量子科技中心_量科网

高性能计算机生成的数据集规模极大，若要充分利用其潜力，通常需要对其进行采样或压缩。现有的数据压缩技术通常利用数据的稀疏性、同质性，或对哪些数据子集最受关注的先验知识等特征。流体动力学数据通常不具备这些特征，因此成为测试通用压缩技术的理想平台，这些技术需具备客观性、鲁棒性，并能针对压缩导致的信息损失进行调节。本文提出一种基于张量网络（具体为矩阵乘积态或张量列）的方法，满足上述要求。该方法在一维压缩中进行了演示，并可扩展至更高维度。研究表明，对于随机傅里叶级数，当张量网络的键维数足够高时，可实现无损压缩，且存储张量网络所需的内存与键维数成正比。在较低键维数下表现出的有损压缩，其误差可远小于许多流体模拟的相对误差。该压缩算法在Burger方程的时间演化测试中取得了优异的结果。该团队还进一步展示了在压缩形式下执行计算的能力，通过张量网络周期卷积，其速度可比使用快速傅里叶变换及卷积定理快数个数量级。除了作为处理现有计算机生成数据集的理想方法外，所采用的张量网络方法也可直接迁移至新兴的量子计算范式。