本文經AI新媒體量子位(公衆號ID:QbitAI)授權轉載,轉載請聯繫出處。
量子系統複雜,暴力計算無效,原有張量網絡(Tensor Network)難以廣泛規模使用,讓開發高溫超導體等複雜問題受限於此。
現在,谷歌出手了。
聯合Perimeter理論物理研究所和谷歌 X,開發全新物理和機器學習庫TensorNetwork,用於提高張量計算的效率,現在已經開源。
這一計算庫使用TensorFlow作爲後端,並針對GPU處理進行了優化,與CPU上相比,可以實現高達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,他們會持續向TensorNetwork添加新功能。希望TensorNetwork成爲科學家們和機器學習從業者的寶貴工具。
TensorNetwork的有效性
張量,是按照順序在層次結構中分類的多維數組,普通的數或者標量,是零階張量,向量是一階張量,矩陣是二階張量。
張量網絡,是圖形編碼的張量收縮模式(張量上的數學運算類型),由幾個張量組成,並共同構成一個新的張量。
張量網絡並不直接存儲或者操縱張量,而是將張量表示爲較小張量在較大張量網絡形狀中的收縮。
因此,張量網絡可以非常有效地表示幾個、幾十個、甚至幾百個張量,而且還不需要佔用大量內存。
現在,張量網絡已經廣泛應用於量子物理學等領域之中。這些優勢,也使得其在圖像分類、物體識別和其他人工智能任務中更加實用。
TensorNetwork,就是谷歌在這個方向上努力的成果。
作爲一個通用的張量網絡算法庫,效果如何?谷歌進行了測試。
近似量子態,是張量網絡在物理學中的一個典型用例,能夠直觀地說明張量網絡庫的能力。
谷歌的研究人員用TensorNetwork實現了一個樹狀張量網絡(TTN)算法,用來逼近週期量子自旋鏈(1D)或薄環面(2D)上的點陣模型的基態。
在這個任務中,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。
繼續擴大TensorNetwork使用場景
現在, 谷歌已經將TensorNetwork開源,地址爲:
https://github.com/google/tensornetwork
也放出了與TensorNetwork相關的兩篇論文。
第一篇論文,對TensorNetwork進行了概述,並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在物理學領域中的用例,以及計算性能上的表現。
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數據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