量子灵感张量网络于机器学习模型
强关联电子
2026-04-17 v1
摘要
张量网络是在许多体系背景下发展而来的，用于压缩表示多粒子量子态的工具。这些表示通过仅捕获最相关依赖项来缓解许多体系的指数复杂度。由于量子纠缠与统计相关性之间的形式相似性，张量网络最近被集成到机器学习中，既作为替代学习架构，也作为神经网络组件的分解。期望是，量子多体物理中所发展的理论理解导致新方法，能够在计算效率、可解释性或隐私方面提供优势。本文综述了张量网络在机器学习中的应用，提供了对当前技术水平、潜在优势以及必须克服的挑战的批判性评估。
引用
@article{arxiv.2604.14286,
title = {Divergent spin conductivity on the verge of ferromagnetic quantum criticality},
author = {Sondre Duna Lundemo and Asle Sudbø},
journal= {arXiv preprint arXiv:2604.14286},
year = {2026}
}
备注
6 + 16 pages, 2 + 10 figures