本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

量子系統(tǒng)復(fù)雜，暴力計(jì)算無(wú)效，原有張量網(wǎng)絡(luò)（Tensor Network）難以廣泛規(guī)模使用，讓開(kāi)發(fā)高溫超導(dǎo)體等復(fù)雜問(wèn)題受限于此。

現(xiàn)在，谷歌出手了。

聯(lián)合Perimeter理論物理研究所和谷歌 X，開(kāi)發(fā)全新物理和機(jī)器學(xué)習(xí)庫(kù)TensorNetwork，用于提高張量計(jì)算的效率，現(xiàn)在已經(jīng)開(kāi)源。

這一計(jì)算庫(kù)使用TensorFlow作為后端，并針對(duì)GPU處理進(jìn)行了優(yōu)化，與CPU上相比，可以實(shí)現(xiàn)高達(dá)100倍的加速。

谷歌AI的研究工程師Chase Roberts和X的研究科學(xué)家Stefan Leichenauer表示，通過(guò)開(kāi)源社區(qū)，他們會(huì)持續(xù)向TensorNetwork添加新功能。希望TensorNetwork成為科學(xué)家們和機(jī)器學(xué)習(xí)從業(yè)者的寶貴工具。

TensorNetwork的有效性

張量，是按照順序在層次結(jié)構(gòu)中分類(lèi)的多維數(shù)組，普通的數(shù)或者標(biāo)量，是零階張量，向量是一階張量，矩陣是二階張量。

張量網(wǎng)絡(luò)，是圖形編碼的張量收縮模式（張量上的數(shù)學(xué)運(yùn)算類(lèi)型），由幾個(gè)張量組成，并共同構(gòu)成一個(gè)新的張量。

張量網(wǎng)絡(luò)并不直接存儲(chǔ)或者操縱張量，而是將張量表示為較小張量在較大張量網(wǎng)絡(luò)形狀中的收縮。

因此，張量網(wǎng)絡(luò)可以非常有效地表示幾個(gè)、幾十個(gè)、甚至幾百個(gè)張量，而且還不需要占用大量?jī)?nèi)存。

現(xiàn)在，張量網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于量子物理學(xué)等領(lǐng)域之中。這些優(yōu)勢(shì)，也使得其在圖像分類(lèi)、物體識(shí)別和其他人工智能任務(wù)中更加實(shí)用。

TensorNetwork，就是谷歌在這個(gè)方向上努力的成果。

作為一個(gè)通用的張量網(wǎng)絡(luò)算法庫(kù)，效果如何？谷歌進(jìn)行了測(cè)試。

近似量子態(tài)，是張量網(wǎng)絡(luò)在物理學(xué)中的一個(gè)典型用例，能夠直觀地說(shuō)明張量網(wǎng)絡(luò)庫(kù)的能力。

谷歌的研究人員用TensorNetwork實(shí)現(xiàn)了一個(gè)樹(shù)狀張量網(wǎng)絡(luò)(TTN)算法，用來(lái)逼近周期量子自旋鏈(1D)或薄環(huán)面(2D)上的點(diǎn)陣模型的基態(tài)。

在這個(gè)任務(wù)中，使用了TensorNetwork庫(kù)的GPU，與沒(méi)有使用TensorNetwork庫(kù)的CPU相比，計(jì)算速度顯著提高了100倍。

繼續(xù)擴(kuò)大TensorNetwork使用場(chǎng)景

現(xiàn)在， 谷歌已經(jīng)將TensorNetwork開(kāi)源，地址為：

https://github.com/google/tensornetwork

也放出了與TensorNetwork相關(guān)的兩篇論文。

***篇論文，對(duì)TensorNetwork進(jìn)行了概述，并介紹了這一開(kāi)源庫(kù)和API：

TensorNetwork: A Library for Physics and Machine Learning

https://arxiv.org/abs/1905.01330

第二篇論文，展示了TensorNetwork在物理學(xué)領(lǐng)域中的用例，以及計(jì)算性能上的表現(xiàn)。

TensorNetwork on TensorFlow: A Spin Chain Application Using Tree Tensor Networks

https://arxiv.org/abs/1905.01331

谷歌表示，接下來(lái)將使用TensorNetwork對(duì)MNIST和Fashion-MNIST數(shù)據(jù)集中的圖像進(jìn)行分類(lèi)。

此外，也將在探索其在時(shí)間序列分析上的應(yīng)用，以及量子電路仿真等用例。

谷歌AI博文地址：

https://ai.googleblog.com/2019/06/introducing-tensornetwork-open-source.html