⚛️ high-energy theory

Calculating Feynman diagrams with matrix product states

Cette revue pédagogique expose une méthode pour calculer et sommer automatiquement les diagrammes de Feynman en nanoélectronique quantique à l'aide d'états produits par matrices et de l'algorithme de Tensor Cross Interpolation, spécifiquement appliquée à l'effet Kondo hors équilibre dans le modèle d'Anderson à impureté unique.

Auteurs originaux : Xavier Waintal

Publié 2026-02-04

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Xavier Waintal

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Dompter le chaos quantique

Imaginez que vous essayiez de prédire le comportement d'une petite fête chaotique se déroulant à l'intérieur d'un point quantique (une île microscopique pour les électrons). Vous voulez savoir exactement combien d'électrons s'y trouvent et quel est le courant qui circule.

En physique, la « référence absolue » pour résoudre ces problèmes est une méthode impliquant les diagrammes de Feynman. Ne voyez pas ces diagrammes comme de simples dessins, mais comme une recette massive et multicouche. Pour obtenir la réponse finale, vous devez :

Écrire toutes les manières possibles dont les électrons peuvent interagir (les ingrédients).
Calculer un immense intégrale mathématique (le processus de cuisson) pour chaque recette.
Additionner tous les résultats.

Le problème ? Le nombre de recettes augmente si vite qu'il devient impossible de les gérer. Si vous voulez calculer l'interaction pour seulement quelques étapes, vous aurez peut-être quelques recettes. Mais pour un scénario légèrement plus complexe, le nombre de recettes explose pour atteindre des milliards, des trillions, puis des factorielles (comme $100!$ ). C'est comme essayer de compter chaque grain de sable sur une plage, mais la plage grandit plus vite que vous ne pouvez compter.

Ce papier décrit une nouvelle « cuisine » qui permet aux scientifiques de préparer ce repas sans se perdre dans le sable.

Les trois grands problèmes (Le monstre à trois têtes)

L'auteur identifie trois cauchemars spécifiques qui empêchent les ordinateurs de résoudre ce problème depuis des décennies :

Problème A : L'explosion des options.
- L'analogie : Imaginez un livre dont vous êtes le héros où, à chaque fois que vous faites un choix, le nombre de nouvelles pages double. À la page 10, vous avez plus de pages qu'il n'y a d'atomes dans l'univers.
- La solution du papier : Au lieu de traiter chaque « chemin » (diagramme) comme une histoire unique, les auteurs ont réalisé que beaucoup de ces chemins sont en fait simplement des versions différentes d'une même structure sous-jacente. Ils ont trouvé un moyen de regrouper des millions de chemins chaotiques en un ensemble beaucoup plus petit et gérable de « déterminants » (comme organiser un placard en désordre en boîtes propres et étiquetées). Cela a réduit la charge de travail, passant d'une explosion factorielle à une croissance exponentielle beaucoup plus gérable.
Problème B : Le « Problème du Signe » (L'onde oscillante).
- L'analogie : Imaginez que vous essayiez de mesurer la taille moyenne d'une foule, mais que la moitié des gens se tiennent sur des échasses (nombres positifs) et l'autre moitié pend la tête en bas dans un fossé (nombres négatifs). Si vous utilisez une méthode d'échantillonnage aléatoire (comme choisir des personnes au hasard), vous pourriez choisir 10 personnes dans le fossé et obtenir une moyenne totalement erronée. Les nombres positifs et négatifs s'annulent si parfaitement que le signal se perd dans le bruit. C'est le célèbre « Problème du Signe » en physique.
- La solution du papier : Les auteurs ont arrêté d'utiliser l'échantillonnage aléatoire (Monte Carlo). À la place, ils ont utilisé une technique appelée Interpolation de Croix Tensorielle (TCI).
- L'analogie : Considérez la fonction mathématique qu'ils doivent résoudre comme un paysage 3D géant et complexe. Au lieu de lancer des fléchettes au hasard sur la carte pour deviner sa forme (ce qui échoue lorsque le paysage possède des collines et des vallées qui s'annulent), la TCI est comme un géomètre intelligent. Elle choisit quelques points « pivots » clés (sommets et creux) et les utilise pour reconstruire l'intégralité de la carte parfaitement. Parce qu'elle reconstruit toute la forme mathématiquement plutôt que de deviner, les parties positives et négatives s'annulent exactement comme elles le doivent, éliminant ainsi le bruit.
Problème C : La série infinie.
- L'analogie : Imaginez que vous essayiez de prédire la météo pour l'année prochaine. Vous avez des données pour les 20 premiers jours. Si vous vous contentez d'additionner les 20 premiers jours, vous ne pouvez pas prédire l'hiver. Mais si vous essayez de prédire trop loin dans le futur, votre mathématique s'effondre.
- La solution du papier : Les auteurs ont utilisé une technique appelée Extrapolation de Croix.
- L'analogie : Imaginez que vous avez la photo d'un paysage, mais que le coin supérieur droit est déchiré (données manquantes). Vous connaissez le motif des arbres et des nuages dans le coin inférieur gauche. Les auteurs ont réalisé que la physique de ce système est de « faible rang » — ce qui signifie que le motif complexe est en fait construit à partir de quelques couches simples et répétitives. En analysant la partie connue de la photo, ils ont pu mathématiquement « remplir » le coin manquant avec une grande précision, leur permettant de prédire le comportement pour des temps très longs et des interactions fortes.

La « Recette Secrète » : L'Interpolation de Croix Tensorielle (TCI)

L'innovation centrale de ce papier est la TCI.

Ce que c'est : C'est une façon de compresser un problème mathématique multidimensionnel massif en une chaîne de matrices plus petites et connectées (appelées États de Produit de Matrices ou Matrix Product States).
Comment ça marche : Pensez à un énorme Rubik's Cube multidimensionnel. Habituellement, pour le résoudre, vous devez regarder chaque autocollant. La TCI, c'est réaliser que le cube n'est en fait composé que de quelques motifs simples empilés les uns sur les autres.
L'aspect « Apprentissage » : Le papier compare la TCI à l'apprentissage automatique (machine learning). Au lieu qu'un ordinateur essaie aveuglément des millions de nombres aléatoires, la TCI est un « apprenant actif ». Elle demande : « Si je vérifie ce point spécifique, cela m'apprendra-t-il le plus sur l'ensemble de l'image ? » Elle choisit les points les plus informatifs (pivots) pour construire son modèle.
Le Résultat : Une fois que l'ordinateur a construit ce modèle compressé, il peut calculer la réponse finale (l'intégrale) instantanément et exactement, sans avoir besoin de devinettes aléatoires ou de simulations de Monte Carlo.

Le Test en Conditions Réelles : Le Point Quantique

Pour prouver que cela fonctionne, les auteurs l'ont appliqué à un modèle appelé le SIAM (Single Impurity Anderson Model).

Le Montage : Un minuscule point quantique connecté à deux fils, avec des électrons qui circulent à travers lui.
Le Défi : Ils voulaient calculer le courant circulant à travers le point lorsqu'une tension est appliquée, en observant spécifiquement deux phénomènes quantiques célèbres :
1. Diamants de Coulomb : Un motif montrant que les électrons se bloquent mutuellement pour entrer dans le point (comme un videur à l'entrée d'un club).
2. La Crête de Kondo : Une caractéristique spécifique où, à des températures très basses, les électrons commencent soudainement à circuler parfaitement de manière fluide grâce à l'intrication quantique.

Le Résultat :
Les auteurs ont réussi à calculer le courant et la conductance sur une large gamme de tensions et de températures. Leurs résultats concordent avec les prédictions théoriques « exactes » (calculées avec d'autres méthodes beaucoup plus lentes) avec une grande précision. Ils ont pu observer clairement la « crête de Kondo » et les « diamants de Coulomb », prouvant que leur nouvelle technique « non-diagrammatique et non-Monte-Carlo » fonctionne.

Ce qu'il faut retenir

L'auteur conclut que nous entrons dans une nouvelle ère de la physique computationnelle.

L'Open Source est la clé : Le code utilisé pour réaliser cela est ouvert, permettant à d'autres de construire dessus.
La Structure plutôt que la Force Brute : La plus grande percée n'a pas été simplement d'avoir des ordinateurs plus rapides, mais de trouver la « structure » cachée dans les mathématiques (en utilisant la TCI) qui a permis de contourner les calculs impossibles.
L'Avenir : L'auteur suggère que des problèmes que nous pensions insolubles (comme le modèle de Hubbard en 2D) pourraient bientôt être résolus grâce à ces types d'algorithmes « intelligents » qui apprennent aux ordinateurs comment trouver les motifs dans le chaos.

En résumé : Ils ont appris à un ordinateur à arrêter de compter chaque grain de sable pour plutôt apprendre la forme de la plage, permettant ainsi de résoudre des énigmes quantiques qui étaient auparavant impossibles à résoudre.

Résumé Technique : Calcul des diagrammes de Feynman avec les états de produits de matrices

1. Formulation du problème

L'article traite du défi que représente le calcul d'observables physiques dans les systèmes nanoélectroniques quantiques, plus précisément pour les modèles hors équilibre et en interaction comme le modèle d'Anderson à impureté unique (SIAM). L'objectif est de calculer les observables $Q(U, t)$ (telles que la charge ou le courant) sous la forme d'un développement perturbatif systématique en l'intensité de l'interaction $U$ :
$Q(U, t) = \sum_{n=0}^{\infty} Q_n(t) U^n$
Le calcul des coefficients $Q_n(t)$ implique l'évaluation d'intégrales de haute dimension de produits de fonctions de Green sans interaction. Les auteurs identifient trois difficultés fondamentales dans cette approche :

Problème A (Explosion combinatoire) : Le nombre de diagrammes de Feynman croît de manière factorielle ( $O(n!)$ ) avec l'ordre de la perturbation $n$ , rendant la sommation directe impossible au-delà de $n \approx 6-7$ .
Problème B (Le problème du signe et l'intégration) : Les intégrandes de ces diagrammes présentent souvent des oscillations rapides, ce qui conduit au « problème du signe » propre aux méthodes de Monte-Carlo. De plus, le nombre colossal d'évaluations de fonctions requises (souvent $\sim 10^9$ ) rend l'échantillonnage standard inefficace, surtout lorsque le coût par évaluation augmente exponentiellement avec $n$ .
Problème C (Convergence et resommation) : Même si les coefficients peuvent être calculés, la série perturbative peut avoir un rayon de convergence fini (particulièrement dans la limite de l'état stationnaire $t \to \infty$ ), nécessissant des techniques de resommation sophistiquées pour extraire des résultats physiques à des intensités d'interaction élevées.

2. Méthodologie

Les auteurs proposent un cadre en trois étapes pour répondre à ces problèmes, s'éloignant du Monte-Carlo diagrammatique traditionnel vers une approche « non-diagrammatique et non-Monte-Carlo ».

Étape 1 : Expansion en interaction (Traitement du Problème A)

Au lieu de sommer les diagrammes de Feynman individuels, les auteurs utilisent le formalisme de Keldysh combiné au théorème de Wick.

Ils expriment les coefficients d'expansion comme des intégrales multidimensionnelles sur les variables temporelles et les indices de Keldysh.
Crucialement, ils reconnaissent que la somme sur toutes les permutations des opérateurs de fermions (qui génère les $n!$ diagrammes) est mathématiquement équivalente au déterminant d'une matrice construite à partir de fonctions de Green sans interaction.
Cela réduit la complexité de $O(n!)$ à $O(2^n)$ (plus précisément, l'évaluation de déterminants de matrices $(2n+1) \times (2n+1)$ ).
Un point clé est que la somme sur les indices de Keldysh avant l'intégration temporelle annule les diagrammes déconnectés, résultant en un intégrande bien comportementé, défini positif et concentré autour du temps de mesure.

Étape 2 : Interpolation croisée tensorielle (Traitement du Problème B)

Pour évaluer les intégrales de haute dimension résultantes sans échantillonnage de Monte-Carlo, les auteurs emploient l'Interpolation Croisée Tensorielle (TCI).

Concept : La TCI est un algorithme d'apprentissage qui approxime un tenseur de haute dimension (l'intégrande) sous la forme d'un état de produit de matrices (MPS). Contrairement aux réseaux de neurones, la TCI n'utilise pas la descente de gradient ; elle utilise une stratégie d'apprentissage actif pour sélectionner des « pivots » (points de grille spécifiques) qui maximisent le déterminant des sous-matrices (le principe maxvol).
Mécanisme : L'algorithme parcourt de manière itérative les dimensions du tenseur, effectuant une Interpolation Croisée (CI) sur des matrices formées par le découpage du tenseur. La CI approxime une matrice de faible rang $A$ en utilisant seulement un petit sous-ensemble de ses lignes et colonnes (pivots) : $A \approx A_{I,J} A_{I,I}^{-1} A_{I,J}$ .
Intégration : Une fois l'intégrande compressé dans une représentation MPS, l'intégrale multidimensionnelle peut être calculée de manière exacte et efficace via des multiplications matrice-vecteur, contournant ainsi la malédiction de la dimensionnalité et le problème du signe.
Performance : Cette méthode permet des calculs jusqu'à $n \approx 20-25$ , dépassant largement les limites précédentes.

Étape 3 : Extrapolation croisée (Traitement du Problème C)

Pour reconstruire la fonction complète $Q(U, t)$ à partir d'un nombre fini de coefficients calculés $Q_n(t)$ , les auteurs utilisent l'Extrapolation Croisée.

Stratégie : La fonction $Q(U, t)$ est traitée comme une matrice où les lignes correspondent à l'interaction $U$ et les colonnes au temps $t$ . Les auteurs observent que cette matrice est approximativement de faible rang.
Exécution : En utilisant la même machinerie mathématique que la TCI (Interpolation Croisée), ils extrapolent les régions inconnues de la matrice (grands $U$ et grands $t$ ) à partir des données des « coins » connus (petits $U$ ou petits $t$ ).
Validité : Cela repose sur l'hypothèse que $Q(U, t)$ peut être approximée par une somme de fonctions séparables $\sum g_k(U)h_k(t)$ . L'erreur est contrôlée en faisant varier le rang $\chi$ de l'extrapolation.

3. Contributions clés

Reformulation par déterminant : Démontre que l'expansion perturbative des observables hors équilibre peut être réduite à l'intégration de déterminants, éliminant la croissance factorielle du nombre de diagrammes.
TCI pour l'intégration : Introduit l'Interpolation Croisée Tensorielle comme une alternative supérieure au Monte-Carlo pour intégrer des fonctions oscillatoires de haute dimension issues de la physique de la matière condensée. Elle fournit une intégration exacte sans bruit stochastique.
Extrapolation croisée : Développe une méthode robuste pour ressemer les séries de perturbation en exploitant la structure de faible rang de l'observable dans le plan $(U, t)$ , permettant d'accéder à des régimes où les séries divergeraient naïvement.
Implémentation Open Source : Ce travail est soutenu par la bibliothèque tensor4all, fournissant des outils accessibles pour ces techniques de réseaux de tenseurs.

4. Résultats

La méthodologie a été appliquée au SIAM hors équilibre (un point quantique couplé à deux réservoirs) pour calculer la charge et le courant.

Précision : Les auteurs ont calculé les coefficients d'expansion jusqu'à $n=18$ avec une haute précision (jusqu'à 8 chiffres), correspondant aux résultats exacts de l'analyse de Bethe dans l'état stationnaire.
Observables physiques : La méthode a reproduit avec succès le diagramme de phase complet du SIAM, incluant :
- Diamants de Coulomb : Régions de conductance supprimée dues à l'énergie de charge.
  age* Crête de Kondo : Une anomalie de conductance à biais nul découlant de l'effet Kondo.
Caractéristiques Courant-Tension : Les auteurs ont calculé le courant $I(V_b)$ $I (V_{b})$ à travers la crête de Kondo pour une interaction forte ( $U=12$ $U = 12$ ). Les résultats capturent les régimes physiques attendus :
- Saturation à haut biais ( $V_b > U$ ).
- Un plateau associé à la température de Kondo $T_K$ à bas biais ( $V_b < T_K$ ), où une transmission parfaite ( $I \approx V_b$ ) est attendue.
- La transition entre ces régimes couvre plusieurs échelles d'énergie ( $U$ , $\sqrt{\Gamma U}$ , $\Gamma$ , et $T_K$ ).

5. Signification et affirmations

L'article positionne ce travail comme une étape importante pour « apprendre à un ordinateur à calculer des diagrammes de Feynman ».

Précision contrôlée : Contra\à l'approximation de champ moyen, cette technique est « contrôlée », ce qui signifie qu'elle fournit des barres d'erreur connues qui peuvent être systématiquement améliorées en augmentant les ressources de calcul (temps et rang).
Changement de paradigme : Les auteurs soulignent un passage de la dérivation manuelle des règles diagrammatiques à l'utilisation d'algorithmes (TCI) qui découvrent automatiquement la structure de faible rang sous-jacente du problème.
Scalabilité : La combinaison de la réduction par déterminant et de l'intégration TCI permet des calculs dans des régimes auparavant inaccessibles aux méthodes diagrammatiques, comblant le fossé entre la compréhension théorique et les observables expérimentales dans le transport quantique hors équilibre.
Modestie : Les auteurs reconnaissent que, bien que la technique soit puissante, elle n'est pas un solveur universel pour tous les problèmes à corps multiples (le modèle de Hubbard 2D est mentionné comme une cible future). Ils soulignent que le succès repose sur la structure spécifique de faible rang des intégrandes dans ces systèmes nanoélectroniques.