量子张量网络机器学习的梯度下降方法改进

张量网络在众多不同应用中已展现出显著的机器学习价值。然而，使用标准梯度下降优化张量网络在实践中已被证明是困难的。张量网络存在导致梯度爆炸或消失的初始化问题，并且需要大量的超参数调优。克服这些问题的努力通常依赖于特定的网络架构或临时的规定。在本文中，我们解决了初始化和超参数调优问题，使得可以使用成熟的机器学习技术训练张量网络。我们引入了一种“复制节点”方法，可成功初始化任意张量网络，此外还提出了一种基于梯度的键维正则化技术。我们给出的数值结果表明，本文所提技术的组合以远更少参数生成了量子启发的张量网络模型，同时改善了泛化性能。