[논문 리뷰] DMRG Approach to Optimizing Two-Dimensional Tensor Networks

Katharine Hyatt, E. Miles Stoudenmire|arXiv (Cornell University)|2019. 08. 23.

Quantum many-body systems인용 수 18

한 줄 요약

이 논문은 원래 DMRG 방법의 핵심 기능인 캐논리컬 형식, 정규 고유값 해법, 안정적인 대규모 갱신을 통합함으로써 2차원 PEPS 텐서 네트워크를 최적화하기 위한 DMRG 유사 알고리즘을 제안한다. 이 방법은 2차원 스핀 모델에서 빠르고 정확한 수렴을 달성하며, D=6일 때 정확한 QMC 결과와 경쟁 가능한 정밀도를 보이며 지수적 에너지 수렴을 보인다.

ABSTRACT

Tensor network algorithms have been remarkably successful solving a variety of problems in quantum many-body physics. However, algorithms to optimize two-dimensional tensor networks known as PEPS lack many of the aspects that make the seminal density matrix renormalization group (DMRG) algorithm so powerful for optimizing one-dimensional tensor networks known as matrix product states. We implement a framework for optimizing two-dimensional PEPS tensor networks which includes all of steps that make DMRG so successful for optimizing one-dimension tensor networks. We present results for several 2D spin models and discuss possible extensions and applications.

연구 동기 및 목표

• 1D MPS에 성공적으로 적용된 강력한 DMRG 알고리즘을 2차원 PEPS 텐서 네트워크로 확장하기 위해.
• 기존 PEPS 최적화 방법에서 캐논리컬 형식, 효율적인 고유값 해법, 안정적인 대규모 갱신의 부재 문제를 해결하기 위해.
• 텐서 네트워크를 이용한 2차원 양자 다체계의 고정밀도, 확장 가능한 시뮬레이션을 가능하게 하기 위해.
• 향후 개선을 위한 기반을 마련하기 위해, 예를 들어 적응형 결합 차원과 이중 텐서 갱신을 포함하는 것 등.

제안 방법

• 한 번에 한 개의 텐서만 갱신하면서 나머지 텐서는 고정하는 1-스ite DMRG 방식을 PEPS에 도입한다.
• 최근의 PEPS 캐논리제이션 기술을 활용해 PEPS 네트워크에 캐논리컬 형식을 도입함으로써, 정규직교성과 수치적 안정성을 확보한다.
• 고정된 텐서가 정의하는 정규직교 기저에 힘학적 해밀토니안을 투영하여 정규 고유값 문제를 구성한다.
• 효율성과 정밀도를 확보하기 위해 랑츠 또는 다비드슨 같은 반복적 해법을 사용해 투영된 고유값 문제를 해결한다.
• 전체 네트워크의 안정성을 유지하면서도 개별 텐서에 대해 대규모이고 안정적인 갱신을 수행한다.
• 특히 텐서 결합과 MPO-MPO 곱셈에 있어 성능을 최적화하기 위해 ITensor 라이브러리의 GPU 가속 백엔드를 사용한다.

실험 결과

연구 질문

• RQ1 DMRG 알고리즘의 核심적 이점인 캐논리컬 형식, 정규 고유값 문제, 안정적인 대규모 갱신이 2차원 PEPS에 성공적으로 적용될 수 있는가?
• RQ2 2차원 스핀 모델에서 PEPS-DMRG의 수렴 속도는 정확한 결과나 QMC 결과와 비교해 어떻게 되는가?
• RQ3 유한한 결합 차원과 캐논리제이션 정밀도가 PEPS-DMRG의 에너지와 스핀-스핀 상관관계에 어떤 영향을 미치는가?
• RQ4 이중 텐서 알고리즘을 통해 적응형 결합 차원 증가를 포함할 수 있는가?
• RQ5 유한한 크기의 PEPS-DMRG 성능이 부스러기 성질을 추정하는 데서 iPEPS와 비교해 어떻게 되는가?

주요 결과

• PEPS-DMRG 알고리즘은 DMRG 스위프트 수에 따라 에너지가 지수적으로 수렴하며, L=10 시스템에서 약 10회의 스위프트만으로 최종 에너지의 10⁻² 이내에 도달한다.
• L=10 헤이젠베르크 모델에서 D=6 및 환경 차원 χ=12를 사용할 경우, 단위 스팟 당 에너지가 정확한 QMC 결과와 10⁻² 이내로 수렴한다.
• D=6 PEPS로 계산된 스핀-스핀 상관관계는 정확한 MPS-DMRG 결과와 비교해 유한한 결합 차원에 기인한 차이를 보이며, 최신의 iPEPS 방법과 유사한 정밀도를 확보한다.
• 최적화 과정에서 에너지가 때로 증가하는 것은 완벽하지 않은 캐논리제이션에 기인한 것으로 보이며, 이는 캐논리제이션 알고리즘의 향상이 안정성과 정밀도를 향상시킬 수 있음을 시사한다.
• 전체 런타임의 46%가 텐서 결합, 14%가 MPO-MPO 곱셈에 의해 차지되며, 이는 알고리즘 최적화의 잠재적 기회를 강조한다.
• GPU 가속을 통한 ITensor 백엔드는 시뮬레이션 속도를 크게 향상시켜 더 큰 시스템과 높은 결합 차원에서의 효율적 탐색을 가능하게 한다.