谷歌发布开源库 TensorNetwork，可将计算速度提升 100 倍

张量网络（tensor networks）越来越多地用于机器学习以执行复杂计算的数学结构，但是它们的广泛采用还存在许多障碍。首先，没有一个免费的可用加速硬件库来大规模运行底层算法；此外，大多数张量网络文献都只面向物理应用。

为了解决这些问题，谷歌正式发布了TensorNetwork开源库，这是一个由 Perimeter 理论物理研究所和 Google 合作开发的开源库和 API。它旨在通过使用 Google 的 TensorFlow 机器学习框架作为后端，以及对图形卡处理的优化来提高张量计算的效率。

在初步测试中，谷歌报告称，与处理器上的工作相比，TensorNetwork 可提供高达 100 倍的计算速度。

张量指的是根据其顺序按层次结构分类的多维数组。普通数是零阶或标量的张量，而矢量是阶一张量，矩阵是阶二张量。因此，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、几个组成张量共同形成一个新的张量。

高阶张量以张量网络中的许多低阶张量表示

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。它们不是被用来直接存储或操作，而是将张量表示为更小的组成张量在更大张量网络中的收缩。这使得它们在图像分类、目标识别和其他人工智能任务中更加实用。

TensorNetwork 库的设计就是为了实现这一点，它是张量网络算法的通用库，谷歌希望它能够为研究工程师和研究科学家提供帮助。谷歌指出，在物理学中，近似量子态是张量网络的一个典型用例，并且它非常适合“说明张量网络库的功能”。

谷歌人工智能研究工程师 Chase Roberts 和科学家 Stefan Leichenauer 写道：“张量网络让人们关注与现实问题最相关的量子态，比如低能态，而忽略了其他不相关的状态。在开源社区中，我们也一直在为 TensorNetwork 本身添加新特性。我们希望 TensorNetwork 能够成为物理学家和机器学习实践者的宝贵工具。”

研究团队将继续使用 TensorNetwork 对 MNIST 和 Fashion-MNIST 等数据集中的图像进行分类、时间序列分析和量子电路模拟。