本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

量子系統復雜，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復雜問題受限于此。

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，用于提高張量計算的效率，現在已經開源。

這一計算庫使用TensorFlow作為后端，并針對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成為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，并共同構成一個新的張量。

張量網絡并不直接存儲或者操縱張量，而是將張量表示為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，而且還不需要占用大量內存。

現在，張量網絡已經廣泛應用于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。

作為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，用來逼近周期量子自旋鏈(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，地址為：

https://github.com/google/tensornetwork

也放出了與TensorNetwork相關的兩篇論文。

***篇論文，對TensorNetwork進行了概述，并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