量子系统复杂，暴力运算无效，原有张量网络（Tensor Network）难以广泛使用，让开发高温超导体等复杂问题受限于此。
现在，Google出手了。
联合Perimeter 理论物理研究所和Google X，开发全新物理和机器学习数据库TensorNetwork，用于提高张量计算的效率，现在已经开源。
这一数据库使用TensorFlow 作为后端，并针对GPU 处理进行了优化，与CPU 上相比，可以实现高达100 倍的加速。
Google AI的研究工程师Chase Roberts 和X 的研究科学家Stefan Leichenauer 表示，通过开源社团，他们会持续向TensorNetwork 添加新功能。希望TensorNetwork 成为科学家们和机器学习从企业的宝贵工具。
为什么TensorNetwork能有效加速运算？
张量（Tensor），是按照顺序在层次结构中分类的多维数组，普通的数或者标量，是零阶张量，矢量是一阶张量，矩阵是二阶张量。
张量网络，是图形编码的张量收缩模式（张量上的数学运算类型），由几个张量组成，并共同构成一个新的张量。
张量网络并不直接存储或者操纵张量，而是将张量表示为较小张量在较大张量网络形状中的收缩。
因此，张量网络可以非常有效地表示几个、几十个、甚至几百个张量，而且还不需要占用大量内存。
现在，张量网络已经广泛应用于量子物理学等领域之中。这些优势，也使得其在图像分类、物体识别和其他人工智能实践中更加实用。
TensorNetwork，就是Google在这个方向上努力的成果。
作为一个通用的张量网络数据库，效果如何？谷歌进行了测试。
近似量子态，是张量网络在物理学中的一个典型用例，能够直观地说明张量网络库的能力。
Google的研究人员用TensorNetwork 实现了一个树状张量网络（TTN）算法，用来逼近周期量子自旋链（1D）或薄环面（2D）上的点阵模型的基态。
在这个任务中，使用了TensorNetwork 库的GPU，与没有使用TensorNetwork库的CPU 相比，运算速度显著提高了100 倍。
现在，Google 已经将TensorNetwork 开源，也放出了与TensorNetwork 相关的两篇论文。
第一篇论文，对TensorNetwork 进行了概述，并介绍了这一开源数据库和API：
TensorNetwork: A Library for Physics and Machine Learning
第二篇论文，展示了TensorNetwork 在物理学领域中的用例，以及运算性能上的表现。
TensorNetwork on TensorFlow: A Spin Chain Application Using Tree Tensor Networks
Google表示，接下来将使用TensorNetwork对MNIST 和Fashion-MNIST 数据集中的图像进行分类。
此外，也将在探索其在时间串行分析上的应用，以及量子电路仿真等用例。