Equivalence of residual entropy of hexagonal and cubic ices from tensor network methods

Utilizando métodos de redes de tensores de alta precisión para codificar explícitamente las reglas de hielo y verificar la normalidad del operador de transferencia, este estudio proporciona evidencia numérica rigurosa de que las entropías residuales de los hielos hexagonales y cúbicos son iguales.

Lo esencial

Imagina que tienes un rompecabezas gigante tridimensional hecho de moléculas de agua. En este rompecabezas, los átomos de oxígeno forman un esqueleto rígido, pero los átomos de hidrógeno son como pequeños huéspedes inquietos que pueden sentarse en diferentes lugares entre los átomos de oxígeno.

Existen reglas estrictas sobre cómo pueden sentarse estos huéspedes (llamadas "reglas del hielo"): cada átomo de oxígeno debe tener exactamente dos huéspedes sentados cerca de él y dos sentados un poco más lejos. Incluso cuando la temperatura baja tanto que el agua se convierte en hielo sólido, los huéspedes no se congelan en una disposición única y perfecta. En su lugar, aún pueden revolverse de billones de maneras diferentes mientras obedecen las reglas.

Este "revolverse" crea una cantidad de desorden residual, conocida como entropía residual. Los científicos han estado discutiendo durante décadas una pregunta específica: ¿El desorden difiere dependiendo de la forma del esqueleto de hielo?

Hay dos formas principales de hielo:

1. Hielo Hexagonal (Ih): La forma más común que se encuentra en la naturaleza (como los copos de nieve).
2. Hielo Cúbico (Ic): Una forma más rara con una estructura 3D ligeramente diferente.

Durante años, los matemáticos demostraron que el hielo hexagonal debe tener al menos tanto desorden como el hielo cúbico ($S_h \ge S_c$). Sin embargo, las simulaciones por computadora sugirieron que los números eran tan cercanos que podrían ser idénticos. El problema era que las computadoras utilizadas para verificar esto (llamadas métodos "Monte Carlo") eran como intentar contar cada posible movimiento mediante conjetzas aleatorias; no podían ver el panorama completo con suficiente claridad para saber si los números eran realmente iguales o solo muy cercanos.

El nuevo enfoque: La lente de las "Redes de Tensores"

Los autores de este artículo utilizaron una nueva y poderosa herramienta matemática llamada Redes de Tensores. Puedes pensar en esto como una lente de alta definición que no solo adivina la respuesta, sino que mapea todo el paisaje de posibilidades a la la vez.

En lugar de revolver aleatoriamente a los huéspedes, construyeron una "máquina de transferencia" matemática (llamada operador de transferencia). Esta máquina toma una capa del hielo, aplica las reglas y la pasa a la siguiente capa. Al encontrar la "señal más fuerte" (el autovalor más grande) que sale de esta máquina, pudieron calcular la cantidad exacta de desorden sin necesidad de adivinar.

El gran descubrimiento: La prueba del "Espejo"

Aquí está la parte ingeniosa de su descubrimiento. Se dieron cuenta de que, para que los dos tipos de hielo tengan exactamente el mismo desorden, la máquina matemática utilizada para el hielo cúbico tenía que comportarse de una manera muy específica: tenía que ser normal.

En términos sencillos, una máquina "normal" es una donde el orden en que ejecutas sus pasos no cambia el resultado final. Es como un espejo que refleja la luz perfectamente; si lo miras desde el frente o desde un lado, la reflexión es consistente.

Los autores realizaron una prueba de alta precisión para ver si la máquina del hielo cúbico era "normal". Descubrieron que es un 99.99% normal. No es un espejo perfecto (tiene un fallo diminuto, minúsculo), pero es tan cercano a ser perfecto que, para fines prácticos, actúa como uno.

El resultado final

Debido a que la máquina está tan cerca de ser "normal", los autores pudieron realizar su cálculo directamente sin tener que forzar los números para que encajaran en una forma específica (un truco que los investigadores anteriores tuvieron que usar).

Cuando hicieron las matemáticas:

• El desorden del hielo hexagonal ($S_h$) resultó ser 0.4104251.
• El desorden del hielo cúbico ($S_c$) resultó ser 0.4104248.

La diferencia entre estos dos números es tan pequeña (unas 5 partes en un millón) que es probable que sea solo un error minúsculo en el método de cálculo, no una diferencia real en la física.

Conclusión

En lenguaje cotidiano: El hielo hexagonal y el hielo cúbico tienen exactamente la misma cantidad de desorden residual.

Los autores no solo adivinaron esto; usaron una "lente" matemática sofisticada para demostrar que las reglas que gobiernan los dos tipos de hielo son tan similares que resultan en el mismo nivel de caos, resolviendo finalmente un debate de larga data en la física. También señalaron que este método podría usarse para estudiar otras formas de hielo más extrañas que los científicos han descubierto recientemente, aunque ese es un trabajo para la investigación futura.

Resumen técnico

Resumen Técnico: Equivalencia de la Entropía Residual en Hielo Hexagonal y Cúbico mediante Métodos de Redes de Tensores

Planteamiento del Problema
El artículo aborda una cuestión de larga data y aún no resuelta en la física estadística referente a la entropía residual del hielo de agua. Específicamente, investiga si la entropía residual del hielo hexagonal ($S_h$) es igual a la del hielo cúbico ($S_c$). Mientras que los estudios analíticos han establecido la desigualdad $S_h \geq S_c$, las investigaciones numéricas utilizando métodos de Monte Carlo y expansiones de series han sugerido consistentemente que ambos valores son extremadamente cercanos, dejando abierta la cuestión de la igualdad estricta. Un desafío principal para resolver esto es que los enfoques estándar de Monte Carlo no pueden muestrear directamente el espacio de degeneración del estado fundamental para obtener la entropía residual; en su lugar, dependen de la integración de la capacidad calorífica sobre temperaturas finitas. Además, los intentos previos con redes de tensores se vieron limitados porque el operador de transferencia para el hielo cúbico es no hermítico, lo que requirió restricciones de simetría artificiales que oscurecieron la distinción entre los dos fases de hielo.

Metodología
Los autores emplean métodos de redes de tensores de alta precisión para reformular el problema de la entropía residual.

1. Representación de Redes de Tensores: La "regla del hielo" (dos átomos de hidrógeno cerca y dos lejos de un oxígeno) se codifica en tensores locales. Las estructuras de red 3D del hielo hexagonal ($I_h$) y cúbico ($I_c$) se mapean en redes de tensores donde el número total de configuraciones está determinado por el autovalor dominante de un operador de transferencia de capa a capa ($\hat{T}$).
   • Para el hielo cúbico, $\hat{T}_c = \hat{M}$.
   • Para el hielo hexagonal, $\hat{T}_h = \hat{M}\hat{M}^T$.
2. Análisis de Normalidad: Los autores investigan la "normalidad" del operador de transferencia del hielo cúbico $\hat{M}$ (donde una matriz es normal si $\hat{M}\hat{M}^T = \hat{M}^T\hat{M}$). Calculan numéricamente la fidelidad entre $\hat{M}\hat{M}^T$ y $\hat{M}^T\hat{M}$ utilizando el algoritmo de Estado de Producto de Matriz Uniforme Variacional (VUMPS). Una alta normalidad implica que los autovalores de $\hat{M}\hat{M}^T$ corresponden a las normas al cuadrado de los autovalores de $\hat{M}$, lo que teóricamente respalda $S_h = S_c$.
3. Optimización Variacional: Para calcular las entropías residuales directamente, los autores utilizan el algoritmo recientemente desarrollado de Grupo de Renormalización de Matriz de Transferencia de Esquina Dividida (split-CTMRG). Crucialmente, argumentan que debido a que $\hat{M}$ es no negativo y altamente normal, se puede aplicar el principio variacional (cociente de Rayleigh) para encontrar el autovector dominante sin imponer las restricciones de simetría espacial utilizadas en trabajos previos. Esto permite una comparación directa y sin restricciones de $S_h$ y $S_c$.

Contribuciones Clave

• Computación Directa: El artículo proporciona un marco para computar directamente la entropía residual en el espacio de degeneración del estado fundamental utilizando redes de tensores, evitando las limitaciones de la integración a temperatura finita requerida por los métodos de Monte Carlo.
• Perspectiva de Normalidad: Los autores introducen el análisis de la normalidad del operador de transferencia como una herramienta teórica y numérica. Demuestran que el operador de transferencia para el hielo cúbico es "extremadamente cercano" a ser normal, lo que justifica el uso de métodos variacionales sin restricciones de simetría artificiales.
• Aplicación Algorítmica: El trabajo aplica el método split-CTMRG para optimizar Estados de Pares Entrelazados Proyectados infinitos (iPEPS) para operadores de transferencia no hermíticos, logrando altas dimensiones de enlace ($D=7$) y dimensiones de CTM ($\chi=150$).

Resultados

• Medida de Normalidad: La fidelidad numérica entre $\hat{M}\hat{M}^T$ y $\hat{M}^T\hat{M}$ fue extrapolada al límite de dimensión de enlace infinita, arrojando un valor de $F \approx 0.999903$. Esto indica un grado de normalidad muy alto, aunque no estrictamente perfecto.
• Valores de Entropía Residual: Utilizando el método split-CTMRG y extrapolando al límite termodinámico ($D, \chi \to \infty$), los autores obtuvieron:
  • $S_h = 0.4104251(6)$
  • $S_c = 0.4104248(14)$
• Comparación: La diferencia relativa entre los dos valores es del orden de $5 \times 10^{-6}$. Dentro de la precisión numérica de su método, los resultados indican que $S_h$ y $S_c$ son iguales. La optimización sin restricciones produjo valores ligeramente superiores para el hielo hexagonal en comparación con estudios previos de redes de tensores con restricciones, confirmando la importancia del espacio variacional más amplio.

Significancia y Reivindicaciones
El artículo afirma proporcionar fuerte evidencia numérica que respalda la igualdad $S_h = S_c$. La significancia de este trabajo radica en:

1. Resolución de la Desigualdad: Va más allá del límite inferior analítico ($S_h \geq S_c$) para proporcionar evidencia numérica de que la brecha es efectivamente cero dentro de la precisión computacional actual.
2. Avance Metodológico: Demuestra que la normalidad de un operador de transferencia es una condición suficiente para aplicar métodos de redes de tensores variacionales a sistemas no hermíticos sin imponer simetrías artificiales. Esto ofrece una nueva perspectiva para estudiar modelos de física estadística 3D donde las matrices de transferencia de capa a capa no son hermíticas.
3. Aplicabilidad Futura: Los autores sugieren que este enfoque es prometedor para investigar la entropía residual de otras fases de hielo más complejas (de las cuales existen más de 20) donde los átomos de oxígeno forman diferentes redes regulares pero mantienen un número de coordinación de 4.

Los autores se mantienen modestos, señalando que, si bien la alta normalidad respalda la igualdad, la mínima violación de la normalidad estricta no desmiente matemáticamente la igualdad, sino que requiere el enfoque numérico de alta precisión que emplearon para confirmarlo.