1.TEBD算法计算一维格点模型基态
1.1背景
考虑N个自旋构成的一维海森堡模型（回顾：3.5节）
H
^
=
∑
⟨
i
,
j
⟩
H
^
i
j
,
H
^
i
j
=
∑
α
=
x
,
y
,
z
s
^
i
α
s
^
j
α
\widehat{H}=\sum_{\langle i, j\rangle} \widehat{H}_{i j}, \hat{H}_{i j}=\sum_{\alpha=x, y, z} \hat{s}_{i}^{\alpha} \hat{s}_{j}^{\alpha}
H
=⟨i,j⟩∑H
ij,H^ij=α=x,y,z∑s^iαs^jα
基态计算的核心问题：计算给定哈密顿量的本征值最小的那个本征态
1.2主要思路
主要思路：利用基于Trotter-Suzuki分解的退火算法，随机初始化的MPS态演化到基态，将该演化过程转换为张量网络收缩问题，并使用TEBD算法求解该收缩
1.3具体步骤
Step.
1
−
1-
1− 获得演化算符
e
−
τ
H
^
i
j
e^{-\tau \widehat{H}_{i j}}
e−τH
ij 的系数张量
(
(
( 为
τ
\tau
τ 小的正实数
)
)
) :
G
s
′
1
s
2
s
1
s
2
=
⟨
s
1
′
s
2
′
∣
e
−
τ
H
^
i
j
∣
s
1
s
2
⟩
G_{s^{\prime} 1} s_{2} s_{1} s_{2}=\left\langle s_{1}^{\prime} s_{2}^{\prime}\left|e^{-\tau \hat{H}_{i j}}\right| s_{1} s_{2}\right\rangle
Gs′1s2s1s2=⟨s1′s2′∣∣∣e−τH^ij∣∣∣s1s2⟩
该步之后，基态演化算符
P
^
=
lim
K
→
i
n
f
(
e
−
τ
∑
⟨
i
,
j
⟩
H
^
i
j
)
K
\widehat{\boldsymbol{P}}=\lim _{K \rightarrow \mathrm{inf}}\left(e^{-\tau \sum_{\langle i, j\rangle} \hat{H}_{i j}}\right)^{K}
P
=K→inflim(e−τ∑⟨i,j⟩H^ij)K注：
K
K
K代表着张量网络的层数（一层有两个子层）
基态演化算符将被表示成为由四阶张量G构成的张量网络（如下图所示）
如图为当
K
=
3
K = 3
K=3时的张量网络：
注：基态演化算符到张量网络的变化需要参考（4）（5）的知识
Step. 2 – 随机初始化MPS态，放置于张量网络底部（MPS态代表的初始的量子态）
注：为什么我们边界上可以随机初始化MPS态？
因为基态演化算子
P
^
\widehat{\boldsymbol{P}}
P
可以证明它可以把任意的随机的量子态给投影到基态上去（MPS态与基态不完全正交，即使完全正交也会有一些数值的误差，这些误差反而帮助我们避免了正交性）
注：最好保证MPS态的归一性 因为MPS态代表的就是初始的量子态（量子态是归一的）
Step. 3 - 将靠近MPS的半层张量与MPS中相关的张量进行收缩，部分近邻的两个张量被收缩成为一个四阶张量
Step. 4 – 利用规范变化，将MPS变换为中心正交形式，正交中心为第一个四阶张量；
注：为什么在第四步中进行中心正交形式？ 解：保证在第五步中裁剪误差极小的，近似是最优的。
Step. 5 – 对中心张量进行奇异值分解，如果奇异谱的维数大于预设的截断维数
χ
\chi
χ，则仅保
χ
\chi
χ个最大的奇异值与相应的奇异向量；
Step. 6 - 移动正则中心到下一个四阶张量，重复步骤4-5，直到所有四阶张量被分解为三阶张量
注：分解得到的MPS态有两个特征：
1.与演化以前一样每个tensor只含有一个物理指标
2.辅助指标的维数不超过
χ
\chi
χ
Step. 7 -进行完上述步骤后，MPS被变换称为演化前的形式（由三阶张量构成），重复步骤3-6，收缩下一个半层张量。重复收缩直到MPS收敛
总的流程图：
注：如何判断MPS收敛？
1.可以看全部的tensor是否收敛
2.也可以看分解过程中得到的奇异谱是否收敛
注：收敛的意义
在投影过程中，随着
K
→
i
n
f
K \rightarrow \mathrm{inf}
K→inf，量子态被投影到一个不动点（即哈密顿量的基态）
1.4拓展
① TEBD算法的具体实施方案并不唯一，例如，可以每次只演化一次局域门，如图：
②我们也可以将本节给出的张量网络, 转换成博客（12）中张量网络的形式，如下图，转后的形式被称为
e
−
τ
∑
⟨
i
,
j
⟩
H
^
i
j
e^{-\tau \sum_{\langle i, j\rangle} \widehat{H}_{i j}}
e−τ∑⟨i,j⟩H
ij 的MPO表式
2.密度矩阵重整化群（DMRG）
是纯物理算法，来解决哈密顿量的基态问题
2.1背景
TEBD算法计算基态的思路是退火，密度矩阵重整化群（DMRG）采取的是另一种思路是：基于最大本征态求解对应的最优化问题，即求解如下极小化问题：
E
g
=
min
⟨
φ
∣
φ
⟩
=
1
⟨
φ
∣
H
^
∣
φ
⟩
E_{g}=\min _{\langle\varphi \mid \varphi\rangle=1}\langle\varphi|\widehat{H}| \varphi\rangle
Eg=⟨φ∣φ⟩=1min⟨φ∣H
∣φ⟩当哈密顿量为
H
^
=
∑
⟨
i
,
j
⟩
H
^
i
j
,
\widehat{H}=\sum_{\langle i, j\rangle} \widehat{H}_{i j},
H
=∑⟨i,j⟩H
ij, 有：
E
g
=
min
⟨
φ
∣
φ
⟩
=
1
∑
⟨
i
,
j
⟩
⟨
φ
∣
H
^
i
j
∣
φ
⟩
E_{g}=\min _{\langle\varphi \mid \varphi\rangle=1} \sum_{\langle i, j\rangle}\left\langle\varphi\left|\widehat{H}_{i j}\right| \varphi\right\rangle
Eg=⟨φ∣φ⟩=1min⟨i,j⟩∑⟨φ∣∣∣H
ij∣∣∣φ⟩ 注：
⟨
φ
∣
φ
⟩
=
1
\langle\varphi \mid \varphi\rangle=1
⟨φ∣φ⟩=1表示基态波函数归一
注：变分参数为MPS态中的各个张量，我们通过对各个小张量做变分，来极小化基态能。
每一项对应的张量网络图形表示如下（下图以
⟨
φ
∣
H
^
23
∣
φ
⟩
\left\langle\varphi\left|\widehat{H}_{2 3}\right| \varphi\right\rangle
⟨φ∣∣∣H
23∣∣∣φ⟩为例）
DMRG的策略是更新各个张量，使能量达到极小，具体的更新策略不唯一。
核心思想：设基态具备MPS形态的时候，去优化MPS态中的各个张量来解能量极小化的问题
2.2单点（one-site）DMRG
在单点（one-site）DMRG中，每次更新MPS中的一个张量，其余张量看成是给定的参数（alternating least square, ALS）。
注：需要一遍一遍不断的更新张量，直到MPS态收敛
下面，我们将单个张量的优化问题等价为局域矩阵最大本征问题。（MPS态的核心思想）
以更新第2个张量为例，定义有效哈密顿量
h
^
2
\hat h_2
h^2为如下项的求和
易得，每一项收缩之后的结果为六阶张量，
h
^
2
\hat h_2
h^2为多个六阶张量的求和，故也为六阶张量
有：
E
=
⟨
A
(
2
)
∣
h
^
2
∣
A
(
2
)
⟩
E=\left\langle\boldsymbol{A}^{(2)}\left|\widehat{\boldsymbol{h}}_{2}\right| \boldsymbol{A}^{(2)}\right\rangle
E=⟨A(2)∣∣∣h
2∣∣∣A(2)⟩
图形表示为：
注：两个三阶张量和一个六阶张量的求和
注：张量网络的收缩计算和求和顺序无关
最优化问题变成了：
min
⟨
φ
∣
φ
⟩
=
1
⟨
A
(
2
)
∣
h
^
2
∣
A
(
2
)
⟩
\min_{\langle\varphi \mid \varphi\rangle=1}{\left\langle\boldsymbol{A}^{(2)}\left|\widehat{\boldsymbol{h}}_{2}\right| \boldsymbol{A}^{(2)}\right\rangle}
⟨φ∣φ⟩=1min⟨A(2)∣∣∣h
2∣∣∣A(2)⟩
此时, 可通过规范变换，将MPS态的正交中心移动至
A
(
2
)
A^{(2)}
A(2) ， 有:
⟨
φ
∣
φ
⟩
=
1
⇔
∣
A
(
2
)
∣
=
1
\langle\varphi \mid \varphi\rangle=1 \Leftrightarrow\left|A^{(2)}\right|=1
⟨φ∣φ⟩=1⇔∣∣∣A(2)∣∣∣=1最优化问题最终变成了：
min
∣
A
(
2
)
∣
=
1
⟨
A
(
2
)
∣
h
^
2
∣
A
(
2
)
⟩
\min _{\left|A^{(2)}\right|=1}\left\langle A^{(2)}\left|\hat{h}_{2}\right| A^{(2)}\right\rangle
∣A(2)∣=1min⟨A(2)∣∣∣h^2∣∣∣A(2)⟩
注：这个变分只需要直接去对
h
^
2
\hat{h}_{2}
h^2做本征值分解，求最小的本征态。
根据（最大本征问题的优化问题）的内容可知：
A
(
2
)
A^{(2)}
A(2) 为
h
^
2
\widehat{h}_{2}
h
2 最小本征态！ 因此,
A
(
2
)
A^{(2)}
A(2) 应被更新为
h
^
2
\hat{h}_{2}
h^2 的最低本征态。
求解
h
^
2
\hat{h}_{2}
h^2 本征态的计算复杂度可控：即求解维数为
d
χ
2
×
d
χ
2
d \chi^{2} \times d \chi^{2}
dχ2×dχ2 的厄密矩阵的本征态。
2.3中心正交形式简化对算符观测量的计算
得到基态MPS后，我们可利用中心正交形式简化对算符观测量的计算
（注：在部分文献里，如果对右矢的MPS或TN态取转置共轭到左矢，箭头的方向也要相应地方向。但在这里我们把转置共轭后的MPS也当作纯粹的TN看待，故不对箭头进行反向；省略物理指标上的箭头）
①当正交中心与观测量所在格点重合时，计算二体算符的平均值时可做例如下图的简化:
注：因为MPS态是满足中心正则的，根据中心正交性每上下对可以得到一个单位矩阵
②当正交中心不与观测量所在格点重合时，在不移动正交中心的情况下，计算可做例如下图的简化:
2.4总结
综上, 在DMRG算法中，对第n个张量
A
(
n
)
A^{(n)}
A(n) 的更新步骤如下：
a) 将MPS正交中心移动到第n个张量;
b) 计算第n个张量对应的有效哈密顿量
h
^
n
\hat{h}_{n}
h^n;
c) 将
A
(
n
)
A^{(n)}
A(n) 更新为
h
^
n
\hat{h}_{n}
h^n 的最低本征态。
整个DMRG算法的步骤如下：
1.
1 .
1. 随机初始化MPS态中的各个张量
{
A
(
n
)
}
;
\left\{A^{(n)}\right\} ;
{A(n)};
2. 按步骤a)-c) 依次更新第1到第N个张量，再依次更新第N到第1个张量;
3. 如果MPS收效，计算完成; 否则返回第2步。 （注：步骤2被称为一个sweep）
总结：DMRG算法的关键在于将整个MPS的优化问题化成多个有效哈密顿量的最小本征问题，循环优化直至MPS收敛
2.5重整化群的概念
①在理论物理中，“重整化”（ renormalization ）可被理解为，通过对系统进行某种（空间或能量等）上的尺度/标度变换，研究相应物理性质的变化。
注：重整化：把不太重要的态或者基底扔掉，只保留重要的态
②“群”（group）取自于群论，代指标度变换的方式。重整化群并不一定真正构成一个群，但是往往意味着某种变换不变性，并自洽的方式去掉物理系统的细节信息，提取本质属性。
③从低秩近似的角度，密度矩阵重整化群中的“重整化” ，可以理解成对量子希尔伯特空间的最优低秩压缩。
具体而言，正交条件对应的方向，可以看成是重整化流（RG flow）的方向，每个辅助指标，可以看作是沿重整化流反方向经过的所有物理指标的低秩近似，即在相应希尔伯特空间中提取重要的基矢，去掉不重要的基矢。
④在DMRG中，基矢的重要程度是由能量决定的，这也符合热力学的原理
2216
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
