[论文解读] Invariant Theory for Matrix Product States

Jacob Biamonte, Ville Bergholm+1 more|arXiv (Cornell University)|Sep 4, 2012

Quantum many-body systems被引用 2

一句话总结

本文提出了一种基于张量网络的图形化方法，用于表示量子态（特别是矩阵乘积态，MPS）的多项式局部幺正不变量，为传统代数方法提供了一种结构上更具洞察力且计算更简单的替代方案。该方法通过张量收缩生成一组完整的不变量，编码了Rényi熵，并利用成熟的MPS技术对不变量进行分析。

ABSTRACT

Invariant theory is concerned with functions that do not change under the action of a given group. Here we communicate an approach based on tensor networks to represent polynomial local unitary invariants of quantum states. This graphical approach provides an alternative to the polynomial equations that describe invariants, which often contain a large number of terms with coefficients raised to high powers. This approach also enables one to use known methods from tensor network theory (such as the matrix product state factorization) when studying polynomial invariants. As our main example, we consider invariants of matrix product states. We generate a family of tensor contractions resulting in a complete set of local unitary invariants that can be used to express the Renyi entropies. We find that the graphical approach to representing invariants can provide structural insight into the invariants being contracted, as well as an alternative, and sometimes much simpler, means to study polynomial invariants of quantum states. In addition, many tensor network methods, such as matrix product states, contain excellent tools that can be applied in the study of invariants.

研究动机与目标

• 开发一种基于张量网络的图形化方法，用于表示量子态的多项式局部幺正不变量。
• 克服传统高次多项式方程中高次幂项和大系数带来的计算复杂性。
• 应用已知的张量网络工具（尤其是矩阵乘积态分解）更高效地研究不变量。
• 为矩阵乘积态生成一组完整的不变量，使其能够表达Rényi熵。
• 通过可视化张量收缩，为不变量提供结构上的洞察，增强可解释性。

提出的方法

• 该方法利用张量网络将多项式不变量表示为张量的图形化收缩，取代复杂的代数表达式。
• 利用矩阵乘积态（MPS）分解技术，分解并分析不变量的结构。
• 系统性地生成张量收缩，形成MPS的局部幺正不变量的完整基。
• 通过在张量网络图中编码不变量，避免了显式处理高次幂和大量项的多项式方程。
• 图形化表示使对不变量对称性和结构特性的直观识别成为可能。
• 该框架支持直接使用成熟的张量网络算法，以简化和计算不变量。

实验结果

研究问题

• RQ1 张量网络如何比传统代数方法更高效地表示多项式局部幺正不变量？
• RQ2 矩阵乘积态的不变量具有何种结构？其结构如何通过张量收缩进行可视化？
• RQ3 张量网络工具（如MPS分解）能否应用于推导和分析量子态中的不变量？
• RQ4 这些图形化不变量如何与可测量的物理量（如Rényi熵）相关联？
• RQ5 在计算简便性和结构洞察方面，该图形化方法具有哪些优势？

主要发现

• 张量网络方法通过系统性的张量收缩，为矩阵乘积态提供了完整的局部幺正不变量集合。
• 该方法为涉及高次多项式和复杂系数的代数表示提供了一种更简单、更直观的替代方案。
• 图形化表示揭示了通过多项式方程难以获取的不变量结构特性。
• 该方法能够通过推导出的不变量表达Rényi熵，将抽象的不变量与可测量的量子信息量联系起来。
• 已知的张量网络技术（如MPS分解）可直接应用于研究和简化不变量的结构。