏性和TNCS量子通信的效率。高的q-稀疏性本质上是由于TN态很好地描述了概率分布并服从纠缠熵的面积定律。在真实数据集(手写数字和时尚图像)上进行的测试表明,TNCS具有高效率和准确性,其中通信的安全性由基本量子原理保证。
2019-10-13 cond-mat.str-el cs.LG quant-ph
Tensor Network Quantum Virtual Machine for Simulating Quantum Circuits at Exascale
量子线路的数值模拟是在近期量子协处理器上开发、验证和验证量子-经典混合算法的不可或缺的工具。亿级高性能计算(HPC)平台的出现为推动量子线路模拟的边界提供了新的机会。我们提出了一个现代化版本的张量网络量子虚拟机(TNQVM),它作为一个量子线路模拟后端的极限规模ACCURATOR(XACC)框架。新版本基于通用的可扩展张量网络处理库ExaTN,并提供多个可配置的量子线路模拟器,通过全张量网络收缩实现精确的量子线路模拟,或通过适当的张量因子分解实现近似的量子态表示。在必要时,随机噪声建模从真正的量子处理器被纳入模拟与Kraus张量的量子信道建模。通过结合可移植的XACC量子编程前端和可扩展的ExaTN数值后端,我们引入了一个端到端的虚拟量子开发环境,可以从笔记本电脑扩展到未来的exascale平台。我们报告我们的框架,其中包括演示的分布式执行,纳入量子退相干模型,和模拟的随机量子线路用于认证的量子霸权的谷歌梧桐超导架构的初始基准。
2021-04-21 quant-ph
Tensor-network method to simulate strongly interacting quantum thermal machines
我们提出了一种方法来模拟量子热力学的热机,这是建立在一个相互作用的工作介质与费米水库在固定的温度和化学势。我们的方法在有限的温度下工作,超越线性响应和弱系统-储层耦合,并允许在工作介质中的非二次相互作用。该方法使用介观水库,连续阻尼朝向热平衡,为了代表连续浴和一种新的张量网络算法来模拟稳态热力学。使用量子点热机的例子,我们证明了我们的技术复制了著名的Landauer-Büttiker理论的效率和功率。然后,我们超越二次限制,以证明我们的方法的能力,通过模拟一个三个网站的机器与非二次的相互作用。值得注意的是,我们发现这种相互作用导致功率增强,而不会对效率造成损害。此外,我们证明了我们的方法来处理复杂的多体系统提取的超扩散指数的高温运输各向同性海森堡模型的能力。最后,我们讨论了在有限温度下各向异性海森堡模型的无隙相的传输及其与电荷共轭宇称的联系,超越了单点边界驱动配置的预测。
2020-08-19 cond-mat.str-el quant-ph
Validating Large-Scale Quantum Machine Learning: Efficient Simulation of Quantum Support Vector Machines Using Tensor Networks
本文提出基于张量网络的QSVM高效模拟方法,结合单GPU与MPI多GPU扩展,在784量子比特及MNIST类数据集上验证了大规模量子机器学习的可行性和可扩展性。
2025-01-06 cs.DC cs.SE quant-ph
Tensor networks for interpretable and efficient quantum-inspired machine learning
Capital Normal University(首都师范大学);University of Chinese Academy of Sciences(中国科学院大学)
本文回顾了基于张量网络的机器学习进展,指出其结合量子信息理论与多体物理计算技术,能同时实现高可解释性与高效率,并有望推动未来量子人工智能的发展。
2023-11-19 cs.AI cs.LG quant-ph
Mixed Precision Fermi-Operator Expansion on Tensor Cores From a Machine Learning Perspective
我们提出了一个二阶递归费米算符展开方案,使用混合精度浮点运算来执行电子结构计算,使用张量核单元。在Nvidia的A100张量核心单元上,半精度浮点运算的性能超过100 teraFLOPs。二阶递归费米算子方案是根据广义的、可微的深度神经网络结构来制定的,它解决了量子力学电子结构问题。我们演示了如何通过优化权重和偏置值来加速该网络,以大幅减少收敛所需的层数。我们还展示了如何使用这种机器学习方法来优化递归费米算子展开的系数,以准确地表示有限温度下电子态的分数占用数。
2021-01-16 cond-mat.mtrl-sci physics.comp-ph quant-ph
The Variational Power of Quantum Circuit Tensor Networks
在物理多体基态表象下,刻画了量子线路张量网络的变分幂。这种张量网络是通过用局域量子线路代替标准张量网络中的稠密块幺正和等距而形成的。我们研究了量子线路矩阵乘积态和量子线路多尺度纠缠重正化方法,并引入了一种自适应方法来优化所得到的线路,使其具有多个$10^4$参数,达到高保真度.我们对标准张量网络,以及其他常见的电路架构,为1D/2D海森堡和1D费米-哈伯德模型的表现力进行基准测试。我们发现,对于这些问题,量子线路张量网络比其他量子线路更有表现力,它们甚至可以比标准张量网络更紧凑。外推到电路的深度,它不能再被经典地模拟,这表明了一个区域的优势,在量子表现力的表示物理基态。
2021-11-05 cond-mat.str-el quant-ph
Equivalence of restricted Boltzmann machines and tensor network states
受限玻尔兹曼机(RBM)是深度学习的基本构建块之一。RBM通过对自然图像、语音信号和客户评分等各种输入数据的概率分布进行建模,在降维、特征提取和推荐系统中得到了广泛的应用。我们在RBM和量子多体物理研究中广泛使用的张量网络态(TNS)之间建立了一座桥梁。我们设计了有效的算法来翻译成常用的TNS的RBM。相反,我们给出了充分和必要的条件,以确定是否TNS可以转化为给定架构的RBM。揭示这些普遍和建设性的联系可以使深度学习和量子多体物理学相互促进。值得注意的是,通过利用TNS的纠缠熵界,我们可以严格量化RBM在复杂数据集上的表达能力。深入了解TNS及其纠缠能力可以指导更强大的深度学习架构的设计。另一方面,与TNS相比,RBM可以用更少的参数表示量子多体态,这可以允许更有效的经典模拟。
2018-02-05 cond-mat.str-el quant-ph stat.ML
A practical overview of image classification with variational tensor-network quantum circuits
量子机器学习的电路设计仍然是一个巨大的挑战。受张量网络在不同领域的应用及其在经典机器学习环境中的新颖存在的启发,设计变分电路的一种方法是将电路架构基于张量网络。在这里,我们全面描述张量网络量子线路以及如何在模拟中实现它们。这包括利用电路切割,这是一种用于评估具有比当前量子设备更多量子位的电路的技术。然后,我们通过使用PennyLane(一个用于量子计算机差分编程的开源Python库)模拟各种张量网络量子线路来说明计算要求和可能的应用。最后,我们演示了如何将这些电路应用于日益复杂的图像处理任务,完成了对设计可应用于工业相关机器学习任务的电路的灵活方法的概述。
2022-09-22 quant-ph
Tree Tensor Networks for Generative Modeling
Institute of Physics, Chinese Academy of Sciences(中国科学院物理研究所);University of Chinese Academy of Sciences(中国科学院大学);Institute of Theoretical Physics, Chinese Academy of Sciences(中国科学院理论物理研究所)
矩阵乘积态(MPS),一个为一维量子系统设计的张量网络,最近被提出用于自然数据(如图像)的生成建模。然而,MPS中相关性的指数衰减严重限制了其对自然图像等复杂数据的建模能力。在这项工作中,我们通过采用树张量网络(TTN)推进张量网络在机器学习中的应用,该网络在表达性和高效训练和采样方面表现出平衡的性能。我们设计了树张量网络,利用自然图像的二维先验知识,并开发了扫描学习和采样算法,这些算法可以利用图形处理单元(GPU)有效地实现。我们将我们的模型应用于随机二进制模式和手写数字的二进制MNIST数据集。我们表明,TTN是优于MPS的生成式建模在保持相关性的像素在自然图像中,以及提供更好的对数似然分数在标准数据集的手写数字。我们还将其性能与最先进的生成模型进行了比较,例如变分自动编码器,限制玻尔兹曼机和PixelCNN。最后,我们讨论了张量网络状态在机器学习问题中的未来发展。
2019-01-08 cond-mat.stat-mech cs.LG quant-ph
Grokking as an entanglement transition in tensor network machine learning
本文在张量网络机器学习框架中将 grokking 解释为量子多体系统的纠缠动力学相变,并用 MPS 在 fashion MNIST 与肝癌基因数据上验证及识别基因子群落。
2025-03-13 quant-ph
Privacy-preserving machine learning with tensor networks
University of Geneva(日内瓦大学);Constructor Institute(康斯特拉克特研究所);Instituto de Ciencias Matemáticas(数学科学研究所);Universidad Complutense de Madrid(马德里康普顿斯大学);Universidad Politécnica de Madrid(马德里理工大学)
本文揭示了前馈神经网络的隐私漏洞,证明张量网络架构满足隐私保护条件,并提出矩阵乘积态新规范形式,在医疗记录数据集上大幅降低信息泄露概率。
2024-07-23 cond-mat.stat-mech cs.AI cs.CR
Investigating Quantum Many-Body Systems with Tensor Networks, Machine Learning and Quantum Computers
我们在经典和量子计算机上进行量子模拟,并建立了一个机器学习框架,在这个框架中,我们可以以无监督的方式绘制出已知和未知量子多体系统的相图。经典的模拟与国家的最先进的张量网络方法在一个和两个空间维度。对于一维系统,我们利用矩阵乘积态(MPS),具有许多实际的优点,可以使用有效的密度矩阵重整化群(DMRG)算法进行优化。二维系统的数据是由通过虚时间演化优化的纠缠投影对态(PEPS)得到的。然后,以可观测量、纠缠谱或来自这些模拟的部分状态向量形式的数据被馈送到深度学习(DL)管道中,在那里我们执行异常检测以绘制出相图。我们将这一概念扩展到量子计算机并引入量子变分异常检测。在这里,我们首先模拟基态,然后以量子机器学习(QML)的方式处理它。模拟和QML例程都在同一设备上执行,我们在经典模拟和IBM托管的物理量子计算机上演示了这一点。
2022-10-20 quant-ph
TensorFlow Quantum: A Software Framework for Quantum Machine Learning
Google Quantum AI(谷歌量子人工智能);University of Waterloo(滑铁卢大学);Google(谷歌);Caltech(加州理工学院)
我们介绍TensorFlow Quantum(TFQ),这是一个开源库,用于经典或量子数据的混合量子-经典模型的快速原型制作。该框架为TensorFlow下的判别和生成量子模型的设计和训练提供了高级抽象,并支持高性能量子线路模拟器。我们提供了一个概述的软件架构和构建模块,通过几个例子,并回顾混合量子经典神经网络的理论。我们说明TFQ功能通过几个基本的应用程序,包括监督学习的量子分类,量子控制,模拟嘈杂的量子线路,量子近似优化。此外,我们展示了如何应用TFQ来解决高级量子学习任务,包括元学习,分层学习,哈密顿学习,采样热态,变分量子本征求解器,量子相变分类,生成对抗网络和强化学习。我们希望这个框架为量子计算和机器学习研究社区提供必要的工具,以探索自然和人工量子系统的模型,并最终发现可能产生量子优势的新量子算法。
2021-08-26 cond-mat.dis-nn cs.LG cs.PL
Neural network representation of tensor network and chiral states
我们研究了量子多体系统中玻尔兹曼机(一种神经网络)的表征能力。我们证明了任何(局部)张量网络状态都有一个(局部)神经网络表示。在神经网络表示中的参数数量与张量网络表示中的非零参数数量几乎是线性的这个意义上,该构造几乎是最优的。尽管用局域张量网络表示(带隙)手征拓扑态很困难,我们还是构造了一个手征$p$波超导体的准局域神经网络表示。这些结果证明了玻尔兹曼机的威力。
2021-10-03 cond-mat.dis-nn quant-ph
Modified Tucker Decomposition for Tensor Network and Fast Linearized Tensor Renormalization Group Algorithm for Two-Dimensional Quantum Spin Lattice Systems
本文提出了一种新的张量网络Tucker分解算法,该算法可以高效精确地计算二维量子自旋晶格系统的基态和热力学性质,并被称为快速线性化张量重整化群(fLTRG).通过对蜂窝晶格上自旋为1/2的各向异性海森堡反铁磁体的研究,验证了该方法的有效性和精确性,其结果与量子MonteCarlo计算结果相当一致.将其成功地应用于准二维自旋1/2阻挫双层蜂窝海森堡模型,发现了从有序反铁磁态到无隙量子自旋液体相的量子相变,并探讨了该阻挫自旋系统的热力学行为.本fLTRG算法可以很容易地扩展到其他量子晶格系统。
2011-12-12 cond-mat.stat-mech cond-mat.str-el physics.comp-ph
Tensor Networks for Simulating Quantum Circuits on FPGAs
当今量子计算的大多数研究都是针对量子计算机的模拟而不是真正的量子计算机进行的。模拟量子计算机需要将对应于量子门的所有么正算符实现为张量。对于大量的量子位,为这些模拟执行张量乘法变得相当昂贵,因为$N$量子位门对应于$2^{N}$维张量。加速这种模拟的一种方式是使用现场可编程门阵列(FPGA)硬件来有效地计算矩阵乘法。虽然FPGA可以有效地执行张量乘法,但它们是存储器受限的,具有相对较小的块随机存取存储器。潜在地减少量子计算系统的存储器占用的一种方式是将其表示为张量网络;张量网络是用于表示张量的组成的形式体系,其中经济的张量收缩很容易识别。因此,我们探索张量网络作为一种手段,以减少量子计算系统的内存占用和广泛加速模拟这样的系统。
2021-08-15 cs.ET quant-ph
Approximate simulation of complex quantum circuits using sparse tensors
DEVCOM Army Research Laboratory(美国陆军研发司令部陆军研究实验室)
本文提出利用稀疏张量高效近似模拟复杂量子电路,通过高效算法提升量子模拟效率。
2026-02-03 quant-ph
Quantum weight enumerators and tensor networks
我们研究了使用权重枚举器来分析张量网络结构,特别是最近引入的量子乐高框架。我们将量子权计数器的概念推广到所谓的张量计数器,并证明了张量网络上的迹运算与张量计数器上的迹运算是相容的。这使我们能够更有效地计算更大代码的量子权重枚举数,例如通过张量网络方法构建的代码。我们还提供了一个通用的框架,量子MacWilliams身份,包括张量枚举作为一个特殊情况。
2023-03-30 math-ph math.MP quant-ph
Tree tensor network classifiers for machine learning: from quantum-inspired to quantum-assisted
我们描述了一种量子辅助机器学习(QAML)方法,其中多变量数据被编码为Hilbert空间中的量子态,该空间的维度在数据向量的长度上是指数级的。通过应用具有树张量网络(TTN)拓扑的低深度量子线路来进行该空间中的学习,该拓扑充当无监督特征提取器,以数据驱动的方式识别最相关的量子态。这个无监督的特征提取器然后馈送有监督的线性分类器并将输出编码在小维度量子寄存器中。与以前的工作相比,\emph{quantum-inspired} TTN分类器,其中嵌入映射和类决策权重没有将数据映射到定义良好的量子态,我们提出了一种方法,可以实现基于门的量子计算设备。特别地,我们识别具有类似于指数机器(Novikov \emph{et al.},arXiv:1605.03795)的精度的嵌入映射,但是其从经典数据向量产生有效的量子态,并且利用基于流形的梯度优化方案来产生将量子态映射到定义类别判定的量子位寄存器的等距运算。我们详细的方法,有效地获得一个和两个点的关联函数的量子模型的决策边界向量,这可以用于模型的可解释性,以及从部分数据向量获得分类的方法。此外,我们表明,等距张量的使用可以显着帮助人类的可解释性的关联函数提取的决策权重,并可能产生的模型,是不太容易受到对抗性扰动。我们证明了我们的方法在应用程序中利用MNIST手写数字数据集和人类活动识别的多变量时间序列数据集。
2021-04-06 quant-ph
Universal Quantum Gates For Tensors
针对向量空间的张量引入了一种通用的量子门。通过使用这样的门的整数幂和通过使用经典的可逆门,可以将酉群的任何元素近似到所需的任何精度。证明使用了克罗内克理论的一个版本和张量的布洛赫球结构。
2017-02-25 quant-ph
Efficient quantum tensor product expanders and unitary t-designs via the zigzag product
经典的t-张量积扩张器是一种自然的方式形式化的相关行走的t粒子在一个规则的扩张图。量子t-张量积展开子是一个完全正的保迹映射,它是经典t-张量积展开子的直接模拟。对这些映射的兴趣来自于这样一个事实,即迭代量子t-张量积展开器给我们一个酉t-设计,它在量子计算和信息中有许多应用。我们证明了一个中度的高维量子展开子(即t = 1)与一个低度的中维量子t-张量积展开子的Z字形积给出了一个低度的高维量子t-张量积展开子.在此之前,这样的结果只在量子膨胀子(即t = 1)中才被发现。利用Z字形积给出了D维量子t-张量积展开式的有效构造,其中t = polylog(D).然后,我们将展示如何取代锯齿产品的广义锯齿产品导致几乎Ramanujan量子张量积扩展,即具有接近最佳的几乎二次权衡之间的程度和第二大奇异值。这两个产品之间的程度和第二大奇异值比以前已知的有效的建设更好的权衡。
2018-09-06 quant-ph
Quantum Annealing Algorithms for Boolean Tensor Networks
由D-Wave Systems,Inc.制造的量子退火机,是能够找到NP难题的高质量解决方案的计算设备。在这篇文章中,我们探讨了这种量子退火计算布尔张量网络的潜力和有效性。张量提供了一种自然的方式来对许多科学领域中常见的高维数据进行建模,并且将二进制张量表示为布尔张量网络是表达包含分类(即,{0,1})值作为低维二进制张量的乘积。布尔张量网络是通过布尔张量分解计算的,它通常是不精确的。这种分解的目的是最小化高维输入张量与低维(通常是三维)张量和表示张量网络的矩阵的乘积之间的给定距离度量。本文介绍并分析了布尔张量网络的三种常用算法:Tucker网络、Tensor训练网络和Hierarchical Tucker网络。一个布尔张量网络的计算减少到一个序列的布尔矩阵分解,我们可以表示为一个二次无约束的二元优化问题,适合于解决量子退火。通过使用一种新的方法,我们介绍称为\textit{parallel quantum annealing},我们证明了张量高达数百万元可以有效地分解使用DWave 2000 Q量子退火。
2022-03-28 cs.ET quant-ph