Немає перевірених версій цієї сторінки ймовірно її ще не перевіряли на відповідність правилам проекту Тензорні мережі аб

Немає цієї сторінки; ймовірно, її ще не перевіряли на відповідність правилам проекту.

Тензорні мережі або тензоромережеві стани — це клас варіаційних хвильових функцій, які використовуються у вивченні квантових систем багатьох тіл. Тензорні мережі узагальнюють на вищі розмірностей, зберігаючи при цьому деякі їхні корисні математичні властивості.

Графічне (діаграматичне) зображення тензорних мереж, що можуть згорнутися до одного тензору сьомого порядку (бачимо схожу структуру та 7 вільних індексів). Тут мається на увазі, що нижня мережа може бути отримана з першої шляхом тензорної згортки (або підсумовування) трьох (жовтих) тензорів порядку три в один (фіолетовий).

Хвильова функція кодується тензорною згорткою мережі окремих тензорів . Структура окремих тензорів може закладати глобальну симетрію до хвильової функції або обмежувати хвильову функцію конкретними квантовими числами, такими як загальний заряд, момент імпульсу чи спін . Використовуючи математичну структуру тензорної мережі, також можна вивести строгі обмеження для таких величин, як заплутаність і довжина кореляції . Це робить тензорні мережі корисними в теоретичних дослідженнях квантової інформації в ^[en]. Вони також виявилися корисними у варіаційних дослідженнях основних станів квантовомеханічних систем, збуджених станів і динаміки .

Позначення діаграмами

Загалом діаграму тензорної мережі (діаграму Пенроуза) можна розглядати як граф, де вершини представляють окремі тензори мережі, а ребра представляють підсумовування за індексом (або згортку мережі). Вільні індекси зображуються як ребра, приєднані лише до однієї вершини, так звані ніжки. Іноді форма вершини, що зображує тензор має додаткове значення. Наприклад, можна використовувати трапеції для унітарних матриць та тензорів з подібною поведінкою. Таким чином, перевернуті трапеції будуть інтерпретуватися як комплексно спряжені з ними.

Зв'язок з машинним навчанням

Тензорні мережі стали вживатися для керованого навчання , використовуючи подібність математичної структури у варіаційних дослідженнях квантової механіки та глибокому машинному навчанні . Це поєднання стимулювало співпрацю між дослідниками зі сфер штучного інтелекту та квантової інформатики . У червні 2019 року Google, і X (компанія) випустили TensorNetwork, бібліотеку з відкритим кодом для ефективних тензорних обчислень.

Основний інтерес до тензорних мереж та їх вивчення з точки зору машинного навчання полягає в зменшенні кількості параметрів для тренування в окремому шарі моделі, шляхом апроксимації тензора високого порядку мережею тензорів нижчих порядків. Використовуючи так звану техніку тензорного ланцюжка, можна звести тензор порядку N (що містить експоненційно велику кількість параметрів) до ланцюжка з N тензорів порядку 2 або 3, що дає нам поліноміальне число параметрів .

Дивіться також

Список літератури

Orús, Román (5 серпня 2019). Tensor networks for complex quantum systems. Nature Reviews Physics (англ.). 1 (9): 538—550. arXiv:1812.04011. Bibcode:2019NatRP...1..538O. doi:10.1038/s42254-019-0086-7. ISSN 2522-5820.
Orús, Román (1 жовтня 2014). A practical introduction to tensor networks: Matrix product states and projected entangled pair states. Annals of Physics (англ.). 349: 117—158. arXiv:1306.2164. Bibcode:2014AnPhy.349..117O. doi:10.1016/j.aop.2014.06.013. ISSN 0003-4916.
Biamonte, Jacob; Bergholm, Ville (31 липня 2017). Tensor Networks in a Nutshell. arXiv:1708.00006 [quant-ph].
Verstraete, F.; Wolf, M. M.; Perez-Garcia, D.; Cirac, J. I. (6 червня 2006). Criticality, the Area Law, and the Computational Power of Projected Entangled Pair States. Physical Review Letters. 96 (22): 220601. arXiv:quant-ph/0601075. Bibcode:2006PhRvL..96v0601V. doi:10.1103/PhysRevLett.96.220601. PMID 16803296. {{}}: |hdl-access= вимагає |hdl= ()
Montangero, Simone (28 листопада 2018). Introduction to tensor network methods : numerical simulations of low-dimensional many-body quantum systems. Cham, Switzerland. ISBN . OCLC 1076573498.
The Tensor Network. Tensor Network (англ.). Архів оригіналу за 28 червня 2022. Процитовано 30 липня 2022. [Архівовано 2022-06-28 у Wayback Machine.]
ComPhy: Computational Physics Library. gojakuch.github.io. Процитовано 5 серпня 2022.
Stoudenmire, E. Miles; Schwab, David J. (18 травня 2017). Supervised Learning with Quantum-Inspired Tensor Networks. Advances in Neural Information Processing Systems. 29: 4799. arXiv:1605.05775.
google/TensorNetwork, 30 січня 2021, процитовано 2 лютого 2021
Introducing TensorNetwork, an Open Source Library for Efficient Tensor Calculations. Google AI Blog (англ.). Процитовано 2 лютого 2021.
Oseledets, I. V. (1 січня 2011). Tensor-Train Decomposition. SIAM Journal on Scientific Computing. 33 (5): 2295—2317. doi:10.1137/090752286. ISSN 1064-8275.

[1] Orús, Román (5 серпня 2019). Tensor networks for complex quantum systems. Nature Reviews Physics (англ.). 1 (9): 538—550. arXiv:1812.04011. Bibcode:2019NatRP...1..538O. doi:10.1038/s42254-019-0086-7. ISSN 2522-5820.

[2] Orús, Román (1 жовтня 2014). A practical introduction to tensor networks: Matrix product states and projected entangled pair states. Annals of Physics (англ.). 349: 117—158. arXiv:1306.2164. Bibcode:2014AnPhy.349..117O. doi:10.1016/j.aop.2014.06.013. ISSN 0003-4916.

[3] Biamonte, Jacob; Bergholm, Ville (31 липня 2017). Tensor Networks in a Nutshell. arXiv:1708.00006 [quant-ph].

[4] Verstraete, F.; Wolf, M. M.; Perez-Garcia, D.; Cirac, J. I. (6 червня 2006). Criticality, the Area Law, and the Computational Power of Projected Entangled Pair States. Physical Review Letters. 96 (22): 220601. arXiv:quant-ph/0601075. Bibcode:2006PhRvL..96v0601V. doi:10.1103/PhysRevLett.96.220601. PMID 16803296. {{}}: |hdl-access= вимагає |hdl= ()

[5] Montangero, Simone (28 листопада 2018). Introduction to tensor network methods : numerical simulations of low-dimensional many-body quantum systems. Cham, Switzerland. ISBN . OCLC 1076573498.

[6] The Tensor Network. Tensor Network (англ.). Архів оригіналу за 28 червня 2022. Процитовано 30 липня 2022. [Архівовано 2022-06-28 у Wayback Machine.]

[7] ComPhy: Computational Physics Library. gojakuch.github.io. Процитовано 5 серпня 2022.

[8] Stoudenmire, E. Miles; Schwab, David J. (18 травня 2017). Supervised Learning with Quantum-Inspired Tensor Networks. Advances in Neural Information Processing Systems. 29: 4799. arXiv:1605.05775.

[9] google/TensorNetwork, 30 січня 2021, процитовано 2 лютого 2021

[10] Introducing TensorNetwork, an Open Source Library for Efficient Tensor Calculations. Google AI Blog (англ.). Процитовано 2 лютого 2021.

[11] Oseledets, I. V. (1 січня 2011). Tensor-Train Decomposition. SIAM Journal on Scientific Computing. 33 (5): 2295—2317. doi:10.1137/090752286. ISSN 1064-8275.