Papier: Quantum Tensor Network Learning with DMRG
Gustav J. L. Jäger · Martin B. Plenio · Hans-Martin Rieser
ESANN- 2025
Tensor-Netzwerke sind ein relativ neuer Ansatz für maschinelles Lernen. Die ursprünglich vorgeschlagenen Architekturen sind von Ansätzen aus der Quantenvielteilchenphysik inspiriert. Ein gemeinsames Layout ist der Matrix-Produkt-Zustand (MPS), auch bekannt als Tensor-Zug, der mit Techniken des Gradientenabstiegs optimiert wird. Wir führen eine globale Normalisierungsbedingung ein, so dass der MPS einen Quantenzustand darstellt. Wir untersuchen zwei Optimierungsmethoden, die die lokal optimalen Tensoren finden, und vergleichen sie hinsichtlich ihrer Effektivität. Die eine basiert auf dem Gradientenabstieg, die andere auf einer Anpassung von DMRG.
ESANN (2025)
https://www.esann.org/sites/default/files/proceedings/2025/ES2025-157.pdf
