全文 - A Practical Introduction to Tensor Networks: Matrix Product States and Projected Entangled Pair

“张量网络实用导论：矩阵乘积态与投影纠缠对态”

2014年

source: “arXiv:1306.2164 [cond-mat.str-el]”

---

1 引言

近年来，张量网络领域在多个方向上取得了爆炸性的成果。这在量子多体系统的研究中尤为明显，无论是理论上还是数值上。此外，在一些此前难以预见的研究方向上也是如此，例如它与量子引力中的全息原理和AdS/CFT对应的关系[@holo; @holographic]。如今，张量网络作为一个领域正在迅速发展，并正在凝聚一个跨学科的、充满热情的研究者社区。

本文旨在介绍不断扩展的张量网络领域中的若干精选主题，主要侧重于矩阵乘积态和投影纠缠对态的一些实际（即算法）应用。本文主要基于作者在相关主题上的多次介绍性研讨会和讲座，目的是让没有经验的读者能够开始熟悉该领域的一些常见概念。但我们现在需要澄清，我们并不打算涵盖市场上所有的结果和技术，而是试图以一种或多或少易于理解的方式呈现一些有启发性的信息，有时也力求直观，同时为感兴趣的读者提供进一步的参考文献。从这个意义上说，本文不打算成为该主题的完整综述，而是一本对初学者有用的手册。

本文分为几个部分。第2节提供了一些关于该主题的背景知识。第3节阐述了使用张量网络的动机，第4节介绍了张量网络理论的一些基础知识，如缩并、图示符号及其与量子多体波函数的关系。第5节介绍了关于一维系统矩阵乘积态（MPS）和二维系统投影纠缠对态（PEPS）的一些概况。在第6节中，我们解释了计算MPS和PEPS期望值和有效环境的几种策略，既适用于有限系统，也适用于热力学极限下的系统。在第7节中，我们介绍了寻找基态的两类方法的概况，即变分优化和虚时间演化。最后，在第8节中，我们提供了一些总结性意见，以及对感兴趣读者的进一步话题的简要讨论。

2 一些背景知识

理解量子多体系统可能是凝聚态物理学中最具挑战性的问题。例如，高-$T_c$ 超导的机制在很大程度上仍然是一个谜，尽管付出了许多努力[@highTcCup]。 朗道相变范式之外的其他重要凝聚态现象也已被证明非常难以理解，这反过来又增加了人们对新奇和奇异量子物质相的兴趣。这方面的例子包括拓扑有序相（其中长程纠缠模式贯穿整个系统）[@topo]、量子自旋液体（不破坏任何对称性的物质相）[@spinliquid]，以及解禁闭量子临界性（基本对称性不同的相之间的量子临界点）[@deconf1]。

理解这些系统的标准方法是提出简化的模型，这些模型被认为能够重现观测到的物理现象背后的相关相互作用，例如在研究高-$T_c$ 超导体时的Hubbard模型和 $t-J$ 模型[@hubbard]。一旦提出了一个模型，除了这些模型恰好可精确求解的少数幸运情况外，人们需要依赖可靠的数值方法来确定其性质。

就数值模拟算法而言，张量网络（TN）方法近年来在模拟强关联系统方面越来越受欢迎[@tn]。在这些方法中，系统的波函数由相互连接的张量网络描述。直观地说，这就像用乐高积木进行分解，其中纠缠扮演着各部分之间"胶水"的角色。换句话说，张量是波函数的DNA，因为整个波函数都可以从这个基本构建块重构出来，参见图(1{reference-type=“ref” reference=“fig1”})。更精确地说，TN技术提供了基于波函数纠缠内容的量子多体态的有效描述。数学上，纠缠的数量和结构是所选网络模式和张量中参数数量的结果。

最著名的TN方法可能是密度矩阵重整化群（DMRG）[@dmrg1; @dmrg2; @pbc1; @dmrg4]，由Steve White于1992年提出。可以说，这种方法在过去20年一直是模拟一维量子晶格系统的参考技术。然而，来自量子信息科学的许多重要突破已经为基于TN的许多其他算法奠定了基础。实际上，在这些方法众多的名称中很容易迷失，例如：时间演化块算法（TEBD）[@tebd; @itebd]、折叠算法[@folding]、投影纠缠对态（PEPS）[@PEPS]、张量重整化群（TRG）[@TRG]、张量-纠缠重整化群（TERG）[@TERG]、张量积变分方法[@TPVA]、加权图态[@weight]、纠缠重整化（ER）[@ER]、分支MERA[@branching]、弦键态[@StringBond1]、纠缠 plaquette 态[@EntangPlaq]、蒙特卡洛矩阵乘积态[@MCMPS]、树状张量网络[@TTN]、连续矩阵乘积态和连续张量网络[@CMPS]、含时变分原理（TDVP）[@TDVP]、二阶重整化群（SRG）[@SRG]、高阶张量重整化群（HOTRG）[@HOTRG]……这些只是一些例子。这些方法中的每一种都有其自身的优缺点，以及最佳的适用范围。

TN方法的一个良好特性是它们的灵活性。例如，人们可以研究不同维度、有限或无限大小[@iDMRG; @itebd; @iPEPS; @dctm; @TRG; @SRG; @HOTRG; @vdma]的系统，具有不同边界条件[@pbc1; @pbc2]、不同对称性[@sym]，以及玻色子[@boson1]、费米子[@ferm]和受挫自旋[@frus]系统。在此背景下也研究了不同类型的相变[@phase]。此外，这些方法现在在量子化学[@qc]和格点规范理论[@lgt]领域也找到了重要的应用，以及与量子引力、弦论和全息原理的有趣联系[@holographic]。开发无限大系统算法的可能性非常相关，因为它允许直接估计热力学极限下系统的性质，而没有有限尺寸标度效应的负担[^2]。使用这种方法的例子有一维的iDMRG[@iDMRG]和iTEBD[@itebd]（"i"代表无限），以及二维的iPEPS[@iPEPS]、TRG/SRG[@TRG; @SRG]和HOTRG[@HOTRG]。从数学角度看，张量网络理论的许多发展也来自数值分析中的低秩张量近似领域[@lowrank]。

3 为什么使用张量网络？ {#sec3}

考虑到现有用于强关联系统的数值方法种类繁多，人们可能完全会疑问TN方法的必要性。这是一个好问题，没有唯一的答案。下面我们将给出这些方法之所以重要、尤其是为什么必要的一些原因。

3.1 经典模拟的新边界

所有现有的数值技术都有其自身的局限性。仅举几例：量子哈密顿量的精确对角化（如Lanczos方法[@lanczos]）仅限于小尺寸系统，远离量子相变出现的热力学极限。级数展开技术[@series]依赖于微扰理论计算。平均场理论[@meanfield]未能忠实地包含系统中量子关联的效应。量子蒙特卡洛算法[@qmc]受符号问题的困扰，这限制了它们在费米子和受挫量子自旋系统中的应用。基于连续幺正变换的方法[@cut]依赖于对无穷多个耦合微分方程的近似求解。耦合簇方法[@coupled]限于中小型分子。密度泛函理论[@dft]强烈依赖于电子间交换和关联相互作用的建模。当然，这些只是一些例子。

TN方法也不是没有局限性。但正如我们将看到的，它们的主要局限性非常不同：量子多体态中纠缠的数量和结构。计算方法中的这种新限制以新的、前所未有的方式扩展了可以用经典计算机模拟的模型范围。

3.2 （凝聚态）物理学的新语言

TN方法用相互连接的张量网络来表示量子态，这些网络反过来捕捉了系统的相关纠缠特性。这种描述量子态的方式与通常的方法根本不同，在通常的方法中，人们只是给出波函数在某个给定基底下的系数。当处理TN态时，我们将看到，不用考虑复杂的方程，而是绘制张量网络图，参见图(2{reference-type=“ref” reference=“fig2”})。因此，人们已经认识到，这种张量描述提供了描述物质量子态的自然语言 ，包括朗道传统图景之外的那些态，如量子自旋液体和拓扑有序态。这是凝聚态物理学（事实上，是所有量子物理学）的一种新语言，它使一切变得更加直观，并带来了新的直觉、想法和结果。

fig2 :（彩色在线）张量网络图的两个例子：（a）具有开放边界条件的4位点矩阵乘积态（MPS）；（b）具有开放边界条件的 $3\times 3$ 晶格投影纠缠对态（PEPS）。

3.3 纠缠诱导几何

想象你有一个量子多体波函数。在某一局域基底下指定其系数并不能给出其组成部分之间纠缠结构的任何直觉。可以预期，这种结构取决于系统的维度：一维系统、二维系统等应该不同。但它也应该取决于更微妙的问题，如态的临界性和其关联长度。然而，量子态的朴素表示不具有关于这些性质的任何明确信息。因此，找到一种表示量子态的方式是可取的，其中这些信息是明确的且容易获取的。

正如我们将看到的，TN在其以量子关联网络描述的形式中直接提供了这些信息。在某种程度上，我们可以将TN态视为以某种纠缠表示给出的量子态。不同的表示更适合不同类型的态（一维、二维、临界……），而关联网络明确了态实际所处的有效晶格几何。我们将在第4.2节中更精确地讨论这一点。在这个层面上，这只是一个不错的性质。但事实上，通过将这一想法推向极限并将其反过来，许多工作提出几何和曲率（因此引力）可以自然地从量子态中存在的纠缠模式中产生[@geo]。在这里我们不会进一步讨论这个迷人的想法，但让我们只是提到，TN的语言正是 pursuing 这种联系的正确语言。

3.4 希尔伯特空间过大

这可能是TN成为自然界量子多体态关键描述的主要原因。对于一个包含 $N$ 个自旋 $1/2$ 的系统，希尔伯特空间的维度是 $2^N$ ，这在粒子数量上是指数大的。因此，仅通过在某一局域基底下给出波函数的系数来表示多体系统的量子态是一种低效的表示。量子多体系统的希尔伯特空间是一个非常大的地方，有着难以置信的大量量子态。为了给出一个定量的概念，让我们列举一些数字：如果 $N\sim 10^{23}$ （阿伏伽德罗常数的量级），那么希尔伯特空间中基底态的数量是 $\sim O(10^{10^{23}})$ ，这比可观测宇宙中估计的原子数量 $10^{80}$ 大得多（事实上是指数大）！[@sizeuniverse]

对我们来说幸运的是，并非多体系统希尔伯特空间中的所有量子态都是平等的：有些比其他更相关。具体而言，自然界中的许多重要哈密顿量是这样的：不同粒子之间的相互作用往往是局域的（例如最近邻或次近邻）[^3]。而相互作用的局域性具有重要的后果。特别是，可以证明具有局域相互作用的能隙哈密顿量的低能本征态满足所谓的纠缠熵面积律[@arealaw]，参见图(3{reference-type=“ref” reference=“fig3”})。这意味着空间区域的纠缠熵对于足够大的区域倾向于按区域的边界大小缩放，而不是体积[^4]。这是一个非常显著的属性，因为从多体希尔伯特空间中随机选取的量子态在子区域之间的纠缠熵将按体积缩放，而不是面积。换句话说，真实哈密顿量的低能态不仅仅是希尔伯特空间中的"任意"态：它们受到局域性的严重约束，因此必须满足纠缠面积律。

fig3:（彩色在线）$A$ 和 $B$ 之间的纠缠熵按两个区域之间边界 $\partial A$ 的大小缩放，因此 $S\sim \partial A$ 。

通过反转上述考虑，人们发现了一个戏剧性的后果：这意味着并非希尔伯特空间中的"任意"量子态都可以成为具有能隙的局域哈密顿量的低能态。只有那些满足面积律的态才是有效候选者。然而，包含这些态的流形只是巨大希尔伯特空间中一个微小的、指数小的角落（参见图(4{reference-type=“ref” reference=“fig4”})）。这个角落因此是相关态的角落。如果我们的目标是研究这个角落内的态，那么我们最好找到一种工具来直接瞄准它，而不是在整个希尔伯特空间中漫无目的地寻找。好消息来了：正是TN态家族瞄准了这个最相关的态角落[@Hastings]。此外，回想一下，多体系统的重整化群（RG）方法的目标是精确地识别和跟踪描述系统的相关自由度。因此，设计处理这个量子态相关角落并因此基于TN态的RG方法看起来就是自然的。

事实上，拥有如此巨大的希尔伯特空间的后果甚至更为戏剧性。例如，还可以证明，通过用局域哈密顿量将量子多体态演化时间 $O(\mathrm{poly}(N))$ ，可以在这段时间内到达的态流形也是指数小的[@poul]。换句话说：希尔伯特空间的绝大部分只有在需要 $O(\exp (N))$ 时间的演化之后才能到达。这意味着，给定某个初始量子态（它很可能属于满足面积律的相关角落），希尔伯特空间的大部分在实际上是不可达的。为了更好地理解这意味着什么，让我们再列举一些数字：对于 $N\sim 10^{23}$ 个粒子，通过用局域哈密顿量演化某个量子态，到达希尔伯特空间中的大部分态需要 $\sim O(10^{10^{23}})$ 秒。考虑到当前对宇宙年龄的最佳估计约为 $10^{17}$ 秒[@ageuniverse]，这意味着我们应该等待大约宇宙年龄一百万倍的指数倍的时间，才能到达希尔伯特空间中可用的大部分态。再加上你的初始态也必须与你物理系统中的某些局域性约束兼容（否则它可能不是真正物理的），你得到的结果是，你将能够探索的多体系统的所有量子态都包含在完整希尔伯特空间的一个指数小的流形中。这就是为什么量子多体系统的希尔伯特空间有时被称为方便的幻象[@poul]：从数学角度看它是方便的，但它是幻象，因为没有人能看到它的大部分。

4 张量网络理论 {#sec4}

现在让我们介绍一些数学概念。在下文中，我们将定义什么是TN态，以及如何将其用TN图描述。我们还将介绍量子态的TN表示，并解释一维系统矩阵乘积态（MPS）[@MPS]和二维系统投影纠缠对态（PEPS）[@PEPS]的例子。

4.1 张量、张量网络和张量网络图

就我们的目的而言，张量是一个复数的多维数组。张量的秩是其索引的数量。因此，秩-0张量是标量（$x$），秩-1张量是向量（$v_{\alpha }$），秩-2张量是矩阵（$A_{\alpha \beta }$）。

索引缩并是对一组张量的重复索引的所有可能值进行求和。例如，矩阵乘积 KaTeX parse error: Undefined control sequence: \label at position 72: …{\beta \gamma} \̲l̲a̲b̲e̲l̲{mat} 是索引 $\beta$ 的缩并，这相当于对其 $D$ 个可能值求和。也可以有更复杂的缩并，例如这个： KaTeX parse error: Undefined control sequence: \label at position 180: …o \alpha} \\, \̲l̲a̲b̲e̲l̲{tn} 为简单起见，我们假设缩并的索引 $\alpha ,\beta ,\delta ,\nu$ 和 $\mu$ 可以取 $D$ 个不同的值。如这些例子所示，索引的缩并产生新的张量，就像两个矩阵的乘积产生一个新矩阵一样。未被缩并的索引称为开放索引。

张量网络（TN）是一组张量，其中部分或全部索引按照某种模式进行缩并。为简单起见，缩并TN的索引被称为缩并TN。上述两个方程是TN的例子。在方程([mat]{reference-type=“ref” reference=“mat”})中，TN等价于矩阵乘积，并产生一个具有两个开放索引的新矩阵。在方程([tn]{reference-type=“ref” reference=“tn”})中，TN对应于在 $A,B,C$ 和 $E$ 张量中缩并索引 $\alpha ,\beta ,\delta ,\nu$ 和 $\mu$ 以产生一个具有开放索引 $\gamma ,\omega ,\rho$ 和 $\sigma$ 的新秩-4张量 $F$。一般而言，具有某些开放索引的TN的缩并结果是另一个张量，而在没有任何开放索引的情况下，结果是一个标量。例如两个向量的标量积就是这种情况， KaTeX parse error: Undefined control sequence: \label at position 50: …_{\alpha} \\, \̲l̲a̲b̲e̲l̲{scal} 其中 $C$ 是一个复数（秩-0张量）。一个更复杂的例子可能是 KaTeX parse error: Undefined control sequence: \label at position 170: …a \alpha} \\, \̲l̲a̲b̲e̲l̲{tn2} 其中所有索引都被缩并，结果再次是一个复数 $F$。

到达这一点后，方便引入张量和TN的图示符号，即张量网络图，参见图(5{reference-type=“ref” reference=“fig5”})。在这些图中，张量由形状表示，而张量中的索引由从形状延伸出来的线表示。因此，TN由一组通过线相互连接的形状表示。连接张量之间的线对应于缩并的索引，而不从一个张量延伸到另一个张量的线对应于TN中的开放索引。

使用TN图，处理TN计算变得更加容易。例如，方程([mat]{reference-type=“ref” reference=“mat”}, [tn]{reference-type=“ref” reference=“tn”}, [scal]{reference-type=“ref” reference=“scal”}, [tn2]{reference-type=“ref” reference=“tn2”})中的缩并可以由图(6{reference-type=“ref” reference=“fig6”})中的图表示。

{reference-type=“ref” reference=“mat”}, [tn]{reference-type=“ref” reference=“tn”}, [scal]{reference-type=“ref” reference=“scal”}, [tn2]{reference-type=“ref” reference=“tn2”})的张量网络图：（a）矩阵乘积，（b）4个张量具有4个开放索引的缩并，（c）向量的标量积，以及（d）4个张量没有开放索引的缩并。](fig6.pdf){#fig6 width=“10cm”}

复杂的计算，如6个矩阵乘积的迹，也可以由图表示，如图(7{reference-type=“ref” reference=“fig7”})。

从TN图中，迹的循环性质变得显而易见。这是TN图真正有用的一个简单例子：与纯方程不同，TN图允许以直观的方式处理复杂的表达式。通过这种方式，许多性质变得显而易见，如矩阵乘积迹的循环性质。事实上，你可以将TN图的语言与量子场论中的费曼图的语言进行比较。用图形而不是长方程来思考肯定更直观、更形象。因此，从现在起，我们将只使用图来表示张量和TN。

我们现在想强调TN的一个重要性质。即，为了获得TN缩并的最终结果而必须执行的总操作数在很大程度上取决于TN中索引缩并的顺序。参见例如图(8{reference-type=“ref” reference=“fig8”})。两种情况对应于相同的整体TN缩并，但在一种情况下操作数是 $O(D^4)$ ，在另一种情况下是 $O(D^5)$ 。这非常相关，因为在TN方法中人们必须处理许多缩并，目标是使这些缩并尽可能高效。为此，找到TN中待缩并索引的最佳顺序将是一个关键步骤，特别是在编程实现这些方法的计算机代码时。为了最小化TN缩并的计算成本，必须在成对缩并的不同可能顺序上进行优化，并找到最佳情况。从数学上讲，这是一个非常困难的问题，虽然在实际情况下这通常可以通过简单观察来完成。

fig 8:（彩色在线）（a）在 $O(D^4)$ 时间内缩并3个张量；（b）在 $O(D^5)$ 时间内缩并相同的3个张量。

4.2 将波函数分解为小片段 {#sec42}

现在让我们解释量子多体态的TN表示。为此，我们考虑一个 $N$ 粒子的量子多体系统。每个粒子的自由度可以用 $p$ 个不同的态描述。因此，我们正在考虑 $N$ 个 $p$ 能级粒子组成的系统。例如，对于像自旋-1/2海森堡模型这样的量子多体系统，我们有 $p=2$ ，因此每个粒子是一个2能级系统（或量子比特）。对于这类系统，任何描述其物理性质的波函数 $|\Psi ⟩$ 都可以写成 KaTeX parse error: Undefined control sequence: \label at position 155: …rt i_N \rangle \̲l̲a̲b̲e̲l̲{st} 一旦为每个粒子 $r=1,...,N$ 的态选择了单个基 $|i_r⟩$ 。在上面的方程中， $C_{i_1{i}_2\dots i_N}$ 是 $p^N$ 个复数（在归一化条件下独立），每个粒子 $r$ 的 $i_r=1,...,p$ ，符号 $\otimes$ 表示多体系统中每个粒子各自量子态的张量积。

现在请注意，描述波函数 $|\Psi ⟩$ 的 $p^N$ 个数 $C_{i_1{i}_2\dots i_N}$ 可以被理解为具有 $N$ 个索引 $i_1{i}_2\dots i_N$ 的张量 $C$ 的系数，其中每个索引最多可以取 $p$ 个不同的值（因为我们正在考虑 $p$ 能级粒子）。因此，这是一个秩为 $N$ 的张量，有 $O(p^N)$ 个系数。这直接意味着描述方程([st]{reference-type=“ref” reference=“st”})的波函数的参数数量在系统大小上是指数大的。

因此，指定张量 $C$ 的每个系数 $C_{i_1{i}_2\dots i_N}$ 的值是对多体系统量子态的计算低效描述。TN态的目标之一是通过提供对态预期纠缠性质的精确描述来降低表示 $|\Psi ⟩$ 这类态的复杂性。这是通过用"较小"张量的TN替换"大"张量 $C$ 来实现的，即用秩较小的张量的TN（参见图(9{reference-type=“ref” reference=“fig9”})中的一些图示例子）。这种方法相当于将"大"张量 $C$ （因此态 $|\Psi ⟩$ ）分解为"基本DNA块"，即由秩较小的张量组成的TN，更容易处理。

fig9:（彩色在线）张量 $C$ 的张量网络分解，用（a）具有周期性边界条件的MPS，（b）具有开放边界条件的PEPS，以及（c）任意张量网络表示

重要的是，用TN表示 $|\Psi ⟩$ 通常依赖于多项式数量的参数，因此是对多体系统量子态的计算有效描述。准确地说，张量网络中的总参数数 $m_{\mathrm{tot}}$ 为 $$\begin{gathered} m_{\mathrm{tot}}=\sum _{t=1}^{N_{\mathrm{tens}}}m(t) \\ , \end{gathered}$$ 其中 $m(t)$ 是TN中张量 $t$ 的参数数， $N_{\mathrm{tens}}$ 是张量数。为了使TN实用， $N_{\mathrm{tens}}$ 必须是 $N$ 的次指数，例如 $N_{\mathrm{tens}}=O(\mathrm{poly}(N))$ ，有时甚至 $N_{\mathrm{tens}}=O(1)$ 。此外，对于每个张量 $t$ ，参数数为 $$\begin{gathered} m(t)=O\left(\prod _{a_t=1}^{\mathrm{rank}(t)}D(a_t)\right) \\ , \end{gathered}$$ 其中乘积遍历张量的不同索引 $a_t=1,2,\dots ,\mathrm{rank}(t)$ ， $D(a_t)$ 是索引 $a_t$ 的不同可能值，rank$(t)$ 是张量的索引数。将 $D_t$ 称为给定张量的所有数 $D(a_t)$ 的最大值，我们有 $$\begin{gathered} m(t)=O\left(D_t^{\mathrm{rank}(t)}\right) \\ ,. \end{gathered}$$ 将所有部分组合在一起，我们有总参数数将是 $$\begin{gathered} m_{\mathrm{tot}}=\sum _{t=1}^{N_{\mathrm{tens}}}O\left(D_t^{\mathrm{rank}(t)}\right)=O(\mathrm{poly}(N)\mathrm{poly}(D)) \\ , \end{gathered}$$ 其中 $D$ 是所有张量上 $D_t$ 的最大值，并且我们假设每个张量的秩由一个常数限定。

举一个简单的例子，考虑图(9{reference-type=“ref” reference=“fig9”}.a)中的TN。这是矩阵乘积态（MPS）的一个例子，具有周期性边界条件，这是一种将在下一节详细讨论的TN。这里，如果我们假设TN中的开放索引最多可以取 $p$ 个值，而其余的可以取 $D$ 个值，则参数数仅为 $O(Np{D}^2)$ 。然而，TN的缩并产生一个秩为 $N$ 的张量，因此有 $p^N$ 个系数。TN描述的神奇部分在于它表明这 $p^N$ 个系数不是独立的，而是由给定TN的缩并获得的，因此具有结构。

然而，这种对量子多体态的有效表示并非没有代价。用TN替换张量 $C$ 涉及系统中额外自由度的出现，这些自由度负责"将不同的DNA块粘合在一起"。这些新的自由度由TN中张量之间的连接索引表示。连接索引原来具有重要的物理意义：它们代表量子态 $|\Psi ⟩$ 中多体纠缠的结构，这些索引中每一个可以取的不同值的数量是波函数中量子关联数量的定量度量。这些索引通常称为键或辅助索引，它们可能值的数量称为键维数。这些值的最大值，即我们上面所称的 $D$ ，也称为张量网络的键维数。

为了更好地理解纠缠如何与键索引相关，让我们举一个例子。想象你被给定一个所有索引的键维数都为 $D$ 的TN态，如图(10{reference-type=“ref” reference=“fig10”})所示。这是投影纠缠对态（PEPS）[@PEPS]的一个TN态例子，也将在后续章节中进一步分析。现在让我们估计该态中线性长度为 $L$ 的块的纠缠熵（参见图）。为此，我们称 α ˉ = { α 1 α 2 . . . α 4 L } \bar{\alpha} = \{\alpha_1 \alpha_2 ... \alpha_{4L} \} αˉ={α1​α2​...α4L​} 为穿过块边界的所有TN索引的组合索引。显然，如果 $\alpha$ 索引最多可以取 $D$ 个值，那么 $\bar{\alpha }$ 最多可以取 $D^{4L}$ 个值。我们现在用块内部和外部部分的未归一化ket写出态（另见图(10{reference-type=“ref” reference=“fig10”}））为 $$\begin{gathered} |\Psi ⟩=\sum _{\bar{\alpha }=1}^{D^{4L}}|in(\bar{\alpha })⟩\otimes |out(\bar{\alpha })⟩ \\ ,. \end{gathered}$$ 例如，内部部分的约化密度矩阵由下式给出 $$\begin{gathered} {\rho }_{in}=\sum _{\bar{\alpha },\overline{{\alpha }^{\prime }}}{X}_{\bar{\alpha }\overline{{\alpha }^{\prime }}}|in(\bar{\alpha })⟩⟨in(\overline{{\alpha }^{\prime }})| \\ , \end{gathered}$$ 其中 $X_{\bar{\alpha }\overline{{\alpha }^{\prime }}}\equiv ⟨out(\overline{{\alpha }^{\prime }})|out(\bar{\alpha })⟩$ 。这个约化密度矩阵的秩最多为 $D^{4L}$ 。如果我们考虑块外部的约化密度矩阵，同样的结论也适用。此外，块的纠缠熵 $S(L)=-\mathrm{tr}({\rho }_{in}\log {\rho }_{in})$ 由上界 ${\rho }_{in}$ 的秩的对数限定。所以，最后我们得到 $$\begin{gathered} S(L)\le 4L\log D \\ , \end{gathered}$$ 这只不过是纠缠熵面积律的上界版本[@arealaw]。事实上，我们也可以将这个方程解释为每个"断裂"的键索引最多给出 $\log D$ 的熵贡献。

fig10:（彩色在线） $6\times 6$ PEPS的 $4\times 4$ 块的态 $|in(\bar{\alpha })⟩$ 和 $|out(\bar{\alpha })⟩$ 。

让我们讨论上述结果。首先，如果 $D=1$ ，那么上界表明无论块的大小如何， $S(L)=0$ 。也就是说，波函数中不存在纠缠。这是任何TN的通用结果：如果键维数是平凡的，那么波函数中不存在纠缠，TN态只是乘积态。这是例如在平均场理论中使用的ansatz类型。其次，对于任何 $D>1$ ，我们有ansatz已经能够处理纠缠熵的面积律。改变键维数 $D$ 只修改面积律的乘法因子。因此，为了修改与 $L$ 的标度，应该改变TN的几何模式。这意味着TN中的纠缠是 $D$ （键索引的"大小"）和几何模式（这些键索引连接方式）的结果。事实上，不同的TN态家族即使对于相同的 $D$ 也具有非常不同的纠缠性质。第三，注意通过将 $D$ 限制为大于一的固定值，我们可以获得量子多体态的TN表示，这些表示既在计算上高效（如在平均场理论中）又在量子关联上丰富（如在精确对角化中）。在某种程度上，通过使用TN，人们得到了两个世界的精华。

TN态也很重要，因为它们已被证明对应于具有能隙的局域哈密顿量的基态和热态[@Hastings]。这意味着TN态实际上正是上一节讨论的希尔伯特空间相关角落中的态：它们对应于自然界中遵守面积律的相关态，并且可以有效地使用张量语言描述。

5. MPS和PEPS：概述 {#sec5}

现在让我们介绍两个著名且有用的TN态家族。它们是矩阵乘积态（MPS）和投影纠缠对态（PEPS）。当然，这两个并不是唯一的TN态家族，但它们将是我们在本文中详细讨论的唯一两个。对于感兴趣的读者，我们在第8节简要提及其他TN态家族。

5.1 矩阵乘积态（MPS）

MPS家族[@MPS]可能是TN态最著名的例子。这是因为它支持一些非常强大的方法来模拟一维量子多体系统，最著名的是密度矩阵重整化群（DMRG）算法[@dmrg1; @dmrg2; @pbc1; @dmrg4]。但它也支持其他著名方法，如时间演化块算法（TEBD）[@tebd; @itebd]和功率波函数重整化群（PWFRG）[@pwfrg]。然而，在解释任何方法之前，让我们首先描述MPS实际上是什么，以及它的一些性质。

MPS是对应于一维张量阵列的TN态，如图(11{reference-type=“ref” reference=“fig11”})所示。在MPS中，多体系统的每个站点有一个张量。连接张量的键索引最多可以取 $D$ 个值，开放索引对应于局域希尔伯特空间的物理自由度，最多可以取 $p$ 个值。在图(11{reference-type=“ref” reference=“fig11”})中，我们可以看到两个MPS的例子。第一个对应于具有开放边界条件的MPS[^5]，第二个对应于具有周期性边界条件的MPS[@pbc1]。两个例子都是4位点的有限系统。

一些性质

现在让我们简要解释MPS的一些基本性质：

1）一维平移不变性和热力学极限。 原则上，有限大小MPS中的所有张量都可以是不同的，这意味着MPS本身不是平移不变（TI）的。然而，也可以通过选择在一维晶格上无限重复的基本张量单元来施加TI并取MPS的热力学极限，如图(12{reference-type=“ref” reference=“fig12”})所示。例如，如果单元由一个张量组成，那么MPS将对单站点平移是TI的。对于两个张量的单元，MPS将对双站点平移是TI的。依此类推。

fig 13:（彩色在线）一维量子多体系统希尔伯特空间的洋葱状结构。有限键维数的MPS再现了满足一维纠缠熵面积律的希尔伯特空间角落的性质。如果键维数增加，则可及态流形的大小也随之增长。对于足够大的键维数 $D$ （即系统大小 $N$ 的指数），MPS实际上可以再现超出一维面积律的态，并最终覆盖整个希尔伯特空间。将此图与图([4])进行比较。]

2）MPS是稠密的。 MPS可以通过充分增大 $D$ 的值来表示多体希尔伯特空间的任何量子态。要覆盖希尔伯特空间中的所有态， $D$ 需要在系统大小上是指数大的。然而，已知一维有能隙局域哈密顿量的低能态可以以几乎任意精度用有限 $D$ 值的MPS有效近似[@dmrg1]。对于一维临界系统， $D$ 在系统大小上趋于多项式发散[@arealaw]。这些发现反过来解释了一些基于MPS的一维系统方法（如DMRG）的准确性。这一性质背后的主要图示思想如图(13{reference-type=“ref” reference=“fig12b”})所示。

3）一维面积律。 MPS满足适应于一维系统的纠缠熵面积律标度。这只是意味着一组位点的块的纠缠熵被一个常数限定，更准确地说 $S(L)=-\mathrm{tr}({\rho }_L\log {\rho }_L)=O(\log D)$ ，其中 ${\rho }_L$ 是该块的约化密度矩阵。这正是有能隙一维局域哈密顿量基态在大块尺寸 $L$ 下通常观察到的行为：精确地说，对于 $L\gg 1$ ， $S(L)\sim \mathrm{常数}$ [@arealaw]。

4）MPS是有限关联的。 MPS的关联函数总是随分离距离指数衰减。这意味着这些态的关联长度总是有限的，因此MPS不能再现临界或尺度不变系统的性质，其中关联长度已知发散[@mpsrev]。我们可以通过以下例子容易地理解这一点：想象你被给定一个由张量 $A$ 定义的平移不变无限大小MPS，如图(12{reference-type=“ref” reference=“fig12”}.a)所示。单体位点算符 $O_i$ 和 $O_{i+r}^{\prime }$ 分别在位点 $i$ 和 $i+r$ 的两体关联子 $$C(r)\equiv ⟨O_i{O}_{i+r}^{\prime }⟩-⟨O_i⟩⟨O_{i+r}^{\prime }⟩$$ 可以用图(14{reference-type=“ref” reference=“fig13”})中的图示表示。

（彩色在线）两体关联子 $C(r)$ 的图示。

图(15{reference-type=“ref” reference=“fig14”}.a)中的零维转移矩阵 $E_{\mathbb{I}}$ 在此计算中起关键作用。特别是，我们有 $$\begin{gathered} (E_{\mathbb{I}}{)}^r=({\lambda }_1{)}^r\sum _{\mu =1}^{D^2}{\left(\frac{{\lambda }_i}{{\lambda }_1}\right)}^r{\vec{R}}_i^T{\vec{L}}_i \\ , \end{gathered}$$ 其中 ${\lambda }_i$ 是 $E_{\mathbb{I}}$ 的 $i=1,2,\dots ,D^2$ 个特征值，按递减幅度排序， ${\vec{R}}_i,{\vec{L}}_i$ 是它们相关的右、左特征向量。假设最大幅度特征值 ${\lambda }_1$ 是非简并的，对于 $r\gg 1$ 我们有 $$\begin{gathered} (E_{\mathbb{I}}{)}^r\sim ({\lambda }_1{)}^r\left({\vec{R}}_1^T{\vec{L}}_1+{\left(\frac{{\lambda }_2}{{\lambda }_1}\right)}^r\sum _{\mu =2}^{\omega +1}{\vec{R}}_{\mu }^T{\vec{L}}_{\mu }\right) \\ , \end{gathered}$$ 其中 $\omega$ 是 ${\lambda }_2$ 的简并度。定义图(15{reference-type=“ref” reference=“fig14”}.b)中的矩阵 $E_O$ 和 $E_{O^{\prime }}$ ，并使用上述方程，容易看出 $$\begin{gathered} ⟨O_i{O}_{i+r}^{\prime }⟩\sim \frac{({\vec{L}}_1{E}_O{\vec{R}}_1^T)({\vec{L}}_1{E}_{O^{\prime }}{\vec{R}}_1^T)}{{\lambda }_1^2}+{\left(\frac{{\lambda }_2}{{\lambda }_1}\right)}^{r-1}\sum _{\mu =2}^{\omega +1}\frac{({\vec{L}}_1{E}_O{\vec{R}}_{\mu }^T)({\vec{L}}_{\mu }{E}_{O^{\prime }}{\vec{R}}_1^T)}{{\lambda }_1^2} \\ , \end{gathered}$$ 用图(16{reference-type=“ref” reference=“fig15”})中的图示表示。在这个方程中，第一项就是 $⟨O_i⟩⟨O_{i+r}^{\prime }⟩$ 。因此，对于大 $r$ ， $C(r)$ 由下式给出 $$C(r)\sim {\left(\frac{{\lambda }_2}{{\lambda }_1}\right)}^{r-1}\sum _{\mu =2}^{\omega +1}\frac{({\vec{L}}_1{E}_O{\vec{R}}_{\mu }^T)({\vec{L}}_{\mu }{E}_{O^{\prime }}{\vec{R}}_1^T)}{{\lambda }_1^2}$$

因此 $$C(r)\sim f(r)a{e}^{-r/\xi }$$ 其中比例常数 $a=O(\omega )$ ， $f(r)$ 是一个位点相关的相位 $=\pm 1$ （如果 $O$ 和 $O^{\prime }$ 是厄米的），关联长度 $\xi \equiv -1/\log \left|{\lambda }_2/{\lambda }_1\right|$ 。重要的是，大 $r$ 下两点关联函数的这种指数衰减类型是有能隙非临界一维系统基态中的典型类型，这再次表明MPS能够很好地近似这类态。

5）期望值的精确计算。 两个 $N$ 位点MPS之间标量积的精确计算总可以在 $O(Np{D}^3)$ 时间内完成。我们在图(17{reference-type=“ref” reference=“fig16”})中解释了这种计算的基本思想。对于无限系统，可以使用与计算两点关联子 $C(r)$ 类似的技术在 $O(p{D}^3)$ 时间内完成计算（即找到转移矩阵 $E_{\mathbb{I}}$ 的主特征值和主左/右特征向量）。一般而言，局域可观测量（如关联函数、能量和局域序参量）的期望也可以使用相同类型的张量操作来计算。

6）正则形式和施密特分解。 给定一个以具有开放边界条件的MPS表示的量子态 $|\Psi ⟩$ ，存在一种称为MPS的正则形式[@tebd; @itebd]的张量选择，这非常方便。其定义如下：对于具有开放边界条件（有限或无限系统）的给定MPS，如果对于每个键索引 $\alpha$ ，该索引对应于 $|\Psi ⟩$ 在该索引上施密特分解的施密特向量标记，即： $$\begin{gathered} |\Psi ⟩=\sum _{\alpha =1}^D{\lambda }_{\alpha }|{\Phi }_{\alpha }^L⟩\otimes |{\Phi }_{\alpha }^R⟩ \\ ,. \end{gathered}$$ 在上面的方程中， ${\lambda }_{\alpha }$ 是按递减顺序排列的施密特系数（ ${\lambda }_1\ge {\lambda }_2\ge \cdots \ge 0$ ），施密特向量形成正交归一集合，即 $⟨{\Phi }_{\alpha }^L|{\Phi }_{{\alpha }^{\prime }}^L⟩=⟨{\Phi }_{\alpha }^R|{\Phi }_{{\alpha }^{\prime }}^R⟩={\delta }_{\alpha {\alpha }^{\prime }}$ 。

对于 $N$ 位点的有限系统[@tebd]，上述条件对应于具有波函数系数的分解 KaTeX parse error: Undefined control sequence: \label at position 280: …a_{N-1}} \\, \̲l̲a̲b̲e̲l̲{canonimps} 其中 $\Gamma$ 张量对应于不同施密特基与计算（自旋）基之间的基变换，向量 $\lambda$ 对应于施密特系数。在具有单站点平移不变性的无限MPS情况下[@itebd]，正则形式对应于仅用一个张量 $\Gamma$ 和一个向量 $\lambda$ 描述整个态。将施密特系数视为对角矩阵的条目，有限和无限MPS的正则形式的TN图如图([18])所示。

现在让我们展示一种通过连续施密特分解获得有限系统MPS $|\Psi ⟩$ 的正则形式的方法[@tebd]。如果我们在位点 $1$ 和剩余 $N-1$ 之间执行施密特分解，我们可以将态写为 KaTeX parse error: Undefined control sequence: \label at position 159: …1}\rangle \\, \̲l̲a̲b̲e̲l̲{smdec} 其中 ${\lambda }_{{\alpha }_1}^{[1]}$ 是施密特系数， $|{\tau }_{{\alpha }_1}^{[1]}⟩$ 、 $|{\tau }_{{\alpha }_1}^{[2\cdots N]}⟩$ 是相应的左、右施密特向量。如果我们将左施密特向量用位点 $1$ 的局域基 $|i_1⟩$

（由于长度限制，MPS部分的翻译在此处继续…）

更多MPS性质

6）正则形式与施密特分解（续）。 对于无限MPS，也可以计算正则形式[@itebd]。在这种情况下，只需要注意到，在正则形式中，MPS的键索引总是对应于左右正交归一的向量。因此，找到MPS的正则形式通常也被称为对MPS的索引进行正交归一化。对于由单个张量 $A$ 定义的无限系统，可以按照图(19{reference-type=“ref” reference=“fig18”})中的图示所示的程序找到这种正则形式。这可以总结为三个主要步骤：

(i) 找到图(19{reference-type=“ref” reference=“fig18”}.a)中定义的转移矩阵的主导右特征向量 ${\vec{V}}_R$ 和主导左特征向量 ${\vec{V}}_L$ 。就bra/ket索引而言， ${\vec{V}}_R$ 和 ${\vec{V}}_L$ 也可以理解为厄米和正定矩阵。如图所示，将这些矩阵分解为平方， $V_R=X{X}^{†}$ 和 $V_L=Y^{†}Y$ 。

(ii) 在MPS的键索引中引入 $\mathbb{I}=(Y^T{)}^{-1}{Y}^T$ 和 $\mathbb{I}=X{X}^{-1}$ ，如图(19{reference-type=“ref” reference=“fig18”}.b)所示。接下来，计算矩阵乘积 $Y^T\lambda X=U{\lambda }^{\prime }V$ 的奇异值分解，其中 $U$ 和 $V$ 是幺正矩阵， ${\lambda }^{\prime }$ 是奇异值。容易证明这些奇异值对应于MPS的施密特分解的施密特系数。

(iii) 将剩余的张量排列成新的张量 ${\Gamma }^{\prime }$ ，如图(19{reference-type=“ref” reference=“fig18”}.c)所示。MPS现在由 ${\lambda }^{\prime }$ 和 ${\Gamma }^{\prime }$ 定义。

上述程序产生了一个无限MPS，使其所有键索引对应于正交归一的施密特基，因此按构造处于正则形式[^6]。

MPS的正则形式具有许多使其对MPS计算非常有用的性质。首先，不同"左对右" bipartition的约化密度矩阵的特征值就是施密特系数的平方，这对计算纠缠谱和纠缠熵非常有用。此外，局域算符期望值的计算大大简化，参见图(20{reference-type=“ref” reference=“fig19”})中的图示。

但最重要的是，正则形式提供了在数值模拟中截断MPS键索引的处方：在每个模拟步骤中，只在每个键上保留最大的 $D$ 个施密特系数。只要保持截断的局域性（即只修改参与截断索引的张量），这种截断程序对于有限系统是最优的，参见例如文献[@tebd]。这种截断键索引的处方非常有用，是TEBD方法和相关一维系统算法的基础。

一些例子

现在让我们给出四个可以用MPS精确表示的非平凡态的具体例子：

1）GHZ态。 $N$ 个自旋-$1/2$的GHZ态由下式给出 $$\begin{gathered} |GHZ⟩=\frac{1}{\sqrt{2}}\left(|0{⟩}^{\otimes N}+|1{⟩}^{\otimes N}\right) \\ , \end{gathered}$$ 其中 $|0⟩$ 和 $|1⟩$ 例如是Pauli ${\sigma }_z$ 算符的本征态（自旋"上"和"下"）[@ghz]。这是 $N$ 个自旋的高度纠缠量子态，具有一些非平凡的纠缠性质（例如，它违反某些 $N$ 体Bell不等式）。尽管如此，这个态可以用键维数 $D=2$ 和周期性边界条件的MPS精确表示。张量中的非零系数如图(21{reference-type=“ref” reference=“fig20”})的图示所示。

2）一维团簇态。 由Raussendorf和Briegel[@cluster]引入的一维链中的团簇态可以看作是一组相互交换的稳定子算符 { K [ i ] } \{ K^{[i]} \} {K[i]} 的 $+1$ 本征态，定义为 $$\begin{gathered} K^{[i]}\equiv {\sigma }_z^{i-1}{\sigma }_x^i{\sigma }_z^{i+1} \\ , \end{gathered}$$ 其中 ${\sigma }_{\alpha }^i$ 是晶格位点 $i$ 处通常的自旋-$1/2$ Pauli矩阵， α ∈ { x , y , z } \alpha \in \{ x,y,z \} α∈{x,y,z} 。由于 $(K^i{)}^2=\mathbb{I}$ ，对于无限系统，这个量子态可以写成（到一个整体归一化常数） $$\begin{gathered} |{\Psi }_{1dCL}⟩=\prod _i\frac{\left(\mathbb{I}+K^{[i]}\right)}{2}|0{⟩}^{\otimes N\to \infty } \\ ,. \end{gathered}$$ 每一项 $\left(\mathbb{I}+K^{[i]}\right)/2$ 是一个投影算符，允许用键维数2的TN表示，如图(22{reference-type=“ref” reference=“fig21”}.a)。由此，容易得到一维团簇态 $|{\Psi }_{1dCL}⟩$ 的键维数 $D=4$ 的MPS描述，如图(22{reference-type=“ref” reference=“fig21”}.b)所示。MPS张量的非零系数容易从图示中相应的TN缩并得到。

fig 22:（彩色在线）一维团簇态的MPS：（a）算符 $\left(\mathbb{I}+K^{[i]}\right)/2$ 的张量网络分解和张量的非零系数；（b）具有1站点单元的无限MPS的构造。

3）一维AKLT模型。 我们现在考虑的态是一维AKLT模型[@aklt]的基态。这是一个自旋-$1$的量子自旋链，由哈密顿量 KaTeX parse error: Undefined control sequence: \label at position 108: …^2\right) \\, \̲l̲a̲b̲e̲l̲{1daklt} 给出，其中 ${\vec{S}}^{[i]}$ 是位点 $i$ 处的自旋-$1$算符向量，我们再次假设无限大系统。这个模型由Affleck、Kennedy、Lieb和Tasaki在文献[@aklt]中引入，它是支持所谓Haldane猜想的首个量子自旋链分析例子：它是一个具有类海森堡相互作用和非零自旋能隙的局域自旋-$1$哈密顿量。关于这个模型的另一个显著特点是其基态精确地、按构造地由键维数 $D=2$ 的MPS给出。这可以理解为自旋-$1/2$单态的集合，其自旋成对并投影到自旋-$1$子空间，如图(23{reference-type=“ref” reference=“fig22”}.a)所示。这按构造是一个 $D=2$ 的MPS。有趣的是，存在MPS张量的一种选择（即一个规范），使得这些由三个自旋-$1/2$ Pauli矩阵给出，它们是SU(2)的不可约表示的生成元，使用 $2\times 2$ 矩阵（参见图(23{reference-type=“ref” reference=“fig22”}.c)）。我们不会进入为什么MPS张量的这种表示是可能的细节。对于好奇的读者，让我们只是提到这是哈密顿量SU(2)对称性的结果，它由基态继承，并在MPS的单个张量水平上反映出来。

fig 23:（彩色在线）AKLT态的MPS：（a）自旋-$1/2$粒子排列成单态 $|\Phi ⟩=2^{-1/2}(|0⟩\otimes |1⟩-|1⟩\otimes |0⟩)$ ，并由投影算符 $P$ 成对投影到自旋-$1$子空间；（b-c）具有1站点单元的无限MPS的张量非零分量：（b）用 ${\tilde{\sigma }}_1=\sqrt{2}{\sigma }_{+},{\tilde{\sigma }}_2=-\sqrt{2}{\sigma }_{-}$ 和 ${\tilde{\sigma }}_3={\sigma }_z$ 表示，其中 ${\sigma }_{\pm }=({\sigma }_x\pm {\sigma }_y)/2$ ；（c）存在一种规范，其中这些系数由三个自旋-$1/2$ Pauli矩阵 { σ } 1 = σ x , { σ } 2 = σ y \{\sigma\}_1 = \sigma_x, \{\sigma\}_2 = \sigma_y {σ}1​=σx​,{σ}2​=σy​ 和 { σ } 3 = σ z \{\sigma\}_3 = \sigma_z {σ}3​=σz​ 给出。

4）Majumdar-Gosh模型。 我们现在考虑Majumdar-Gosh模型[@majgosh]的基态，这是一个由哈密顿量 $$\begin{gathered} H=\sum _i\left({\vec{S}}^{[i]}{\vec{S}}^{[i+1]}+\frac{1}{2}{\vec{S}}^{[i]}{\vec{S}}^{[i+2]}\right) \\ , \end{gathered}$$ 定义的受挫一维自旋链，其中 ${\vec{S}}^{[i]}$ 是位点 $i$ 处的自旋-$1/2$算符向量。这个模型的基态由最近邻自旋之间的单态给出，如图(24{reference-type=“ref” reference=“fig23”})所示。然而，为了施加平移不变性，我们需要考虑这个态与其平移一个晶格位点的叠加。结果态可以用键维数 $D=3$ 的MPS以紧凑符号写出，也如图(24{reference-type=“ref” reference=“fig23”})所示。

fig 24:（彩色在线）Majumdar-Gosh态的MPS：（a）（a）中单态 $|\Phi ⟩$ 的两个二聚化态的叠加可以用具有1站点单元的无限MPS表示，非零系数如（b）。

投影纠缠对态（PEPS）

PEPS家族[@PEPS]只是MPS到更高空间维度的自然推广。这里我们只考虑二维情况。二维PEPS是模拟二维量子晶格系统的几种方法的基础，例如PEPS[@PEPS]和无限PEPS[@iPEPS]算法，以及张量重整化群（TRG）[@TRG]、二阶重整化群（SRG）[@SRG]、高阶张量重整化群（HOTRG）[@HOTRG]，以及基于角转移矩阵（CTM）和角张量的方法[@dctm; @ctmrg; @ctens]。在这些笔记的第6-7节中，我们将描述其中一些方法的基本方面。

PEPS是对应于二维张量阵列的TN。例如，对于 $4\times 4$ 方格，我们在图(25{reference-type=“ref” reference=“fig24”})中展示了相应的PEPS，包括开放和周期性边界条件。这种推广看起来可能相当简单，然而我们将看到PEPS的性质与MPS的性质显著不同。当然，也可以为其他类型的二维晶格定义PEPS，例如蜂窝、三角、笼目……然而，在这些笔记中，我们主要考虑方格情况。此外，正如预期的那样，PEPS中也有两种类型的索引：物理索引，维度为 $p$ ，以及键索引，维度为 $D$ 。

::: centering
{#fig24 width=“12cm”}
:::

一些性质

我们现在概述PEPS的一些基本性质：

1）二维平移不变性和热力学极限。 与MPS的情况一样，可以自由选择PEPS中的所有张量都不同，这导致PEPS不是TI的。然而，同样可以通过选择基本张量单元在二维晶格上重复来施加TI并取热力学极限，如图(26{reference-type=“ref” reference=“fig25”})所示。例如，如果单元由一个张量组成，那么PEPS将对单站点平移是TI的。对于两个张量的单元，PEPS将对双站点平移是TI的。依此类推。

::: centering
{#fig25 width=“10cm”}
:::

2）PEPS是稠密的。 PEPS可以通过充分增大 $D$ 的值来表示多体希尔伯特空间的任何量子态。要覆盖希尔伯特空间中的所有态， $D$ 需要在系统大小上是指数大的。然而，已知二维有能隙局域哈密顿量的低能态可以有效地用PEPS近似。

3）二维面积律。 PEPS满足适应于二维系统的纠缠熵面积律标度。这意味着一个区域的纠缠熵按该区域的边界大小缩放， $S(L)\sim L\log D$ ，其中 $L$ 是线性尺寸。

4）PEPS可以具有长程关联。 与MPS不同，PEPS可以表现出代数衰减的关联函数，因此可以描述临界系统。

5）期望值的近似计算。 与MPS不同，PEPS的期望值的精确计算是一个#-困难问题。因此，需要使用近似方法，如边界方法或张量重整化群方法。

简单例子

1）二维团簇态。 由Raussendorf和Briegel[@cluster]引入的二维团簇态可以看作是一组相互交换的稳定子算符 { K [ i ] } \{ K^{[i]} \} {K[i]} 的 $+1$ 本征态。这个态在测量为基础的量子计算中起着重要作用。

2）RVB态。 共振价键（RVB）态是量子自旋液体的一个例子，可以精确地用PEPS表示。

提取信息：计算期望值 {#sec6}

TN的一个重要问题是如何从中提取信息。这通常通过计算期望值得以实现。期望值提供了关于系统的物理性质的大量信息，例如能量、关联函数、序参量等。

在下文中，我们解释了如何有效地从MPS和PEPS中提取期望值，既适用于有限系统也适用于无限系统。如我们所见，期望值的计算在许多情况下遵循维度约减策略。更准确地说，人们试图以这样一种方式约减张量网络的维度：永远不会处理太大的中间对象。

MPS的期望值

局域算符的期望值可以精确地计算MPS，无需进一步近似。在计算中，我们利用了MPS的一维结构，这使得可以非常高效地执行缩并。

如果MPS具有周期性边界条件[@pbc1]，那么期望值的TN缩并类似于迹的计算。对于具有开放边界条件的有限MPS，我们从左到右迭代地执行缩并，如图(17{reference-type=“ref” reference=“fig16”})所示。

对于无限MPS，可以使用转移矩阵技术计算期望值。关键思想是找到转移矩阵 $E_{\mathbb{I}}$ 的主特征值和相应的左、右特征向量。一旦找到这些，就可以高效地计算任何局域可观测量的期望值。

PEPS的期望值

对于PEPS，情况更为复杂。由于二维结构，期望值的精确计算是#-困难的。因此，需要使用近似方法。

边界方法

边界方法的思想是通过一维边界来近似二维PEPS的收缩。这可以通过在PEPS周围构建一维MPS边界来实现。边界MPS的维度 $\chi$ 控制了近似的精度。

张量重整化群

张量重整化群（TRG）[@TRG]是一种通过迭代粗化晶格来近似计算PEPS期望值的方法。在每一步中，晶格上的张量被分解并重新组合以形成更粗粒度晶格上的新张量。

角转移矩阵

角转移矩阵（CTM）方法[@ctmrg]通过考虑PEPS的角区域来构建环境的近似。这种方法对于计算PEPS的局部性质非常有效。

::: centering
{#fig26 width=“10cm”}
:::

计算关联函数

对于MPS，两点关联函数可以高效地计算，因为可以利用转移矩阵的谱分解。关联长度与转移矩阵的两个最大特征值之比直接相关： $\xi =-1/\log |{\lambda }_2/{\lambda }_1|$ 。

对于PEPS，关联函数的计算更具挑战性，需要使用上述近似方法之一。

有限系统的期望值

对于具有开放边界条件的有限MPS，计算期望值遵循一个简单的从左到右缩并方案。我们从最左边的张量开始，迭代地将其与下一个张量缩并，直到到达最右边的张量。这个过程类似于矩阵链乘法，我们可以选择最优的缩并顺序以最小化计算成本。

对于一个 $N$ 位点的MPS，标量积的计算需要 $O(Np{D}^3)$ 次操作。这是因为每个缩并步骤涉及维度为 $D$ 的键索引和维度为 $p$ 的物理索引。

关联函数

两点关联函数 $⟨O_i{O}_j^{\prime }⟩$ 的计算方式类似。对于 $i<j$ ，我们首先从左到右缩并直到位点 $i$ ，插入算符 $O_i$ ，继续缩并直到位点 $j$ ，插入算符 $O_j^{\prime }$ ，然后缩并剩余部分。

对于平移不变无限MPS，关联函数可以通过转移矩阵的谱分解来计算。特别是，关联长度由两个最大特征值的比值决定： $\xi =-1/\log |{\lambda }_2/{\lambda }_1|$ 。

无限系统的期望值

转移矩阵方法

对于无限MPS，转移矩阵 $E_{\mathbb{I}}$ 在计算期望值中起核心作用。这个矩阵定义为

$$E_{\mathbb{I}}=\sum _i{A}^i\otimes {\bar{A}}^i$$

其中 $A^i$ 是张量 $A$ 的第 $i$ 个物理分量， ${\bar{A}}^i$ 是其复共轭。

主导特征值 ${\lambda }_1$ 及其对应的左、右特征向量 ${\vec{L}}_1$ 和 ${\vec{R}}_1$ 用于归一化。期望值为

$$⟨O⟩=\frac{{\vec{L}}_1{E}_O{\vec{R}}_1}{{\lambda }_1^2}$$

其中 $E_O={\sum }_{i,j}{O}_{ij}{A}^i\otimes {\bar{A}}^j$ 。

PEPS的期望值：边界方法

简单更新

简单更新方法[@simpleupdate]通过将二维PEPS问题映射到一系列一维MPS问题来近似计算期望值。这是通过将PEPS的行或列视为MPS，并使用DMRG-like技术来计算缩并来实现的。

CTM方法

CTM方法[@ctmrg]通过构建四个角张量和四个边转移矩阵来近似PEPS的完整环境。这如图(26{reference-type=“ref” reference=“fig26”})所示。

迭代过程包括：

1. 使用CTM缩并新的行/列来扩展系统
2. 重新计算角张量和边转移矩阵
3. 重复直到收敛

::: centering
{#fig26 width=“10cm”}
:::

张量重整化群

TRG[@TRG]通过迭代粗化晶格来工作。在每一步中：

1. 将每个张量分解为两个较低秩的张量（使用SVD）
2. 以新的方式重新组合这些张量
3. 结果是在更粗粒度晶格上的新PEPS

这个过程重复进行，直到晶格被充分粗化，可以直接计算期望值。

确定张量：寻找基态 {#sec7}

无论其分析性质如何，MPS和PEPS都非常有用，因为它们可以用作数值ansatz来近似给定量子多体系统的基态。然而，仍然有一个基本问题需要解决：我们如何填充优化过程中的张量系数？在下文中，我们解释了寻找TN基态的两类主要方法：变分优化和虚时间演化。

变分优化

给定哈密顿量 $H$ ，变分原理指出，对于给定量子态 $|\Psi ⟩$ ，期望值 $⟨H⟩$ 总是大于或等于基态能量 $E_0$ ： $$\begin{gathered} E_0\le \frac{⟨\Psi |H|\Psi ⟩}{⟨\Psi |\Psi ⟩} \\ ,. \end{gathered}$$

理想情况下，上述最小化应该同时在TN态的所有自由参数上进行。然而，由于参数数量巨大，这通常不可行。相反，人们采用迭代方法：一次优化一个张量，同时保持所有其他张量固定。

一个张量的优化

优化一个张量的方法如下：想象我们固定TN中的所有张量，除了一个，我们称之为 $A$ 。然后我们可以将能量期望值写为

\label{vareq}$$\begin{gathered} E=\frac{⟨A|\mathcal{H}|A⟩}{⟨A|\mathcal{N}|A⟩} \\ , \end{gathered}$$

其中 $\mathcal{H}$ 和 $\mathcal{N}$ 是分别源于哈密顿量和范数的有效矩阵。这个方程是 $A$ 的广义特征值问题。最优的 $A$ 是对应于 $\mathcal{H}$ 的最小广义特征值的广义特征向量。

::: centering
{#fig27 width=“10cm”}
:::

DMRG算法

DMRG算法[@dmrg1; @dmrg2]是MPS变分优化的最著名实现。在DMRG中，一次优化两个相邻的张量，然后对它们进行施密特分解以恢复MPS形式。这创建了一个在一维晶格上"扫动"的算法。

PEPS的变分优化

对于PEPS，变分优化更具挑战性，因为环境计算是近似的。然而，可以使用简单更新[@simpleupdate]或全更新[@fullupdate]等方法。简单更新使用近似环境，计算成本低但精度较低。全更新使用更精确的环境计算，但计算成本更高。

虚时间演化

寻找基态的另一种方法是通过虚时间演化。其思想是从某个初始态（例如乘积态）开始，然后在虚时间 $\tau =it$ 下与哈密顿量进行时间演化。在虚时间演化下，激发态比基态衰减得更快，因此在长时间极限下，态收敛到基态： $$\begin{gathered} |{\Psi }_0⟩=\underset{\tau \to \infty }{\lim }\frac{e^{-\tau H}|\Psi (0)⟩}{|||e^{-\tau H}|\Psi (0)⟩|||} \\ ,. \end{gathered}$$

TEBD算法

TEBD算法[@tebd; @itebd]是MPS虚时间演化的最著名实现。在TEBD中，演化算符 $e^{-\tau H}$ 使用Suzuki-Trotter分解分解为局域两体位点门。然后这些门依次应用于MPS，并在每一步之后进行施密特分解以截断键维数。

::: centering
{#fig28 width=“10cm”}
:::

虚时间演化的稳定性

在虚时间演化过程中，保持MPS的归一化非常重要。这是由于TN的缩并可能导致数值不稳定性。正则形式对于保持稳定性和确保可靠的截断至关重要。

::: centering
{#fig29 width=“10cm”}
:::

PEPS的虚时间演化

对于PEPS，可以使用简单的更新方法[@simpleupdate]进行虚时间演化，其中环境被近似。更复杂的方法使用全更新来获得更准确的结果。

变分优化（详细）

DMRG算法

DMRG算法是MPS变分优化的最著名实现。算法的步骤如下：

1. 初始化：从某个初始MPS开始，通常是随机初始化。
2. 局部优化：选择两个相邻的位点，将它们视为一个大的张量。通过求解广义特征值问题来优化这个张量，使得能量最小化。
3. 分解：使用施密特分解（或SVD）将优化后的张量分解回两个张量。
4. 截断：只保留最大的 $D$ 个施密特系数。
5. 扫动：在整个晶格上重复步骤2-4，从左到右再从右到左扫动。
6. 收敛：重复扫动直到能量收敛。

::: centering
{#fig27 width=“10cm”}
:::

PEPS的变分优化

对于PEPS，变分优化更具挑战性，因为环境计算是近似的。主要有两种方法：

简单更新[@simpleupdate]：

• 使用近似环境（通常是乘积态或简单MPS）
• 计算成本低
• 精度较低，特别是对于大键维数

全更新[@fullupdate]：

• 使用更精确的环境计算（如CTM）
• 计算成本高
• 精度更高

::: centering
{#fig28 width=“10cm”}
:::

虚时间演化（详细）

TEBD算法

TEBD算法的步骤如下：

1. Trotter分解：将演化算符分解为局部两体位点门的乘积：
   $$e^{-\tau H}\approx \prod _i{e}^{-\tau h_{i,i+1}}$$
   其中 $h_{i,i+1}$ 是位点 $i$ 和 $i+1$ 之间的局域哈密顿量。

2. 应用门：依次将每个两体位点门应用于MPS。

3. 施密特分解：在应用每个门后，对结果进行施密特分解以恢复MPS形式。

4. 截断：只保留最大的 $D$ 个施密特系数。

5. 重复：重复步骤2-4，直到收敛到基态。

iTEBD

对于无限系统，可以使用iTEBD[@itebd]。在这种方法中，假设MPS是平移不变的，并且只优化一个（或几个）张量单元。这大大减少了计算成本。

::: centering
{#fig29 width=“10cm”}
:::

稳定性考虑

在虚时间演化过程中，保持MPS的归一化非常重要。这可以通过在每一步之后对MPS进行正则化来实现。此外，数值精度可能是一个问题，特别是在处理小施密特系数时。

PEPS的虚时间演化

对于PEPS，虚时间演化遵循类似的策略：

1. 对演化算符进行Trotter分解
2. 将门应用于PEPS张量
3. 使用简单或全更新来截断键维数
4. 重复直到收敛

结语 {#sec8}

希望我们在本文中为初学者提供了TN方法关键方面的合理介绍。我们介绍了张量网络的基本概念、MPS和PEPS的结构、如何计算期望值以及如何寻找基态。

有许多内容在本介绍中没有涵盖。例如，我们没有详细讨论TN算法的具体实现，也没有涵盖有限温度方法、含时演化、激发态计算等高级主题。此外，我们也没有讨论TN与量子引力、全息原理以及AdS/CFT对应的迷人联系。

对于希望深入了解TN方法的读者，我们建议以下参考文献和主题：

1. TN方法的数学基础：低秩张量近似、纠缠面积律的数学证明等。
2. 高级算法：MERA（多尺度纠缠重整化ansatz）、分支MERA、树状张量网络等。
3. 量子化学应用：TN方法在量子化学中的最新应用。
4. 量子引力联系：TN与全息原理、AdS/CFT对应的联系。
5. 实验实现：使用TN分析和设计量子模拟实验。

参考文献

::: thebibliography

J. M. Maldecena, Adv. Theor. Math. Phys. 2, 231 (1998); S. S. Gubser, I. R. Klebanov, A. M. Polyakov, Phys. Lett. B 428, 105 (1998); E. Witten, Adv. Theor. Math. Phys. 2, 505 (1998).

S. Ryu, T. Takayanagi, Phys. Rev. Lett. 96, 181602 (2006); B. Swingle, Phys. Rev. D 86, 065007 (2012); G. Evenbly, G. Vidal, J. Stat. Phys. 145, 891 (2011).

P. W. Anderson, Science 235, 1196 (1987).

X.-G. Wen, Phys. Rev. B 40, 7387 (1989); X.-G. Wen, Quantum Field Theory of Many-body Systems (Oxford University Press, 2004).

L. Balents, Nature 464, 199 (2010).

T. Senthil, A. Vishwanath, L. Balents, S. Sachdev, M. P. A. Fisher, Science 303, 1490 (2004); T. Senthil, L. Balents, S. Sachdev, A. Vishwanath, M. P. A. Fisher, Phys. Rev. B 70, 144407 (2004).

J. Hubbard, Proc. R. Soc. A 276, 238 (1963); F. C. Zhang, T. M. Rice, Phys. Rev. B 37, 3759 (1988).

R. Orus, Ann. Phys. 349, 117 (2014).

S. R. White, Phys. Rev. Lett. 69, 2863 (1992); S. R. White, Phys. Rev. B 48, 10345 (1993).

U. Schollwock, Ann. Phys. 326, 96 (2011).

I. P. McCulloch, arXiv:0804.2509.

S. Ostlund, S. Rommer, Phys. Rev. Lett. 75, 3537 (1995).

G. Vidal, Phys. Rev. Lett. 91, 147902 (2003); G. Vidal, Phys. Rev. Lett. 93, 040502 (2004).

F. Verstraete, J. I. Cirac, V. Murg, Adv. Phys. 57, 143 (2008).

G. Vidal, Phys. Rev. Lett. 99, 220405 (2007).

M. Levin, C. P. Nave, Phys. Rev. Lett. 99, 120601 (2007).

Z.-C. Gu, M. Levin, X.-G. Wen, Phys. Rev. B 78, 205116 (2008).

H. H. Zhao, Z. Y. Xie, Q. N. Chen, W. Zhong, J. W. Cai, T. Xiang, Phys. Rev. B 81, 174411 (2010).

Z. Y. Xie, H. C. Jiang, Q. N. Chen, Z. Y. Weng, T. Xiang, Phys. Rev. Lett. 103, 160601 (2009).

M. Aguado, G. K. Brennen, F. Verstraete, J. I. Cirac, Phys. Rev. Lett. 101, 260501 (2008).

G. Evenbly, G. Vidal, Phys. Rev. Lett. 112, 240502 (2014).

D. Perez-Garcia, F. Verstraete, M. M. Wolf, J. I. Cirac, Quantum Info. Comput. 7, 401 (2007).

G. Vidal, Phys. Rev. Lett. 101, 110501 (2008).

L. Tagliacozzo, G. Evenbly, G. Vidal, Phys. Rev. B 80, 235127 (2009).

B. Bauer et al., J. Stat. Mech. 2011, P05001 (2011).

H. Niggeman, A. Klumper, J. Zittartz, Z. Phys. B 104, 103 (1997).

A. Gendiar, N. Maeshima, T. Nishino, Prog. Theor. Phys. 110, 691 (2003).

R. J. Baxter, Exactly Solved Models in Statistical Mechanics (Dover Publications, 2007).

M. Fannes, B. Nachtergaele, R. F. Werner, Commun. Math. Phys. 144, 443 (1992).

:::

进一步的话题

在本节中，我们为希望深入了解的读者简要介绍一些本介绍未涵盖的重要话题。

有限温度方法

张量网络方法也可以扩展到有限温度计算。对于MPS，这可以通过矩阵乘积密度算符（MPDO）[@puri]或最小纠缠典型热态（METTS）[@metts]方法来实现。对于PEPS，可以使用类似的构造来计算二维系统的热力学性质。

含时演化

除了虚时间演化，TN方法也可以用于实时间演化。这对于研究量子淬火、动力学相变和输运性质非常重要。TEBD和TDVP方法是这类计算的主要工具。

::: centering
{#fig30 width=“10cm”}
:::

激发态计算

TN方法也可以用于计算低激发态。在DMRG中，这可以通过在优化过程中施加与基态的正交性约束来实现。最近，基于MPS的激发态方法已经取得了显著进展。

费米子系统

处理费米子系统需要特殊的考虑，因为需要遵守反对易关系。这可以通过在TN中引入Jordan-Wigner变换或使用特殊的费米子TN来实现。

与量子引力的联系

TN与量子引力之间最迷人的联系之一是MERA与AdS/CFT对应之间的关系。在MERA中，TN的层状结构对应于Anti-de Sitter空间中的额外维度，而纠缠模式对应于时空几何。

::: centering
{#fig31 width=“10cm”}
:::

量子计算应用

TN方法在量子计算中也有重要应用，包括：

• 经典模拟量子电路
• 设计变分量子算法
• 分析量子纠错码
• 优化量子控制脉冲

完整参考文献

::: thebibliography

[1] J. M. Maldecena, “The Large N limit of superconformal field theories and supergravity,” Adv. Theor. Math. Phys. 2, 231 (1998).

[2] S. Ryu and T. Takayanagi, “Holographic derivation of entanglement entropy from the anti-de Sitter space/conformal field theory correspondence,” Phys. Rev. Lett. 96, 181602 (2006).

[3] P. W. Anderson, “The resonating valence bond state in La2CuO4 and superconductivity,” Science 235, 1196 (1987).

[4] X.-G. Wen, “Topological orders in rigid states,” Int. J. Mod. Phys. B 4, 239 (1990).

[5] L. Balents, “Spin liquids in frustrated magnets,” Nature 464, 199 (2010).

[6] T. Senthil et al., “Deconfined quantum critical points,” Science 303, 1490 (2004).

[7] J. Hubbard, “Electron correlations in narrow energy bands,” Proc. R. Soc. A 276, 238 (1963).

[8] R. Orus, “A Practical Introduction to Tensor Networks: Matrix Product States and Projected Entangled Pair States,” Ann. Phys. 349, 117 (2014).

[9] S. R. White, “Density matrix formulation for quantum renormalization groups,” Phys. Rev. Lett. 69, 2863 (1992).

[10] U. Schollwock, “The density-matrix renormalization group in the age of matrix product states,” Ann. Phys. 326, 96 (2011).

[11] G. Vidal, “Efficient classical simulation of slightly entangled quantum computations,” Phys. Rev. Lett. 91, 147902 (2003).

[12] F. Verstraete, J. I. Cirac, and V. Murg, “Matrix product states, projected entangled pair states, and variational renormalization group methods for quantum spin systems,” Adv. Phys. 57, 143 (2008).

[13] G. Vidal, “Entanglement renormalization,” Phys. Rev. Lett. 99, 220405 (2007).

[14] M. Fannes, B. Nachtergaele, and R. F. Werner, “Finitely correlated states on quantum spin chains,” Commun. Math. Phys. 144, 443 (1992).

[15] D. Perez-Garcia, F. Verstraete, M. M. Wolf, and J. I. Cirac, “Matrix product state representations,” Quantum Info. Comput. 7, 401 (2007).

[16] M. B. Hastings, “An area law for one-dimensional quantum systems,” J. Stat. Mech. 2007, P08024 (2007).

[17] M. Zwolak and G. Vidal, “Mixed-state dynamics in one-dimensional quantum lattice systems: a time-dependent superoperator renormalization algorithm,” Phys. Rev. Lett. 93, 207205 (2004).

[18] S. R. White and A. E. Feiguin, “Real-time evolution using the density matrix renormalization group,” Phys. Rev. Lett. 93, 076401 (2004).

[19] F. Verstraete and J. I. Cirac, “Renormalization algorithms for Quantum-Many Body Systems in two and higher dimensions,” arXiv:cond-mat/0407066.

[20] J. Jordan, R. Orus, G. Vidal, F. Verstraete, and J. I. Cirac, “Classical simulation of infinite-size quantum lattice systems in two spatial dimensions,” Phys. Rev. Lett. 101, 250602 (2008).

[21] Z.-C. Gu, M. Levin, and X.-G. Wen, “Tensor-entanglement renormalization group approach as a unified method for symmetry breaking and topological phase transitions,” Phys. Rev. B 78, 205116 (2008).

[22] H. C. Jiang, Z. Y. Weng, and T. Xiang, “Accurate determination of tensor network state of quantum lattice models in two dimensions,” Phys. Rev. Lett. 101, 090603 (2008).

[23] P. Corboz, G. Evenbly, F. Verstraete, and G. Vidal, “Simulation of interacting fermions with entanglement renormalization,” Phys. Rev. A 81, 010303® (2010).

[24] P. Corboz, R. Orus, B. Bauer, and G. Vidal, “Simulation of strongly correlated fermions in two spatial dimensions with fermionic projected entangled-pair states,” Phys. Rev. B 81, 165104 (2010).

[25] P. Corboz, S. R. White, G. Vidal, and M. Troyer, “Stripes in the two-dimensional t-J model with infinite projected entangled-pair states,” Phys. Rev. B 84, 041108® (2011).

[26] I. P. McCulloch and M. Gulacsi, “The non-Abelian density matrix renormalization group algorithm,” Europhys. Lett. 57, 852 (2002).

[27] S. Singh, R. N. C. Pfeifer, and G. Vidal, “Tensor network decompositions in the presence of a global symmetry,” Phys. Rev. A 82, 050301® (2010).

[28] S. Singh and G. Vidal, “Tensor network states and algorithms in the presence of a global U(1) symmetry,” Phys. Rev. B 86, 195114 (2012).

[29] L. Tagliacozzo, A. Celi, and M. Lewenstein, “Tensor Networks for Lattice Gauge Theories with continuous groups,” Phys. Rev. X 4, 041024 (2014).

[30] E. Rico, T. Pichler, M. Dalmonte, P. Zoller, and S. Montangero, “Tensor Networks for Lattice Gauge Theories and Atomic Quantum Simulation,” Phys. Rev. Lett. 112, 201601 (2014).

[31] B. Bauer et al., “The ALPS project release 2.0: open source software for strongly correlated systems,” J. Stat. Mech. 2011, P05001 (2011).

[32] M. B. Hastings, “Solving gapped Hamiltonians locally,” Phys. Rev. B 73, 085115 (2006).

[33] N. Schuch, M. M. Wolf, F. Verstraete, and J. I. Cirac, “Entropy scaling and simulability by matrix product states,” Phys. Rev. Lett. 100, 030504 (2008).

[34] N. Schuch, D. Perez-Garcia, and I. Cirac, “Classifying quantum phases using matrix product states and projected entangled pair states,” Phys. Rev. B 84, 165139 (2011).

[35] J. Eisert, M. Cramer, and M. B. Plenio, “Colloquium: Area laws for the entanglement entropy,” Rev. Mod. Phys. 82, 277 (2010).

[36] T. J. Osborne, “Hamiltonian complexity,” Rep. Prog. Phys. 75, 022001 (2012).

[37] J. Preskill, “Quantum computing and the entanglement frontier,” arXiv:1203.5813.

[38] J. I. Cirac and F. Verstraete, “Renormalization and tensor product states in spin chains and lattices,” J. Phys. A: Math. Theor. 42, 504004 (2009).

[39] R. Orus and G. Vidal, “Infinite time-evolving block decimation algorithm beyond unitary evolution,” Phys. Rev. B 78, 155117 (2008).

[40] L. Tagliacozzo, G. Evenbly, and G. Vidal, “Simulation of two-dimensional quantum systems using a tree tensor network that exploits the entropic area law,” Phys. Rev. B 80, 235127 (2009).

[41] G. Evenbly and G. Vidal, “Tensor network renormalization yields the multip scales of quantum criticality,” Phys. Rev. Lett. 115, 200401 (2015).

[42] G. Evenbly and G. Vidal, “Tensor Network Renormalization,” Phys. Rev. Lett. 115, 180405 (2015).

:::

---

致谢： 作者感谢约翰内斯·古腾堡大学的财务支持，以及杜塞尔多夫张量网络学校的参与者的有益讨论。本文最初基于作者在该校给出的几次讲座。