实现100倍加速！谷歌开源超强张量计算库TensorNetwork

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

量子系统复杂，暴力计算无效，原有张量网络（Tensor Network）难以广泛规模使用，让开发高温超导体等复杂问题受限于此。

现在，谷歌出手了。

联合Perimeter理论物理研究所和谷歌 X，开发全新物理和机器学习库TensorNetwork，用于提高张量计算的效率，现在已经开源。

这一计算库使用TensorFlow作为后端，并针对GPU处理进行了优化，与CPU上相比，可以实现高达100倍的加速。

谷歌AI的研究工程师Chase Roberts和X的研究科学家Stefan Leichenauer表示，通过开源社区，他们会持续向TensorNetwork添加新功能。希望TensorNetwork成为科学家们和机器学习从业者的宝贵工具。

TensorNetwork的有效性

张量，是按照顺序在层次结构中分类的多维数组，普通的数或者标量，是零阶张量，向量是一阶张量，矩阵是二阶张量。

张量网络，是图形编码的张量收缩模式（张量上的数学运算类型），由几个张量组成，并共同构成一个新的张量。

张量网络并不直接存储或者操纵张量，而是将张量表示为较小张量在较大张量网络形状中的收缩。

因此，张量网络可以非常有效地表示几个、几十个、甚至几百个张量，而且还不需要占用大量内存。

现在，张量网络已经广泛应用于量子物理学等领域之中。这些优势，也使得其在图像分类、物体识别和其他人工智能任务中更加实用。

TensorNetwork，就是谷歌在这个方向上努力的成果。

作为一个通用的张量网络算法库，效果如何？谷歌进行了测试。

近似量子态，是张量网络在物理学中的一个典型用例，能够直观地说明张量网络库的能力。

谷歌的研究人员用TensorNetwork实现了一个树状张量网络(TTN)算法，用来逼近周期量子自旋链(1D)或薄环面(2D)上的点阵模型的基态。

在这个任务中，使用了TensorNetwork库的GPU，与没有使用TensorNetwork库的CPU相比，计算速度显著提高了100倍。

继续扩大TensorNetwork使用场景

现在， 谷歌已经将TensorNetwork开源，地址为：

https://github.com/google/tensornetwork

也放出了与TensorNetwork相关的两篇论文。

第一篇论文，对TensorNetwork进行了概述，并介绍了这一开源库和API：

TensorNetwork: A Library for Physics and Machine Learning

https://arxiv.org/abs/1905.01330

第二篇论文，展示了TensorNetwork在物理学领域中的用例，以及计算性能上的表现。

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

https://arxiv.org/abs/1905.01331

谷歌表示，接下来将使用TensorNetwork对MNIST和Fashion-MNIST数据集中的图像进行分类。

此外，也将在探索其在时间序列分析上的应用，以及量子电路仿真等用例。

谷歌AI博文地址：

https://ai.googleblog.com/2019/06/introducing-tensornetwork-open-source.html