近日物理系冉仕举教授研究团队在《科学》（Science）合作期刊《智能计算》（Intelligent Computing）发表文章“基于张量网络的神经网络压缩方法：实现变分参数的指数级削减”（Compressing Neural Networks Using Tensor Networks with Exponentially Fewer Variational Parameters）。该工作由硕士毕业生卿勇和本科毕业生李珂共同担任第一作者，博士研究生周鹏飞为合作作者，冉仕举教授为通讯作者。该研究获得北京市自然基金面上项目、中国科协青年人才托举工程博士生专项、首都师范大学“研究型高水平人才培育项目”的支持。

冉仕举教授研究团队发展了一种张量网络机器学习方法，利用深度自动可微分张量网络（ADTN，Automatically Differentiable Tensor Network），大幅压缩神经网络参数量，显著降低其模型复杂度，同时维持甚至提升模型性能。

张量网络在量子多体物理中的成功应用，预示着其在人工智能领域的广阔潜力，主要体现在“高效性”和“可解释性”两个方面。其中，“高效性”指张量网络能够将一类复杂的量子多体态表示的复杂度从“指数级”有效降至“线性级”。该工作将张量网络在量子领域中的这一优势进一步拓展至机器学习场景，展现了其作为一种数值工具在AI领域的迁移价值。尽管当前相关研究仍处于起步阶段，但我们有理由期待张量网络在未来孕育出超越传统神经网络的新型AI模型，构建兼具“高效性”与“可解释性”的人工智能数值新体系。

近年来，物理系在学科建设，青年人才队伍培养等方面效果显著。今后物理系将继续紧紧围绕“攀登计划”，进一步提高整体科研水平及国际学术影响力，为我校“双一流”学科建设贡献力量。

论文链接：https://doi.org/10.34133/icomputing.0123