[論文レビュー] Dynamical Simulations of Schrödinger's Equation via Rank-Adaptive Tensor Decompositions

N. Anders Petersson, Chase Hodges-Heilmann+1 more|arXiv (Cornell University)|Mar 14, 2026

Tensor decomposition and applications被引用数 0

ひとこと要約

この論文は、時間依存シュレディンガー方程式のダイナミクスを効率的にシミュレートするためのランク適応型低ランクテンソル手法（TT/MPS と Tucker 形式）を開発・比較し、BUG、TDVP、および TDVP-2 アルゴリズムを含む。大規模な時間依存ハミルトニアンを持つ量子系を効率的に解析する。

ABSTRACT

We study low-rank tensor methods for the numerical solution of Schrödinger's equation with time-independent and explicitly time-dependent Hamiltonians, motivated by large-scale simulations of many-body quantum systems and quantum computing devices subject to time-dependent control pulses. We outline the recent application of the "basis update and Galerkin" (BUG) method for tensor trains, and describe the established TDVP and TDVP-2 algorithms based on the time-dependent variational principle. For comparison, we also consider the BUG method in the Tucker format. All these approaches enable memory efficient representations of partially entangled quantum states and thereby mitigate the exponential cost of conventional state-vector formulations. The rank-adaptivity relies on the truncated singular value decomposition, in which the rank of a matrix is reduced by setting its smallest singular values to zero, based on a threshold parameter that controls the truncation error. Numerical experiments on representative time-independent and time-dependent Hamiltonian models quantify the tradeoff between accuracy and compression across methods, with particular attention to the interplay between the time-step and the truncation threshold, and how the computational effort scales with the number of sub-systems in the quantum system.

研究の動機と目的

• 状態ベクトルが指数的に増大する大規模・複数サブシステム量子系のメモリ効率の高いシミュレーションを動機づける。
• 時間非依存および時間依存ハミルトニアンを伴うシュレディンガー方程式を進化させるためのランク適応テンソル手法を導入する。
• テンソルトレイン（BUG）とTucker形式をTDVPベースのアプローチと比較する。
• 方法間での切断誤差、タイムステップ、および計算/ストレージコストのトレードオフを分析する。

提案手法

• 量子状態のテンソルトレイン（TT/MPS）とTucker表現とそのコア/ボンドを記述する。
• テンソルトレインとTuckerテンソルのBUG法を提示する。
• TDVPとランク適応を伴うTDVP-2アルゴリズムを、切断SVDを用いて説明する。
• ハミルトニアンをMPOとして表現し、膨張した状態を形成せずにMPSに作用させる。
• 安定なノルム保存時間積分のために、リチャードソン外挿付きの隐mid-point法（IMR）を用いる。
• 環境縮約から有効ハミルトニアンを形成し、前方/後方掃引でコア更新を行う方法を論じる。

実験結果

リサーチクエスチョン

• RQ1 ランク適応テンソル分解（TT/MPS、Tucker）は、時間非依存と時間依存のハミルトニアンに対するシュレディンガー動力学のシミュレーションでどのように機能するか。
• RQ2 BUG、TDVP、TDVP-2 の時間ステップ δ と切断閾値 ε を変えたときの精度と圧縮のトレードオフはどうなるか。
• RQ3 これらのランク適応アプローチのサブシステム数 N に対する計算コストのスケーリングはどうなるか。
• RQ4 Tucker 形式のBUG はテンソルトレインと比較して動的量子シミュレーションで競争力のある性能を示すか。

主な発見

• ランク適応テンソル法は部分的にエンタングルされた量子状態のメモリ効率の高い表現を可能にし、指数的なストレージコストを緩和する。
• TDVP、TDVP-2、BUG アルゴリズムは、切断誤差 ε の下でランクを適応させるために切断SVDを用い、精度と圧縮のバランスを取る。
• 数値実験は精度とストレージのためのタイムステップと切断閾値の相互作用を定量化し、系サイズに対するスケーリング挙動を示す。
• ハミルトニアンのMPO表現は、膨張状態を作らずにMPSへ効率的に作用させることができ、局所および近局所相互作用のスケーラビリティを支援する。
• TDVP はノルムとエネルギーを保存するが、時間発展中の精度を維持するためには適切なボンド次元が必要である。