Publication

From tensor-network quantum states to tensorial recurrent neural networks

Giuseppe Carleo, Riccardo Rossi, Filippo Vicentini, Dian Wu
2023
Journal Articles

Résumé

We show that any matrix product state (MPS) can be exactly represented by a recurrent neural network (RNN) with a linear memory update. We generalize this RNN architecture to two-dimensional lattices using a multilinear memory update. It supports perfect sampling and wave-function evaluation in polynomial time, and can represent an area law of entanglement entropy. Numerical evidence shows that it can encode the wave function using a bond dimension lower by orders of magnitude when compared to MPS, with an accuracy that can be systematically improved by increasing the bond dimension.

Source officielle

https://infoscience.epfl.ch/entities/publication/b1087948-0298-46bd-8850-ed5e32bb26e8

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

From tensor-network quantum states to tensorial recurrent neural networks

Chattez avec Graph Search

Machine learning enhanced atom probe tomography analysis

Neural networks trained with SGD learn distributions of increasing complexity

Hadamard product in deep learning: Introduction, Advances and Challenges