本研究提出了TensorRL-QAS框架，结合张量网络与强化学习，解决量子架构搜索的可扩展性问题。该方法显著减少了CNOT门的使用和电路深度，提高了成功率，展示了在量子硬件上的高效性和鲁棒性。

本文探讨了张量网络在高维偏微分方程中的应用，结合反向随机微分方程和回归方法，通过低秩结构实现高效计算。提出的新迭代方案在精度与计算效率之间取得了良好平衡。

本研究提出了一种新方法，结合量子计算与量子启发技术，以提升大型语言模型（LLM）的性能。通过使用变分量子电路和量子启发张量网络替代传统权重矩阵，实现更高的准确性和更低的内存开销。

本文介绍了张量网络在发展可解释的机器学习算法方面的应用。通过无监督聚类算法，证明了基于矩阵乘积态（MPS）的方法在性能上与传统的深度学习模型相当，并提供更丰富的模型可解释性。该方法能够提取特征概率、Von Neumann熵和互信息，为异常分类提供出色剧情，并提高人工智能决策的透明性和可解释性。

本文提出了一种基于张量网络的量子计算方法，用于解决量子计算中的机器学习挑战，并通过数值实验验证了其可行性。

我们使用张量网络加速核机器，并证明核机器的输出可以恢复到一个完全特征化的高斯过程。数值实验表明，相比于规范多项分解，张量列车在相同模型参数数量下展现更多的高斯过程特性。

本文提出了一种基于张量网络的量子计算方法，用于解决量子计算中的机器学习挑战，并通过数值实验验证了其可行性。

本文介绍了使用张量网络进行量子启发机器学习，有效分类来自 CERN 的大型强子对撞机数据，特别是 b-喷注，并解释分类结果。张量网络能选择重要特征并调整网络结构，实现精密分类或快速响应，为高频率实时应用奠定基础。

本文提出了一种基于张量网络的压缩算法，能够显著降低神经网络参数量，提高压缩效果和泛化性能。实验证明，该算法将VGG-16模型的卷积层压缩为仅632个参数的张量网络，并提升在CIFAR-10数据集上的测试准确率。该算法是高效的神经网络参数压缩方案，充分挖掘神经网络的可压缩性。

本文介绍了使用张量网络进行量子启发机器学习，有效分类CERN的大型强子对撞机数据，特别是b-喷注，并解释分类结果。张量网络能够选择重要特征并调整网络结构，实现精密分类或快速响应，为高频率实时应用奠定基础。这对于LHCb事件分类是关键，能够触发每秒数千万个事件。

该研究提出了一种新型张量网络生成模型，能够学习含有连续随机变量的分布，并在几个数据集上进行了基准测试，表现良好。研究还开发了建模不同数据领域的方法，并引入了一个可训练的压缩层，提高了模型的性能。该方法为量子启发式方法在生成学习领域提供了重要的理论和实证证据。