（19）张量网络的梯度更新

1.背景

在上面介绍的方法中，我们将想要解决的问题看成了TN的收缩，例如iTEBD与iDMRG算法将基态的计算化成了TN的收缩计算，而MPS被用作为了计算TN收缩的工具，即一行张量构成的MPO的近似本征态。
实际上，张量收缩问题与变分（极值）问题具有一定的等价性，那么梯度法求解张量网络收缩（或求基态）也是TN领域一种常用的方法，特别是TN机器学习领域。

2.梯度更新法

问题：当我们波函数归一的前提下，极小化观测量（能量）
以使用MPS求解基态为例，需要解决的极值问题为（下图对于有无平移对称性的、有限或无限大的系统均成立）：

解决方案：用梯度更新法解决就相当于求能量关于每一个局域张量的梯度
假设MPS中** **（区别于uMPS），则有:
$$A^{(n)}\leftarrow A^{(n)}-\eta \frac{\partial E}{\partial A^{(n)}}$$
实际上，对于任意闭合张量网络（无开放指标），其关于某张量的导数，等于将该张量从张量网络中移除之后所得的张量网络。
代表导数的张量网络的开放指标即为被求导张量的指标，故计算导数张量网络的收缩后得到的张量与被求导张量同阶同维

因此，张量网络导数的计算，仍然是张量网络的收缩计算