matrix product state
PulseAugur coverage of matrix product state — every cluster mentioning matrix product state across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
量子模型认证成本与测量相关性挂钩，而非参数数量
本文深入探讨了量子模型的计算认证成本，提出测量相关性而非参数数量是关键因素。研究概述了一个用于估算达到特定弗罗贝尼乌斯误差所需的电路执行次数的公式，该公式考虑了读出方差和梯度范数等变量。研究还分析了不同的量子电路族和硬件配置（如 IBM Marrakesh 和 IBM Kingston）如何影响此认证成本，并指出固定的设备连接性可能导致对大型机器上成本的过高估计。
-
GenQAS框架使用生成式回放来增强量子架构搜索
研究人员开发了GenQAS，一个新颖的强化学习框架，旨在提高量子架构搜索的效率。该框架利用生成式回放，即学习模型创建合成转换来补充真实数据，从而缓解大搜索空间中的样本饥渴问题。GenQAS在各种量子基准测试中，包括化学哈密顿量和伊辛模型，都显示出成功概率的显著提高，并在实验中实现了化学精度的所需步骤的显著减少。
-
参数化图论应用于张量网络进行模拟和学习
研究人员将参数化图论应用于张量网络，探讨图参数如何影响模拟和学习这些网络的复杂性。研究表明，割宽和树割宽可以限制将张量网络状态表示为矩阵乘积状态或树张量网络的开销。此外，还推导出了张量网络状态断层扫描的样本和计算复杂性的新图相关界限，将现有的学习算法扩展到更复杂的网络结构。
-
受量子物理学启发的新的张量网络学习方法
研究人员介绍了一种利用张量网络的新机器学习方法，该方法借鉴了量子多体物理模拟的灵感。所提出的基于矩阵乘积态（MPS）或张量链的架构通过梯度下降进行优化。该研究探讨了两种优化方法，包括密度矩阵重整化群（DMRG）的改编，以寻找局部最优张量，并比较了它们的有效性。
-
张量网络机器学习框架结合量子洞察力测绘野火风险
已开发出一种新的张量网络机器学习框架，用于测绘野火易感性，利用AlphaEarth嵌入和矩阵乘积态模型。该方法为复杂环境数据集中的野火风险分类提供了一种受量子启发的计算方法，既能提高预测准确性，又能提供对类别可分离性的可解释洞察。研究揭示了二元分类中的顿悟过渡，并量化了多类别场景中的类别间混淆，证明了张量网络编码可区分性层次结构的能力。
-
纠缠几何约束量子电路可扩展性和硬度
一篇新的arXiv论文探讨了纠缠几何与量子计算可扩展性之间的关系。研究表明，虽然某些量子电路族（如使用矩阵乘积态（MPS）和树张量网络（TTN）的电路）可以以较低的开销进行切割，但它们仍然可以被经典高效地模拟。这一发现表明，在这些特定的电路族中不太可能实现渐进式量子优势。该论文还强调，在MPS电路中实现硬度和可训练性需要冲突的深度范围，但提出使用魔态（magic states）而非纠缠作为硬度资源来克服这一限制。
-
量子电路纠缠几何影响切割、硬度和可训练性
一篇新论文探讨了量子电路的纠缠几何，以理解电路切割、经典硬度和可训练性之间的权衡。研究表明，虽然矩阵乘积态和树张量网络电路可以以较低的开销进行切割，但它们仍然可以被高效模拟，这限制了它们实现量子优势的潜力。该研究提出，使用魔态而非纠缠作为硬度资源，可以解决浅层电路、可切割性和可训练性之间的冲突，为实现实际量子优势提供了途径。
-
新的草图断层扫描方法增强了量子态估计
研究人员开发了一种名为草图断层扫描（Sketch Tomography）的新型量子态层析成像程序，它将经典阴影协议与矩阵乘积态（MPS）相结合。该方法通过执行可观测量估计来估计量子态密度矩阵的张量分量。该程序已被证明可以收敛，并且其样本复杂度与系统大小成二次方关系，与标准的经典阴影协议和最大似然估计相比，为中等大小的子系统提供了更准确的估计。
-
新算法为张量化神经网络提供高效有限初始化
研究人员开发了用于张量化神经网络和张量网络算法中层初始化的新算法。这些方法利用弗罗贝尼乌斯范数和正线性逐项和的局部计算来管理初始化过程中潜在的发散或零范数问题。该方法在应用于矩阵乘积态/张量链和矩阵乘积算子/张量链矩阵层时显示出有效性，并显示出相对于网络大小和维度的可扩展性。所有相关代码均已公开提供。