研究用学习排序为GPU量子模拟选收缩方案
热点事件持续更新
研究用学习排序为GPU量子模拟选收缩方案
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Alfred M. Pastor 等作者发表论文，提出一个 learning-to-rank 框架，在 GPU 执行前为张量网络收缩挑选高效收缩方案。方案以成对收缩序列的结构特征表示，并用 GPU 实测数据训练梯度提升排序器。 在多种电路家族上，学习到的排序器整体优于随机和 MinFill 基线，其中 listwise 模型决策质量最强。跨两块 GPU 架构测试显示排序结果大体稳定但并非完全一致，性能仍部分依赖后端。
AI 根据报道生成 · 1 小时前更新
最新进展10月5日 12:00
用 Learning to Rank 为 GPU 加速量子电路模拟挑选张量网络收缩方案报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv：cs.LG用 Learning to Rank 为 GPU 加速量子电路模拟挑选张量网络收缩方案
研究提出一个 learning-to-rank 框架，在 GPU 执行前为张量网络收缩挑选高效收缩方案，方案以成对收缩序列的结构特征表示，并用 GPU 实测数据训练梯度提升排序器。在多种电路家族上，学习到的排序器整体优于随机和 MinFill 基线，其中 listwise 模型决策质量最强。跨两块 GPU 架构测试显示排序结果大体稳定但并非完全一致，性能仍部分依赖后端。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。