【读书笔记】Intro to TensorNetwork Methods - TensorNetwork (1)

在本章中，我们将介绍张量网络方法核心概念：定义张量本身及其操作的最常见部分。

我们还将介绍利用张量网络研究多体问题的一些最成功的算法：重新表述平均场方法。

在这个新的形式中介绍矩阵乘积状态（MPS）和在前一章中提出的DMRG的重新表述。

并提出了一些算法来模拟一维多体量子系统的基态性质和含时演化。

回顾了MPS到最直接的层次结构、树张量网络（TTN）及其优化算法的推广。

more to be Reviewed：

Tensor Contraction (0) : Introduction to TN-CSDN博客

Tensor Contraction (1) : Decompositions, Gauge Freedom, Canonical Forms-CSDN博客

一文解释 PyTorch求导相关 (backward, autograd.grad) - 知乎 (zhihu.com)

---

0. Tensor Introduction：

    （1）Tensor Definition：

          * WaveFunction & Operator：

         => 指标   ：N个协张量指标，M个张量指标。

               一个协张量指标   可以  消去一个对应的张量指标  

         =>    //   （数据工程师老是喜欢用后面的简记...）

         =>   //  （np.einsum会处理好一切的）

         =>   （总之,记好哪些指标是待求和的, ' 投影 ' 之说法很重要）

    （2）Tensor Manipulation：

          * Index Fusion and Splitting：

         =>  张量形式上是一群数的组织，用于完成各种映射

         =>  Rank_n张量可以按照给定的（可逆的）规则重新排列在不同秩的张量中

         =>  Reshape：约化密度矩阵（偏迹）, TT-Decompose

          * Compression：

        =>  SVD 截断 奇异值（M * N ~ M * N）// 估上限 sum_m,d^N-1：Ui \epsilon Vi = Const 

        =>  NRG（M^2 * M^2 ~ M * M）

        =>  MPS  ( d^N ~ Nd ) 特有的 平移不变性

          * Differentiation of TensorNetwork：

        =>  张量网络的形式导数：‘移除被导块后的剩下的部分’ 

        =>  Torch - grad： （值得单开专门一讲）

        =>  张量函数的微分与导数_张量分解中的求导-CSDN博客

         

          * Gauge & Transforms：

        =>  插入 等距矩阵对 UU\ = I 整体张量 T 不变

        =>  TT-Compose 有 自动符合正交形式的分解，都是 U

        =>  加速内积？中心正交形式！(每个都变成SVD - U) ~ 甩出SV 相当于插入了 SV (SV)\ = I

    （3）Tensor Decompose：

          * TT - Decompose：

        => 简单来说就是 step k： 

        => 自发地形成一个中心正交形式...

        => example：

          * Tucker - Decompose：

        => 简单来说就是 core-tensor：SVD ~ Tucker2

         

        => 将 指标 reshape 成 若干维 对应的矩阵 与 中心张量

        => 对每个 index 交替 获得最优化近似解

        =>  机器学习｜Tucker张量分解 (zhihu.com)

          * CP - Decompose：

        => 简单来说就是外积分解

        

        => 机器学习 | CP张量分解 - 知乎 (zhihu.com)

    （4）Tensor Contracting：(新坑待填)

---

 1. Ground States via Tensor Networks：

（1）Mean-Field representation：

     * N 项 最近邻作用，整理出来的是 N-1 (+1：周期边界) 项 Hamiltonian 的求和

     * 全体 H 的 ground state 是各局域 state 的 直积态，每个局域 state 都满足 梯度 = 0

     * 每个直积态，最基本的约束 2-范数 归一 

      

     * 综上所述，可列出 Lagrangian：

      

     * 求梯度 = 0，获得有效哈密顿量： 

     

       

     * 必要条件：必须作为当前有效哈密顿量的本征值 

     * 平均场在 Tensor Network 里几乎干的就是这么些事情：

   （1）随机初始化 N 个 Rank-1-Tensor 作为本征矢, 物理指标维数 d

   （2）Updating 每轮更新都选取有效哈密顿量的本征值

   （3）Sweep the Lattice over and over again... Till the desired precision being reached.

（2）MPS representation：

     * reshape 指标簇，执行SVD分解，至每个张量块上 有 一个物理指标 和 两个 辅助指标

     * 有：二分分解法，TT - Decompose

     * MPS 的更新对象 是 的 Rank-1 Tensors，因此 MPS 也是一种平均场（有精确/非精确之说）

     

     * MPS 在 平均场的框架下 几乎干的就是这件事情：

    （1）随机初始化 / 特征初始化 N-sites tensors +（必要时）扩展 tensors 长度 

    （2）通过（1）形状与 各 近邻 哈密顿量 + 约束 写出 Largerangian，求导得有效Hamiltonian

    （3）Updating with 有效Hamiltonian.的 本征向量

     * 低激发态：约束就是‘排除法’，目标解是已有eigVect正交的向量

     

     * 平均场与扩展：

    （1）问题可以被平均场精确求解 - Auxillary Indexes = 1 ; 不精确 Auxillary Indexes > 1

    （2）MPS 可以用于扩展平均场方法（见下文looped与looped-free）

（3）Looped-Free Tensor Networks：

     * Indexes - 2：MPO

     * Indexes - 3：TTN

     * MPO：Variational Ansatz 直接在MPO 的应用很显著

        MPO可以将Operators写出紧凑形式

        有限温度下有效的多体量子系统，以及一般情况下开放多体量子体系的密度矩阵

     * TTN： 任何无圈TensorNetwork 都可以由此表示

（4）Looped Tensor Network：