报告题目：张量网络量子机器学习

报告人：冉仕举 副教授（首都师范大学物理系）     

报告时间： 2022年9月30日（15：30-17：00）

报告地点：腾讯会议：806-454-338

报告摘要：作为量子多体物理领域重要的数学工具，张量网络近几年被用于探索新的量子机器学习方法，展现出了旺盛的生命力与广阔的发展前景。本报告将从希尔伯特空间与特征映射、量子测度函数、量子概率诠释三个方面介绍张量网络机器学习方法，并探讨张量网络机器学习在可解释性和应用范围上的优势。

报告人简介：冉仕举，首都师范大学物理系副教授，主要研究量子多体物理、张量网络理论与方法、量子信息与量子计算、量子机器学习；发表学术论文40篇，于Springer出版社（瑞士）出版英文专著《Tensor Network Contractions》，于首师大出版社出版中文专著《张量网络》；任SCI期刊客座编辑，机器学习国际会议委员会成员，PRL、IEEE TNNLS等期刊审稿人。

参考文献：

[1] S.-J. Ran, E. Tirrito, C. Peng, X. Chen, L. Tagliacozzo, G. Su, and M. Lewenstein, Tensor Network Contractions: Methods and Applications to Quantum Many-Body Systems (Springer, Cham, 2020).

[2] P.-F. Zhou, R. Hong, and S.-J. Ran, Automatically differentiable quantum circuit for many-qubit state preparation, Phys. Rev. A 104, 042601 (2021).

[3] Y. Yang, Z.-Z. Sun, S.-J. Ran, and G. Su, Visualizing quantum phases and identifying quantum phase transitions by nonlinear dimensional reduction, Phys. Rev. B 103, 075106 (2021).

[4] W.-M. Li and S.-J. Ran, Non-parametric semi-supervised learning in many-body Hilbert space with rescaled logarithmic fidelity, Mathematics 10, 940 (2022)

[5] D. Liu, S.-J. Ran, P.Wittek, C. Peng, R. B. Garc´ıa, G. Su, and M. Lewenstein, Machine learning by unitary tensor network of hierarchical tree structure, New Journal of Physics 21, 073059 (2019).

[6] S.-J. Ran, Z.-Z. Sun, S.-M. Fei, G. Su, and M. Lewenstein, Tensor network compressed sensing with unsupervised machine learning, Phys. Rev. Research 2, 033293 (2020).