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

量子系統(tǒng)復雜，暴力計算無效，原有張量網(wǎng)絡(luò)（Tensor Network）難以廣泛規(guī)模使用，讓開發(fā)高溫超導體等復雜問題受限于此。

現(xiàn)在，谷歌出手了。

聯(lián)合Perimeter理論物理研究所和谷歌 X，開發(fā)全新物理和機器學習庫TensorNetwork，用于提高張量計算的效率，現(xiàn)在已經(jīng)開源。

這一計算庫使用TensorFlow作為后端，并針對GPU處理進行了優(yōu)化，與CPU上相比，可以實現(xiàn)高達100倍的加速。

谷歌AI的研究工程師Chase Roberts和X的研究科學家Stefan Leichenauer表示，通過開源社區(qū)，他們會持續(xù)向TensorNetwork添加新功能。希望TensorNetwork成為科學家們和機器學習從業(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)中分類的多維數(shù)組，普通的數(shù)或者標量，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)學運算類型），由幾個張量組成，并共同構(gòu)成一個新的張量。

張量網(wǎng)絡(luò)并不直接存儲或者操縱張量，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、幾十個、甚至幾百個張量，而且還不需要占用大量內(nèi)存。

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

TensorNetwork，就是谷歌在這個方向上努力的成果。

作為一個通用的張量網(wǎng)絡(luò)算法庫，效果如何？谷歌進行了測試。

近似量子態(tài)，是張量網(wǎng)絡(luò)在物理學中的一個典型用例，能夠直觀地說明張量網(wǎng)絡(luò)庫的能力。

谷歌的研究人員用TensorNetwork實現(xiàn)了一個樹狀張量網(wǎng)絡(luò)(TTN)算法，用來逼近周期量子自旋鏈(1D)或薄環(huán)面(2D)上的點陣模型的基態(tài)。

在這個任務(wù)中，使用了TensorNetwork庫的GPU，與沒有使用TensorNetwork庫的CPU相比，計算速度顯著提高了100倍。

繼續(xù)擴大TensorNetwork使用場景

現(xiàn)在， 谷歌已經(jīng)將TensorNetwork開源，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TensorNetwork進行了概述，并介紹了這一開源庫和API：

TensorNetwork: A Library for Physics and Machine Learning

https://arxiv.org/abs/1905.01330

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

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

https://arxiv.org/abs/1905.01331

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

此外，也將在探索其在時間序列分析上的應用，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