Lattice and PT symmetries in tensor-network renormalization group: a case study of a hard-square lattice gas model

Cet article présente une méthode de groupe de renormalisation sur réseau de tenseurs (TNRG) en deux dimensions intégrant les symétries de réseau et PT, validée par l'étude précise des transitions de phase continues du modèle de gaz sur réseau à cases dures.

L'essentiel

🌟 L'histoire du "TNRG" : Un jeu de Lego pour comprendre la matière

Imaginez que vous essayez de comprendre comment une foule de personnes se comporte dans une grande place. Si vous regardez chaque individu un par un, vous vous perdez dans les détails. Mais si vous regardez la foule de loin, vous voyez des mouvements d'ensemble : une vague qui passe, une panique, ou une danse synchronisée.

En physique, les scientifiques utilisent une méthode appelée Groupe de Renormalisation (RG). C'est un peu comme un jeu de "Zoom arrière" : on prend un système complexe (comme des atomes sur une grille), et on le simplifie étape par étape pour voir les grandes règles qui gouvernent le tout.

Le papier dont nous parlons aujourd'hui parle d'une version très moderne et précise de ce jeu, appelée TNRG (Groupe de Renormalisation par Réseau de Tenseurs). C'est un outil numérique puissant pour prédire comment la matière change d'état (par exemple, quand l'eau gèle ou quand un aimant perd son magnétisme).

🧩 Le problème : Les règles du jeu sont souvent oubliées

Le problème, c'est que pour que ce "Zoom arrière" fonctionne parfaitement, il faut respecter les règles de symétrie du système.

Imaginez que vous jouez avec des Lego. Si votre modèle a une symétrie (par exemple, il est identique si vous le tournez à 90 degrés), mais que votre méthode de simplification brise cette symétrie par erreur, le résultat final sera tordu.

• Jusqu'à présent, les scientifiques savaient bien gérer les symétries simples (comme tourner une pièce sur elle-même).
• Mais ils avaient du mal avec deux types de symétries plus subtiles :
  1. Les symétries du "tapis" (la grille elle-même : rotation, réflexion comme dans un miroir).
  2. La symétrie "PT" (une symétrie mathématique bizarre liée à l'inversion du temps et de l'espace, souvent associée à des nombres négatifs ou imaginaires).

🎲 Le modèle testé : Le "Jeu des Chaises Musicales"

Pour prouver que leur nouvelle méthode fonctionne, les auteurs ont choisi un modèle très spécifique : le gaz de carrés durs (Hard-square lattice gas).

Imaginez une grille de damier. Vous devez y placer des pièces (des particules) avec une seule règle stricte : deux pièces ne peuvent jamais être voisines. C'est comme un jeu de "chaises musicales" où les voisins immédiats sont interdits.

Ce jeu a deux moments de crise (deux transitions de phase) :

1. Le moment "Soleil" (Activité positive) : Quand il y a beaucoup de pièces, elles s'organisent pour ne pas se toucher. Elles choisissent soit toutes les cases noires, soit toutes les cases blanches. C'est une rupture de symétrie : le système "choisit" un camp.
2. Le moment "Fantôme" (Activité négative) : C'est un cas mathématique étrange où les nombres deviennent négatifs. Ici, une symétrie très spéciale (la symétrie PT) se brise. C'est comme si le jeu commençait à jouer avec des nombres imaginaires, ce qui est très difficile à simuler sur un ordinateur classique.

🛠️ La solution : Un nouveau kit d'outils

L'auteur, Xinliang Lyu, a développé une nouvelle façon de faire le "Zoom arrière" (le TNRG) qui respecte scrupuleusement ces règles.

Voici les trois ingrédients magiques de sa méthode :

1. Le respect du miroir et de la rotation : Au lieu de simplifier le réseau de Lego au hasard, il force l'ordinateur à garder la symétrie du miroir et de la rotation à chaque étape. C'est comme si, à chaque fois qu'on réduisait la taille du modèle, on s'assurait qu'il restait parfaitement rond ou symétrique.
2. La garde-fou "Réel" (Symétrie PT) : Pour le cas "Fantôme" (nombres négatifs), il s'assure que tous les calculs restent dans le monde des "nombres réels" (pas de nombres imaginaires qui traînent). Cela empêche l'ordinateur de faire des erreurs d'arrondi qui détruiraient la symétrie.
3. Le "Filtre à Entanglement" (Loop Optimization) : C'est l'outil le plus astucieux. Quand on simplifie un système, on perd souvent des informations importantes (comme si on jetait des pièces de puzzle au hasard). Cette technique agit comme un filtre intelligent qui repère et supprime les "doublons" inutiles avant de simplifier, gardant ainsi l'information cruciale.

📊 Les résultats : Plus précis, plus rapide

En utilisant cette nouvelle méthode sur le "Jeu des Chaises Musicales", les résultats sont impressionnants :

• Stabilité : Là où les anciennes méthodes faisaient "dériver" le modèle (il devenait instable et donnait des résultats faux après quelques étapes), la nouvelle méthode reste stable, même pour les cas les plus difficiles.
• Précision : Pour obtenir la même précision, l'ancienne méthode nécessitait un ordinateur beaucoup plus puissant (une "mémoire" 5 fois plus grande). La nouvelle méthode arrive au même résultat avec beaucoup moins de ressources.
• Découverte : Ils ont pu calculer avec une précision extrême les points exacts où le jeu change d'état, confirmant que leur méthode fonctionne aussi bien pour les mondes "normaux" que pour les mondes "fantômes" (non-unitaires).

🚀 En résumé

Ce papier est une avancée majeure car il transforme le TNRG en un outil plus complet et plus robuste.

Avant, c'était comme conduire une voiture de course qui ne pouvait bien tourner que vers la droite. Maintenant, grâce à cette nouvelle méthode, la voiture peut tourner à gauche, faire des demi-tours, et même rouler sur des terrains glissants (les symétries PT) sans perdre le contrôle.

Cela ouvre la porte pour étudier des matériaux complexes, des gaz difficiles et d'autres systèmes physiques que nous n'osions pas encore aborder avec autant de précision. C'est un pas de géant pour comprendre comment la matière s'organise, du plus petit atome aux plus grandes structures.

Résumé technique

1. Problématique et Contexte

Le Groupe de Renormalisation par Réseau de Tenseurs (TNRG) est une méthode numérique puissante pour étudier les transitions de phase dans les systèmes classiques et quantiques. Bien que la prise en compte des symétries globales (comme $U(1)$ ou $SU(2)$) dans les réseaux de tenseurs soit bien établie, la compréhension et l'intégration des symétries de réseau (réflexion, rotation) et de la symétrie PT (Parité-Temps) dans le TNRG restent limitées.

La plupart des études de référence se concentrent sur le modèle d'Ising 2D, où seule la symétrie de flip de spin globale ($Z_2$) est brisée. Cependant, pour des modèles plus complexes comme les gaz de réseau à cœur dur (hard-core lattice gases), les transitions de phase impliquent souvent la rupture spontanée de symétries de réseau ou de symétries PT. Sans intégrer explicitement ces symétries dans le schéma de renormalisation, les points fixes correspondant aux phases ordonnées deviennent instables sous l'effet des erreurs numériques, faussant les résultats.

L'objectif de cet article est de démontrer comment intégrer rigoureusement les symétries de réseau et PT dans le TNRG en 2D, en utilisant le modèle de gaz de carrés durs avec exclusion au premier voisin (1NN) comme étude de cas. Ce modèle présente deux transitions de phase continues :

1. Une transition physique à activité positive ($z > 0$) brisant les symétries de réseau.
2. Une transition non physique à activité négative ($z < 0$) brisant la symétrie PT (singularité de l'arête de Yang-Lee).

2. Méthodologie

L'auteur propose un schéma de TNRG amélioré par un filtrage d'intrication (Entanglement Filtering - EF), spécifiquement une optimisation de boucle (loop optimization), qui préserve et impose les symétries à chaque étape.

A. Représentation Tensorielle et Définition des Symétries

Le modèle est représenté par un réseau de tenseurs où les tenseurs initiaux $A_0$ et les matrices de liaison $\sigma_0$ sont définis pour rendre les symétries explicites :

• Symétrie PT : Imposée en garantissant que tous les tenseurs restent à valeurs réelles ($A = A^*$). Pour $z < 0$, la matrice de liaison $\sigma_0$ devient $\sigma_z = \text{diag}(1, -1)$, mais les tenseurs restent réels.
• Symétries de Réseau : Définies pour les tenseurs grossis (coarse-grained) $A$ et $B$. L'auteur distingue deux formes :
  • Forme faible : Le tenseur $B$ est déterminé par des opérations de symétrie (rotation, réflexion) sur $A$.
  • Forme forte : Le tenseur $A$ lui-même satisfait des relations de symétrie impliquant une matrice de jauge de permutation (SWAP-gauge matrix) $g$ diagonale ($\pm 1$).

B. Décomposition SVD Symétrique

Au lieu d'une décomposition en valeurs singulières (SVD) standard, l'auteur propose une décomposition SVD symétrique basée sur la décomposition en valeurs propres (ED) pour les tenseurs réels symétriques.

• Pour un tenseur $A$ satisfaisant la symétrie de réflexion diagonale, on effectue une ED tronquée.
• Les valeurs propres $\Lambda$ sont séparées en signe ($\sigma' = \text{sign}(\Lambda)$) et magnitude ($\sqrt{|\Lambda|}$).
• Cette approche garantit que les tenseurs résultants et les matrices de liaison conservent les symétries de réseau et PT sans introduire d'erreurs de précision machine qui briseraient la dégénérescence des états fondamentaux.

C. Intégration de l'Optimisation de Boucle (Loop Optimization)

Pour réduire les erreurs de troncature critiques, une étape d'optimisation de boucle est insérée entre deux transformations TRG (Tensor Renormalization Group).

• L'optimisation vise à filtrer les tenseurs CDL (Corner-Double Line) qui représentent une intrication redondante.
• Une subtilité majeure réside dans la gestion de la matrice de liaison non triviale $\sigma'$ (contenant des $-1$) et de la symétrie des tenseurs dans la boucle. L'auteur adapte la méthode de mise à jour du tenseur 3-jambes $\tilde{v}_\Lambda$ en utilisant l'inverse de Moore-Penrose et des combinaisons convexes pour assurer la convergence et la fidélité, même lorsque les tenseurs dans la boucle sont identiques (contrairement aux hypothèses précédentes).

3. Résultats Principaux

Les simulations numériques ont été menées sur le modèle 1NN hard-square avec des dimensions de liaison $\chi$ allant jusqu'à 50.

A. Transition à Activité Positive (Classe d'Universalité d'Ising 2D)

• Stabilité : L'intégration des symétries de réseau stabilise le point fixe de la phase ordonnée. Sans symétrie, le point fixe devient instable après quelques étapes de renormalisation.
• Précision : La méthode proposée avec optimisation de boucle réduit considérablement l'erreur de troncature par rapport au TRG standard.
  • Pour atteindre une précision similaire à celle obtenue par la méthode proposée avec $\chi=10$, le TRG standard nécessite $\chi=50$.
  • L'estimation de l'activité critique $z_c^+$ est obtenue avec une erreur relative de l'ordre de $10^{-6}$ à $10^{-7}$, surpassant le TRG classique.
• Dimensions d'échelle : Les dimensions d'échelle extraites sont stables et convergent rapidement vers les valeurs exactes de la CFT d'Ising 2D.

B. Singularité du Cœur Répulsif (Activité Négative, Classe de Yang-Lee)

• Défi : Cette transition appartient à une CFT non unitaire ($c = -22/5$), où la loi d'aire de l'entropie d'intrication ne s'applique pas directement, rendant la prédiction des erreurs de troncature difficile.
• Performance : Malgré cela, l'approche EF (Entanglement Filtering) proposée s'avère efficace.
  • L'erreur de troncature du TRG standard croît exponentiellement, tandis que la méthode proposée la maintient autour de $10^{-7}$.
  • Les estimations de l'activité critique $z_c^-$ et des dimensions d'échelle (notamment celle du champ primaire $\phi$) sont nettement plus précises et stables avec la méthode proposée, même pour de faibles dimensions de liaison.

4. Contributions Clés

1. Définition rigoureuse des symétries : L'article établit des définitions formelles pour les symétries de réseau et PT dans le contexte des réseaux de tenseurs grossis, distinguant les formes faibles et fortes.
2. SVD Symétrique : Introduction d'une technique de décomposition SVD adaptée aux tenseurs réels symétriques qui préserve intrinsèquement les symétries de réseau et PT, évitant ainsi la perte de dégénérescence due aux erreurs numériques.
3. Généralisation de l'Optimisation de Boucle : Développement d'un schéma d'optimisation de boucle capable de gérer des matrices de liaison non triviales (avec des valeurs propres négatives) et des symétries de réseau, comblant une lacune des méthodes EF précédentes (comme le loop-TNR symétrique) qui supposaient des matrices de liaison triviales.
4. Validation sur un modèle difficile : Démonstration que le TNRG peut être appliqué avec succès à des transitions de phase non unitaires (Yang-Lee) et à des systèmes brisant des symétries de réseau, là où les méthodes standards échouent ou nécessitent des ressources computationnelles prohibitives.

5. Signification et Impact

Ce travail transforme le TNRG 2D en une méthode numérique plus complète et robuste. En résolvant le problème de l'instabilité des points fixes liés à la rupture de symétries de réseau et PT, l'article ouvre la voie à l'étude précise de modèles de gaz de réseau à cœur dur avec des portées d'exclusion plus grandes, ainsi que d'autres modèles statistiques complexes où ces symétries jouent un rôle crucial.

L'approche proposée montre que l'intégration explicite des symétries n'est pas seulement une question d'efficacité computationnelle (réduction des degrés de liberté), mais une nécessité fondamentale pour obtenir des résultats physiques corrects dans les phases ordonnées et aux points critiques non unitaires. Cela renforce la position du TNRG comme un outil de référence pour l'étude des phénomènes critiques et la stabilité des points fixes de renormalisation.