[论文解读] DMRG Approach to Optimizing Two-Dimensional Tensor Networks

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

Quantum many-body systems被引用 18

一句话总结

该论文提出了一种类似DMRG的算法，用于优化二维PEPS张量网络，通过整合原始DMRG方法的关键特性——规范形式、常规特征值求解器和稳定的大更新——实现了对二维自旋模型的快速、高精度收敛。该方法在键维数D=6时展现出指数能量收敛速度，并与精确QMC结果具有竞争力的精度。

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.

研究动机与目标

• 将成功应用于一维MPS的强力DMRG算法扩展至二维PEPS张量网络。
• 解决现有PEPS优化方法中缺乏规范形式、高效特征值求解器和稳定大更新的问题。
• 通过张量网络实现高精度、可扩展的二维量子多体系统模拟。
• 为未来改进（如自适应键维数增长和双站点更新）奠定基础。

提出的方法

• 采用单张量DMRG方法对PEPS进行优化，每次仅更新一个张量，其余张量保持固定。
• 利用近期在PEPS规范化方面的进展，对PEPS网络施加规范形式，确保正交性和数值稳定性。
• 将哈密顿量投影到由固定张量定义的正交基上，形成常规特征值问题。
• 使用Lanczos或Davidson等迭代求解器高效且准确地求解投影后的特征值问题。
• 在保持整体网络稳定性的前提下，对单个张量执行大而稳定的更新。
• 在ITensor库中使用GPU加速后端以优化性能，尤其针对张量收缩和MPO-MPO乘法。

实验结果

研究问题

• RQ1 DMRG算法的核心优势——规范形式、常规特征值问题和稳定大更新——能否成功适配于二维PEPS？
• RQ2 对于二维自旋模型，PEPS-DMRG的收敛速度与精确结果或QMC结果相比如何？
• RQ3 有限键维数和规范化精度对PEPS-DMRG中能量和自旋-自旋关联函数的影响如何？
• RQ4 该方法能否扩展为通过双站点算法实现自适应键维数增长？
• RQ5 有限尺寸PEPS-DMRG在估算体性质方面与无限PEPS（iPEPS）相比性能如何？

主要发现

• PEPS-DMRG算法在DMRG扫掠次数上实现了能量的指数收敛，对于L=10系统，仅需约十次扫掠即可使能量接近最终值的10⁻²以内。
• 对于L=10的海森堡模型，使用键维数D=6和环境维数χ=12时，能量每单位的收敛结果与精确QMC结果相差仅10⁻²。
• 使用D=6的PEPS计算的自旋-自旋关联函数与精确MPS-DMRG结果相比存在有限键维数偏差，其精度与当前最先进的iPEPS方法相当。
• 优化过程中偶尔出现的能量上升现象归因于规范化的不完美，表明改进规范化算法将提升方法的稳定性和精度。
• 总运行时间中，张量收缩（46%）和MPO-MPO乘法（14%）占主导地位，凸显了算法优化的潜力。
• GPU加速的ITensor后端显著提升了模拟速度，使更大系统和更高键维数的高效探索成为可能。