[论文解读] Targeting Multiple States in the Density Matrix Renormalization Group with The Singular Value Decomposition

E. D’Azevedo, Wael Elwasif+2 more|arXiv (Cornell University)|Feb 25, 2019

Quantum and electron transport phenomena被引用 4

一句话总结

本论文提出在密度矩阵重整化群（DMRG）方法中使用奇异值分解（SVD）来同时瞄准多个量子态，从而提升计算效率，并实现与矩阵乘积态（MPS）形式的无缝集成。通过用SVD替代密度矩阵构建，该方法将运行时间减少了约25%，并显著提升了频率分辨谱函数的计算性能，如在两腿 ladder 晶格上的 Hubbard 模型模拟中，借助 GPU 加速的矩阵-向量乘法所验证。

ABSTRACT

In the Density Matrix Renormalization Group (DMRG), multiple states must be included in the density matrix when properties beyond ground state are needed, including temperature dependence, time evolution, and frequency-resolved response functions. How to include these states in the density matrix has been shown in the past. But it is advantageous to replace the density matrix by a singular value decomposition (SVD) instead, because of improved performance, and because it enables multiple targeting in the matrix product state description of the DMRG. This paper shows how to target multiple states using the SVD; it analyzes the implication of local symmetries, and discusses typical performance improvements using the example of the Hubbard model's photo-emission spectra on a ladder geometry.

研究动机与目标

• 将 DMRG 算法从基态计算扩展至激发态、动态响应函数及有限温性质的精确计算。
• 通过用奇异值分解（SVD）替代多态 DMRG 中的密度矩阵构建，克服其计算瓶颈。
• 在矩阵乘积态（MPS）框架内实现高效的多态瞄准，避免昂贵的 MPS 加法与压缩操作。
• 分析局域对称性及对称性区块对基于 SVD 的 DMRG 性能的影响。
• 在实际模型（如两腿 ladder 上的 Hubbard 模型）上对方法进行基准测试，用于角分辨光电子能谱及频率依赖可观测量的计算。

提出的方法

• 在 DMRG 中用多体波函数的奇异值分解（SVD）替代传统密度矩阵构建，其中奇异值的平方对应于约化密度矩阵的本征值。
• 通过加权叠加的方式定义广义约化密度矩阵，包含多个目标态（如基态、激发态、校正向量），并为每个目标态分配非零权重。
• 利用超块波函数的 SVD 直接获得最优截断基，避免显式构造和对角化完整密度矩阵。
• 通过将 SVD 分解至对称性子空间，引入局域对称性，实现并行化处理，提升性能。
• 将基于 SVD 的算法集成至 DMRG 的 MPS 形式中，实现对多个态的直接操作，无需额外的 MPS 压缩步骤。
• 通过将最耗时的子算法——矩阵-向量乘法——卸载至 GPU，优化性能；而 SVD 及其他操作因内存开销仍保留在 CPU 上执行。

实验结果

研究问题

• RQ1 如何将 DMRG 算法扩展以高效瞄准基态以外的多个量子态？
• RQ2 在多态 DMRG 中，使用 SVD 而非密度矩阵对角化具有哪些计算优势？
• RQ3 局域对称性如何影响基于 SVD 的多态瞄准在 DMRG 中的实现与性能表现？
• RQ4 SVD 方法在计算 Hubbard 模型频率分辨谱函数方面带来了哪些性能提升？
• RQ5 基于 SVD 的方法是否能通过对称性区块与 GPU 加速在大规模模拟中实现高效并行化？

主要发现

• 在两腿 ladder 上的 Hubbard 模型谱函数计算中，基于 SVD 的方法相比传统 DMRG 将总运行时间减少了约 25%。
• SVD 方法通过消除显式构建和对角化密度矩阵的需要，优于密度矩阵对角化，实现更快收敛。
• 对于 32×2 ladder 晶格上的 Hubbard 模型，最多保留 2000 个态时，仅需 400 个 Lanczos 向量即可实现谱函数的收敛。
• 性能基准测试表明，矩阵-向量乘法的 GPU 加速显著缩短了运行时间，但 SVD 计算仅占总时间的 5% 左右，且因内存开销未在 GPU 上加速。
• 基于 SVD 的方法实现了在 MPS 框架中对多个态的直接瞄准，替代了对 MPS 加法与压缩的需求，从而简化了算法流程。
• 该方法可通过虚时演化自然扩展至有限温计算，也可通过 Krylov 子空间方法实现真实时间动力学，且具有相似的计算规模优势。