迈向张量网络收缩的数值自举：基于凸优化的确证误差界深度解析
本文深度解析了一种将张量网络收缩转化为凸优化问题的创新框架，利用数值自举技术为物理观测值提供严谨且可证的上下界，解决了高维张量网络收缩中误差不可控的核心痛点。
本文深度解析了一种将张量网络收缩转化为凸优化问题的创新框架，利用数值自举技术为物理观测值提供严谨且可证的上下界，解决了高维张量网络收缩中误差不可控的核心痛点。
本文深度解析 Mazziotti 课题组最新的 SD-ML 方法，该方法结合了输入凸神经网络（ICNN）与半正定规划（SDP），有效解决了 2-RDM 的 N-表示性难题，显著提升了强关联体系的计算精度。