基于DMRG的量子张量网络学习
Quantum Tensor Network Learning with DMRG
- Deutsches Zentrum für Luft- und Raumfahrt e.V.（德国航空航天中心）
- Universität Ulm（乌尔姆大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
该研究针对量子张量网络学习，引入全局归一化条件使矩阵乘积态表示量子态，对比梯度下降与适配DMRG两种优化方法的有效性，为相关机器学习方法提供新探索。
AI中文摘要：
张量网络是一种相对较新的机器学习方法，其最初提出的架构灵感来源于量子多体物理模拟方法，一种常见布局是矩阵乘积态（MPS，又称张量列车），可通过梯度下降技术优化。我们引入全局归一化条件，使MPS表示量子态；研究两种寻找局部最优张量的优化方法并比较其有效性，一种基于梯度下降，另一种是DMRG的适配版本。
英文摘要：
Tensor Networks are a relatively new machine learning approach. The architectures proposed initially are inspired by approaches from quantum many-body physics simulations. One common layout is the matrix product state (MPS) also known as a tensor train optimized with gradient descent techniques. We introduce a global normalization condition, so that the MPS represents a quantum state. We investigate two optimization methods that find the locally optimal tensors and compare them regarding their effectiveness. One is based on gradient descent and the other on an adaptation of DMRG.
