深度学习架构中的量子纠缠
量子物理
2019-02-20 v3 机器学习
摘要
现代深度学习已在各个领域取得了前所未有的成就。然而，将机器学习用于波函数表示时，仍集中于更传统的架构，如受限玻尔兹曼机（RBM）和全连接神经网络。在这封信中，我们证实了当代深度学习架构，以深度卷积网络和循环网络的形式，能够高效地表示高度纠缠的量子系统。通过构建这些架构的张量网络等价物，我们发现网络操作中固有的信息复用是一个关键特征，该特征将它们与标准的基于张量网络的表示区分开来，并增强了它们的纠缠能力。我们的结果表明，此类架构能够支持体积律纠缠标度，其多项式效率高于目前使用的 RBM。因此，除了对领先深度学习架构的纠缠能力进行量化之外，我们的分析还正式推动了基于神经网络的波函数表示这一趋势向机器学习的最前沿靠拢。
引用
@article{arxiv.1803.09780,
title = {Quantum Entanglement in Deep Learning Architectures},
author = {Yoav Levine and Or Sharir and Nadav Cohen and Amnon Shashua},
journal= {arXiv preprint arXiv:1803.09780},
year = {2019}
}