二维经典晶格模型的TRG方法

Tensor Renormalization Group Approach to Two-Dimensional Classical Lattice Models

DOI:PRL 99, 120601 (2007)

1.介绍

这种方法在本质上与块自旋方法（ block spin methods）相似，但同时建立在量子纠缠理论的基础上。在这个意义上，该技术可以看作是DMRG方法的经典类比。

---

密度矩阵重正化群(DMRG)技术在一维量子系统的分析中被证明是非常强大的。因此，我们尝试在高维空间发展类似的重整化群方法，这种方法可以解决许多目前难以解决的问题(如2D Hubbard模型)。虽然经典的实空间重整化群方法(如块自旋方法)已经存在多年，但它们从来没有达到DMRG的通一性和精确性。

---

在二维的情况下，利用量子信息论的思想，提出了一种数值重整化群方法，该方法可以有效地求解任意二维经典晶格模型。我们将这种技术称为张量重整化群方法(TRG)——没有sign problem，并且同样适用于具有复杂权重的模型。

---

该方法的优点是，它是一个完全各向同性的粗粒化过程，在思想上类似于块自旋方法。因此，它也适合于研究宇宙远距离物理。在理论层面上，这种方法也揭示了经典RG与量子纠缠的关系。

---

TRG适合在张量网络模型中运用，许多著名的统计力学模型，如Ising模型、Potts模型和六顶点模型，都可以很自然地写成张量网络模型，即所有具有局部相互作用的经典格模型都可以写成张量网络模型

2.具体算法

2.1Tensor network models

我们现在来描述蜂巢晶格上的张量网络模型，首先指定一个(循环对称)张量$T_{ijk}$（$i,j,k=1,...,D$），相应的张量网络在蜂窝晶格的每个键上的自由度为$i$（$i=1,...,D$）
（$i,j,k,...$）的权重为：$e^{-S(i,j,k,...)}=T_{ijk}{T}_{ilm}{T}_{jnp}{T}_{kqr}....$ 即将下图晶格中所有的张量进行乘积
配分函数是所有权值的和：
$$Z=\sum _{ijk...}{e}^{-S(i,j,k,...)}=\sum _{ijk...}{T}_{ijk}{T}_{ilm}{T}_{jnp}{T}_{kqr}....$$即，配分函数是通过取所有张量的乘积并且缩并每个键上的指标对得到。

2.2The TRG method

TRG是一种利用实空间RG流计算配分函数Z的方法，下面我们将解释这种方法在蜂窝晶格的情况下。
每个粗粒化迭代由两个单独的步骤组成（粗粒化转换）：① 近似 ② 精确
如图所示：

①近似
首先找到一个张量$S$:
$$\sum _n{S}_{lin}{S}_{jkn}\approx \sum _m{T}_{ijm}{T}_{klm}$$注：如何找到$S$将在后面讲到
这时我们可以重新连接晶格，进行替换：

整个过程就是：

注：这时配分函数是通过在新晶格上收缩S张量得到的。
② 精确
我们将三组相邻点组合在一起，用一个粗粒化张量$T^{{}^{\prime }}$格点代替它们：

其中张量$T^{{}^{\prime }}$是由三角形的三个键缩并得到的：
$$T_{ijk}^{{}^{\prime }}=\sum _{pqr}{S}_{kpq}{S}_{jqr}{S}_{irp}$$整个过程就是：

整个过程中格点的数量减少了三倍。

---

注：热力学观测值和相关函数可以由两种方法得到：
1.对$F$求导，其中$F=-log(Z)$ （$Z$为配分函数）
2.评估更一般模型的自由能，其中张量$T_{ijk}$随位置而变化
注：张量$T$将收敛于不动点$T^{\ast }$

---

这种方法不局限于蜂窝晶格，也可以很容易地在其他晶格上实现，如图：

2.3如何确定$S$

我们将${\sum }_m{T}_{ijm}{T}_{klm}$写为$D^2\times D^2$的矩阵$M$：
$$M_{li,jk}=\sum _m{T}_{ijm}{T}_{klm}$$我们也可以考虑张量$S_{lin}$为一个$D^2\times D$的矩阵
那么我们${\sum }_n{S}_{lin}{S}_{jkn}\approx {\sum }_m{T}_{ijm}{T}_{klm}$问题可以化为找到矩阵$S$，使得满足：
$$M=S{S}^T$$一般来说，这个因式分解不能精确地完成,因为$M$的秩为$D^2$，而$S{S}^T$的秩最多为$D$
但是我们可以获得近似的解，其思想是选择误差$|M-S{S}^T{|}^2$最小的矩阵$S$，然后对$M$进行SVD分解得到我们最优的$S$。
更详细的步骤：
（1）$M_{li,jk}={\sum }_n{s}_n{U}_{li,n}{V}_{jk,n}^{\ast }$（其中$s_n$为奇异值，$U,V$是酉矩阵）
（2）截断矩阵$U_{li,n}$和$V_{jk,n}$，只保留与最大$D$个奇异值对应的列，于是我们得到矩阵${\tilde{U}}_{li,n}$和${\tilde{V}}_{jk,n}$的维数为$D^2\times D$
（3）最后我们令$S_{lin}=\sqrt{s_n}{\tilde{U}}_{li,n}$
注：只要我们稍微调整一下相位模糊度：$U_{li,n}\to U_{li,n}{e}^{i{\varphi }_n},V_{jk,n}\to V_{jk,n}{e}^{-i{\varphi }_n}$就可以得到要求的因式分解。但是在实践中，忽略相位调整问题往往更方便,直接令$S_{\mathrm{l}\mathrm{i}\mathrm{n}}^A=\sqrt{s_n}{\tilde{U}}_{li,n},S_{jkn}^B=\sqrt{s_n}{\tilde{V}}_{jk,n}^{\ast }$
结果就是我们得到：
$$\sum _n{S}_{\mathrm{lin}}^A{S}_{jkn}^B\approx \sum _m{T}_{ijm}{T}_{klm}$$其中$S^A$和$S^B$只在一些相位因子上不同
我们可以运用TRG，只是我们需要对$A$和$B$格子追踪他们的张量$T^A$和$T^B$
注：
这种最优分解的误差与迭代次数无关，并且可以通过增加D来任意减小
误差为$\epsilon \sim exp[-const\times (logD{)}^2]$（与DMRG中的截断误差相同）