量子科技中心_量科网

张量网络为高维数据提供了紧凑且可扩展的表示方法，使得量子物理、数值偏微分方程（PDE）和机器学习等领域的计算更为高效。本工作聚焦于张量解缠任务，即利用网络中的规范自由度，通过识别变换来降低键维度。研究人员将该任务表述为作用于单个张量索引的正交矩阵优化问题，旨在最小化其矩阵化形式的秩。该团队提出黎曼优化方法和联合优化框架——该框架在固定低秩近似下优化正交变换与固定正交变换下优化低秩近似之间交替进行，当目标秩已知时能提供具有竞争力的解决方案。针对通常未知的最优秩问题，研究人员引入了与解缠过程集成的二分搜索策略。通过对随机张量和近似等距张量网络状态中的张量进行数值实验，该工作比较了不同优化方法，并探索了在混合方法中结合不同技术的可能性。