[논문 리뷰] Renormalization group on a triad network

Daisuke Kadoh, Katsumasa Nakayama|arXiv (Cornell University)|2019. 01. 01.

Quantum many-body systems인용 수 30

한 줄 요약

이 논문은 삼각형 네트워크에서만 제3차 텐서를 사용하는 새로운 텐서 재정규화군(삼각형 RG)을 제안하며, 등급 수축 비용을 O(D⁶)로 감소시켜 d ≥ 2 차원에서의 계산 비용을 낮춘다. 랜덤화된 SVD를 사용할 경우 비용은 O(D⁵)로 추가로 감소한다. 이는 공간 차원 수에 관계없이 일정하다. 이 방법은 큰 결합 차수 D에서 3차원 이징 모델에 대해 정확한 결과를 도출하며, 제어 가능한 오차 범위 내에서 얻을 수 있으며, HOTRG와 ATRG에 비해 비용이 낮고 고차원에서 더 높은 효율성을 제공한다.

ABSTRACT

We propose a new renormalization scheme of tensor networks made only of third order tensors. The isometry used for coarse-graining the network can be prepared at an $O(D^6)$ computational cost in any $d$ dimension ($d \ge 2$), where $D$ is the truncated bond dimension of tensors. Although it is reduced to $O(D^5)$ if a randomized singular value decomposition is employed, the total cost is $O(D^{d+3})$ because the contraction part for creating a renormalized tensor with isometries has $D^{d+3}$ multiplications. We test our method in three dimensional Ising model and find that the numerical results are obtained for large $D$s with reasonable errors.

연구 동기 및 목표

• 고차원 격자 양자장 이론에서 계산 비용을 줄인 텐서 네트워크 재정규화 방법을 개발하기 위해.
• d ≥ 3 차원에서 기존 HOTRG의 O(D⁴ᵈ⁻¹) 스케일링 문제를 해결하기 위해 네트워크를 제3차 텐서로 재구성하기 위해.
• 큰 결합 차수 D에서 3D 통계 모델(예: 이징 모델)의 정확한 수치 시뮬레이션을 제어 가능한 오차 범위 내에서 가능하게 하기 위해.
• 삼각형 네트워크를 사용할 경우, 차원 수 d에 관계없이 등급 수축 비용이 독립적이며, 확장성이 향상됨을 보여주기 위해.

제안 방법

• 이 방법은 제6차 텐서 T를 삼각형 표현을 통해 네 개의 제3차 텐서 A, B, C, D의 곱으로 재표현하여, 오직 제3차 텐서로 이루어진 삼각형 네트워크를 구성한다.
• 한 방향(예: z)에 따라 군집화를 수행하기 위해 두 텐서를 수축하여 행렬 M을 형성하고, 이를 고차원 SVD(HOSVD)로 분해하여 등급 수축을 추출한다.
• 중간 텐서 Sᵢ와 Rᵢ의 행렬 곱을 이용해 HOSVD를 효율적으로 계산함으로써, K 행렬을 명시적으로 형성하지 않고도 O(D⁶) 비용으로 K 행렬을 구성할 수 있다.
• 랜덤화된 SVD(RSVD)를 통해 전체 행렬 대각화를 피함으로써 등급 수축 계산 비용을 O(D⁵)로 감소시킨다.
• 잔류 고유값 합 ϵQ를 최소화하는 조건에 따라 등급 수축 Uᴸ과 Uᴿ을 선택하여 정확도를 최적화한다.
• 선택된 등급 수축과 M을 수축하여 재정규화된 텐서를 형성하며, 최종 수축 비용은 d 차원에서 O(Dᵈ⁺³)로 스케일링된다.

실험 결과

연구 질문

• RQ1 오직 제3차 텐서로 구성된 텐서 네트워크가 고차원에서 텐서 재정규화의 계산 비용을 줄일 수 있는가?
• RQ2 삼각형 네트워크 프레임워크를 사용할 경우, 등급 수축 비용이 차원 수 d에 독립적인가?
• RQ3 큰 결합 차수 D에서 3D 이징 모델에 대해 제안된 삼각형 RG의 정확도가 HOTRG 및 ATRG에 비해 어떻게 비교되는가?
• RQ4 삼각형 프레임워크에서 K 행렬에 대해 RSVD를 효과적으로 적용하여 비용을 낮추되 정확도를 손상시키지 않을 수 있는가?
• RQ5 d차원 격자에서 전체 재정규화 절차의 메모리 및 계산 비용 스케일링은 어떻게 되는가?

주요 결과

• 등급 수축 비용은 d ≥ 2의 모든 차원에서 O(D⁶)이며, 기존 HOTRG의 O(D⁴ᵈ⁻¹) 비용에 비해 상당히 감소하였다.
• 랜덤화된 SVD를 사용할 경우, 효율적인 행렬 곱 평가 덕분에 비용은 O(D⁵)로 감소하며, 이는 차원 수에 독립적이다.
• 전체 재정규화 단계의 주요 비용은 O(Dᵈ⁺³)로 스케일링되며, 3D 시스템에서 큰 D에 대해서도 처리 가능하다.
• 3D 이징 모델의 수치 결과는 큰 D에서 알려진 기준 결과와 양호한 일치를 보이며, 합리적인 오차 범위 내에 있다.
• 이 방법은 정확도를 유지하면서 HOTRG 및 ATRG에 비해 더 높은 계산 효율성을 확보하였으며, 특히 큰 결합 차수에서 두드러진다.
• 삼각형 네트워크 프레임워크는 등급 수축 비용이 차원 수에 따라 분리되어 있음을 통해 고차원에서의 확장 가능한 텐서 네트워크 시뮬레이션을 가능하게 한다.