⚛️ high-energy theory

Calculating Feynman diagrams with matrix product states

Deze pedagogische review schetst een methode voor het automatisch berekenen en resumeren van Feynman-diagrammen in kwantum-nano-elektronica met behulp van matrixproducttoestanden en het Tensor Cross Interpolation-algoritme, specifiek toegepast op het niet-evenwicht Kondo-effect in het single impurity Anderson-model.

Oorspronkelijke auteurs: Xavier Waintal

Gepubliceerd 2026-02-04

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xavier Waintal

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Het Temmen van de Kwantumchaos

Stel je voor dat je probeert het gedrag te voorspellen van een minuscuul, chaotisch feestje dat plaatsvindt binnenin een kwantumdot (een microscopisch eilandje voor elektronen). Je wilt precies weten hoeveel elektronen daar zijn en hoeveel stroom er doorheen vloeit.

In de natuurkunde is de "gouden standaard" voor het oplossen van deze problemen een methode die gebruikmaakt van Feynman-diagrammen. Zie deze diagrammen niet als tekeningen, maar als een enorm, meerlagig recept. Om tot het uiteindelijke antwoord te komen, moet je:

Elke mogelijke manier opschrijven waarop de elektronen kunnen interageren (de ingrediënten).
Een gigantisch wiskundig integraal berekenen (het kookproces) voor elk afzonderlijk recept.
Alle resultaten bij elkaar optellen.

Het probleem? Het aantal recepten groeit zo snel dat het onmogelijk wordt. Als je de interactie voor slechts een paar stappen wilt berekenen, heb je misschien een handvol recepten. Maar voor een iets complexer scenario explodeert het aantal naar miljarden, dan biljoenen, en zelfs faculteiten (zoals $100!$ ). Het is alsof je probeert elk zandkorreltje op een strand te tellen, terwijl het strand sneller groeit dan jij kunt tellen.

Dit paper beschrijft een nieuwe "keuken" waarmee wetenschappers dit maaltijd kunnen bereiden zonder in het zand te verdwalen.

De Drie Grote Problemen (Het "Driekoppige Monster")

De auteur identificeert drie specifieke nachtmerries die computers decennialang hebben tegengehouden om dit probleem op te lossen:

Probleem A: De Explosie van Opties.
- De Analogie: Stel je een 'kies je eigen avontuur'-boek voor waarbij het aantal nieuwe pagina's bij elke keuze die je maakt, verdubbelt. Tegen pagina 10 heb je meer pagina's dan er atomen in het universum zijn.
- De Oplossing uit het Paper: In plaats van elke individuele "route" (diagram) als een uniek verhaal te behandelen, realiseerden de auteurs zich dat veel van deze routes eigenlijk slechts verschillende versies zijn van dezelfde onderliggende structuur. Ze vonden een manier om miljoenen chaotische paden te groeperen in een veel kleinere, beheersbare set van "determinanten" (zoals het organiseren van een rommelige kast in nette, gelabelde dozen). Dit verminderde de werklast van een faculteits-explosie naar een veel hanteerbare exponentiële groei.
Probleem B: Het "Tekenprobleem" (De Oscillerende Golf).
- De Analogie: Stel je voor dat je het gemiddelde van de lengte van een menigte probeert te meten, maar de helft van de mensen staat op stelten (positieve getallen) en de andere helft hangt ondersteboven in een kuil (negatieve getallen). Als je een willekeurige steekproefmethode gebruikt (zoals het willekeurig kiezen van mensen), kun je 10 mensen uit de kuil kiezen en een volkomen fout gemiddelde krijgen. De positieve en negatieve getallen heffen elkaar zo perfect op dat het signaal verloren gaat in de ruis. Dit is het beroemde "tekenprobleem" in de natuurkunde.
- De Oplossing uit het Paper: De auteurs stopten met het gebruik van willekeurige steekproeven (Monte Carlo). In plaats daarvan gebruikten ze een techniek genaamd Tensor Cross Interpolation (TCI).
- De Analogie: Denk aan de wiskundige functie die ze moeten oplossen als een gigantisch, complex 3D-landschap. In plaats van willekeurig pijlen op de kaart te gooien om de vorm te raden (wat faalt wanneer het landschap heuvels en dalen heeft die elkaar opheffen), is TCI als een slim landmeter. Het kiest een paar belangrijke "pivot"-punten (pieken en dalen) en gebruikt deze om het gehele landschap perfect te reconstrueren. Omdat het de hele vorm wiskundig reconstrueert in plaats van te gokken, heffen de positieve en negatieve delen elkaar exact op zoals ze dat zouden moeten doen, waardoor de ruis wordt geëlimineerd.
Probleem C: De Oneindige Reeks.
- De Analogie: Stel je voor dat je het weer voor volgend jaar probeert te voorspellen. Je hebt gegevens voor de eerste 20 dagen. Als je alleen de eerste 20 dagen bij elkaar optelt, kun je de winter niet voorspellen. Maar als je probeert te ver vooruit te voorspellen, stort je wiskunde in.
- De Oplossing uit het Paper: De auteurs gebruikten een techniek genaamd Cross Extrapolatie.
- De Analogie: Stel je voor dat je een foto van een landschap hebt, maar de rechterbovenhoek is afgescheurd (ontbrekende data). Je kent het patroon van de bomen en wolken in de linkeronderhoek. De auteurs realiseerden zich dat de fysica van dit systeem "low rank" is — wat betekent dat het complexe patroon eigenlijk is opgebouwd uit een paar eenvoudige, herhalende lagen. Door het bekende deel van de foto te analyseren, konden ze de ontbrekende hoek met hoge precisie wiskundig "invullen", waardoor ze het gedrag voor zeer lange tijden en sterke interacties konden voorspellen.

Het "Geheime Ingrediënt": Tensor Cross Interpolation (TCI)

De kerninnovatie van dit paper is TCI.

Wat het is: Het is een manier om een massief, meerdimensionaal wiskundig probleem te comprimeren tot een keten van kleinere, verbonden matrices (genaamd Matrix Product States).
Hoe het werkt: Denk aan een gigantische, meerdimensionale Rubik's kubus. Normaal gesproken moet je om deze op te lossen elke sticker bekijken. TCI is het besef dat de kubus eigenlijk uit een paar eenvoudige patronen bestaat die op elkaar gestapeld zijn.
Het "Leeraspect": Het paper vergelijkt TCI met machine learning. In plaats van dat een computer blindelings miljoenen willekeurige getallen probeert, is TCI een "actieve leerling". Het vraagt: "Als ik dit specifieke punt controleer, zal dat mij dan het meeste leren over het totaalplaatje?" Het kiest de meest informatieve punten (pivots) om zijn model te bouwen.
Het Resultaat: Zodra de computer dit gecomprimeerde model heeft gebouwd, kan hij het uiteindelijke antwoord (het integraal) direct en exact berekenen, zonder dat er willekeurige gokkingen of Monte Carlo-simulaties nodig zijn.

De Praktijktest: De Kwantumdot

Om te bewijzen dat dit werkt, hebben de auteurs het toegepast op een model genaamd de SIAM (Single Impurity Anderson Model).

De Opstelling: Een kleine kwantumdot die verbonden is met twee draden, waar elektronen doorheen stromen.
De Uitdaging: Ze wilden de stroom berekenen die door de dot vloeit wanneer er een spanning wordt aangelegd, waarbij ze specifiek zochten naar twee beroemde kwantumverschijnselen:
1. Coulomb Diamonds: Een patroon dat laat zien dat elektronen elkaar blokkeren om de dot binnen te komen (zoals een uitsmijter bij een club).
2. De Kondo Ridge: Een specifief kenmerk waar, bij zeer lage temperaturen, de elektronen plotseling heel soepel beginnen te stromen door kwantumverstrengeling.

De Uitkomst:
De auteurs slaagden erin om de stroom en geleidbaarheid te berekenen over een breed scala aan voltages en temperaturen. Hun resultaten kwamen met hoge precisie overeen met de "exacte" theoretische voorspellingen (berekend met andere, veel tragere methoden). Ze waren in staat om de "Kondo ridge" en de "Coulomb diamonds" duidelijk te zien, wat bewees dat hun nieuwe "niet-diagrammatische, niet-Monte Carlo" techniek werkt.

De Kernboodschap

De auteur concludeert dat we een nieuw tijdperk in de computationele natuurkunde ingaan.

Open Source is Cruciaal: De code die hiervoor is gebruikt, is openbaar beschikbaar, zodat anderen erop voort kunnen bouwen.
Structuur boven Brute Kracht: De grootste doorbraak was niet alleen snellere computers, maar het vinden van de verborgen "structuur" in de wiskunde (met behulp van TCI) die hen in staat stelde de onmogelijke berekeningen te omzeilen.
De Toekomst: De auteur suggereert dat problemen waarvan we dachten dat ze onoplosbaar waren (zoals het 2D Hubbard-model), binnenkort opgelost kunnen worden met dit soort "slimme" algoritmen die computers leren hoe ze patronen in de chaos moeten vinden.

Kortom: Ze hebben een computer geleerd om te stoppen met het tellen van elk zandkorreltje en in plaats daarvan de vorm van het strand te leren begrijpen, waardoor het mogelijk werd om kwantumpuzzels op te lossen die voorheen onoplosbaar waren.

Technische Samenvatting: Het berekenen van Feynman-diagrammen met Matrix Product States

1. Probleemformulering

Het artikel behandelt de uitdaging van het berekenen van fysieke grootheden in kwantum-nano-elektronische systemen, specifiek uit evenwicht zijnde interagerende modellen zoals het Single Impurity Anderson Model (SIAM). Het doel is om grootheden $Q(U, t)$ (zoals lading of stroom) te berekenen als een systematische perturbatieve expansie in de interactiesterkte $U$ :
$Q(U, t) = \sum_{n=0}^{\infty} Q_n(t) U^n$
Het berekenen van de coëfficiënten $Q_n(t)$ vereist het evalueren van hoogdimensionale integralen van producten van niet-interagerende Green-functies. De auteurs identificeren drie fundamentele moeilijkheden bij deze aanpak:

Probleem A (Combinatorische Explosie): Het aantal Feynman-diagrammen groeit factorial ( $O(n!)$ ) met de perturbatieorde $n$ , waardoor directe sommatie onmogelijk is voorbij $n \approx 6-7$ .
Probleem B (Het Tekenprobleem en Integratie): De integranden in deze diagrammen oscilleren vaak snel, wat leidt tot het "tekenprobleem" (sign problem) in Monte-Carlo-methoden. Bovendien maakt het enorme aantal benodigde functie-evaluaties (vaak $\sim 10^9$ ) standaard bemonstering inefficiënt, vooral omdat de kosten per evaluatie exponentieel schalen met $n$ .
Probleem C (Convergentie en Resummatie): Zelfs als coëfficiënten berekend kunnen worden, kan de perturbatieserie een eindige convergentiestraal hebben (vooral in de stationaire toestand $t \to \infty$ ), wat geavanceerde resummatietechnieken vereist om fysieke resultaten bij grote interactiesterktes te extraheren.

2. Methodologie

De auteurs stellen een driestaps-framework voor om deze problemen aan te pakken, waarbij ze bewegen van traditionele Diagrammatische Monte-Carlo naar een "niet-diagrammatische niet-Monte-Carlo" benadering.

Stap 1: Interactie-expansie (Adressering van Probleem A)

In plaats van individuele Feynman-diagrammen op te tellen, maken de auteurs gebruik van de Keldysh-formalisme gecombineerd met de Wick-stelling.

Ze drukken de expansiecoëfficiënten uit als multidimensionale integralen over tijdsvariabelen en Keldysh-indices.
Cruciaal is dat zij herkennen dat de som over alle permutaties van fermionische operatoren (die $n!$ diagrammen genereert) wiskundig equivalent is aan de determinant van een matrix geconstrueerd uit niet-interagerende Green-functies.
Dit reduceert de complexiteit van $O(n!)$ naar $O(2^n)$ (specifiek, het evalueren van determinanten van $(2n+1) \times (2n+1)$ matrices).
Een belangrijk inzicht is dat het sommeren over Keldysh-indices vóór de tijdintegratie gedisconnecteerde diagrammen wegcijfert, wat resulteert in een goed gedefinieerde, positief-definiete integrand die geconcentreerd is rond de meet-tijd.

Stap 2: Tensor Cross Interpolation (Adressering van Probleem B)

Om de resulterende hoogdimensionale integralen te evalueren zonder Monte-Carlo bemonstering, gebruiken de auteurs Tensor Cross Interpolation (TCI).

Concept: TCI is een leeralgoritme dat een hoogdimensionale tensor (de integrand) benadert als een Matrix Product State (MPS). In tegenstelling tot neurale netwerken gebruikt TCI geen gradiëntafdaling; het gebruikt een actieve leerstrategie om "pivots" (specifieep gridpunten) te selecteren die de determinant van submatrices maximaliseren (het maxvol-principe).
Mechanisme: Het algoritme doorloopt iteratief de tensordimensies door Cross Interpolation (CI) uit te voeren op matrices gevormd door het snijden van de tensor. CI benadert een laag-rang matrix $A$ met slechts een kleine subset van zijn rijen en kolommen (pivots): $A \approx A_{I,J} A_{I,I}^{-1} A_{I,J}$ .
Integratie: Zodra de integrand is gecomprimeerd in een MPS-representatie, kan de multidimensionale integraal exact en efficiënt worden berekend via matrix-vector vermenigvuldigingen, waarmee de vloek van dimensionaliteit en het tekenprobleem volledig wordt omzeild.
Prestaties: Deze methode maakt berekeningen mogelijk tot $n \approx 20-25$ , wat de eerdere limieten ver overstijgt.

Stap 3: Cross Extrapolatie (Adressering van Probleem C)

Om de volledige functie $Q(U, t)$ te reconstrueren uit een eindig aantal berekende coëfficiënten $Q_n(t)$ , gebruiken de auteurs Cross Extrapolatie.

Strategie: De functie $Q(U, t)$ wordt behandeld als een matrix waarbij rijen overeenkomen met interactie $U$ en kolommen met tijd $t$ . De auteurs observeren dat deze matrix benaderingsgewijs laag-rang is.
Uitvoering: Met behulp van dezelfde wiskundige machinerie als TCI (Cross Interpolation), extrapoleren zij de onbekende regio's van de matrix (grote $U$ en grote $t$ ) op basis van de bekende "hoek"-data (kleine $U$ of kleine $t$ ).
Geldigheid: Dit berust op de aanname dat $Q(U, t)$ benaderd kan worden door een som van scheidbare functies $\sum g_k(U)h_k(t)$ . De fout wordt gecontroleerd door de rang $\chi$ van de extrapolatie te variëren.

3. Belangrijkste Bijdragen

Determinant-herformulering: Gedemonstreerd dat de perturbatieve expansie van uit evenwicht zijnde grootheden kan worden gereduceerd tot de integratie van determinanten, wat de factorialle groei van het aantal diagrammen elimineert.
TCI voor Integratie: Geïntroduceerd als een superieur alternatief voor Monte-Carlo voor het integreren van oscillerende, hoogdimensionale functies voortvloeiend uit kwantum veel-deeltjessystemen. Het biedt exacte integratie zonder stochastische ruis.
Cross Extrapolatie: Ontwikkeld als een robuuste methode om perturbatieseries te resumeren door gebruik te maken van de laag-rang structuur van de grootheid in het $(U, t)$ -vlak, wat toegang geeft tot regimes waar de serie naïef zou divergeren.
Open Source Implementatie: Het werk wordt ondersteund door de tensor4all bibliotheek, die toegankelijke tools biedt voor deze tensor-netwerktechnieken.

4. Resultaten

De methodologie werd toegepast op het uit evenwicht zijnde SIAM (een kwantumdot gekoppeld aan twee leads) om lading en stroom te berekenen.

Precisie: De auteurs berekenden expansiecoëfficiënten tot $n=18$ met hoge precisie (tot 8 cijfers), wat overeenkomt met exacte Bethe Ansatz-resultaten in de stationaire toestand.
Fysieke Grootheden: De methode reproduceerde succesvol het volledige fasediagram van het SIAM, inclus kindertje:
- Coulomb Diamonds: Regio's met onderdrukte geleiding door ladingsenergie.
- Kondo Ridge: Een zero-bias anomalie in differentiële geleiding voortvloeiend uit het Kondo-effect.
Stroom-spanning Karakteristieken: De auteurs berekenden de stroom $I(V_b)$ $I (V_{b})$ over de Kondo-ridge bij sterke interactie ( $U=12$ $U = 12$ ). De resultaten vatten de verwachte fysieke regimes succesvol samen:
- Verzadiging bij hoge bias ( $V_b > U$ ).
- Een plateau geassocieerd met de Kondo-temperatuur $T_K$ bij lage bias ( $V_b < T_K$ ), waar perfecte transmissie ( $I \approx V_b$ ) wordt verwacht.
- De transitie tussen deze regimes beslaat meerdere energieschalen ( $U$ , $\sqrt{\Gamma U}$ , $\Gamma$ , en $T_K$ ).

5. Betekenis en Claims

Het artikel positioneert dit werk als een belangrijke stap in het "een computer leren om Feynman-diagrammen te berekenen."

Gecontroleerde Nauwkeurigheid: In tegen vindt van gemiddelde-veld benaderingen is deze techniek "gecontroleerd", wat betekent dat het bekende foutmarges biedt die systematisch verbeterd kunnen worden door meer computationele middelen (tijd en rang) in te zetten.
Paradigmaverschuiving: De auteurs benadrukken een verschuiving van handmatig afgeleide diagrammatische regels naar algoritmen (TCI) die de onderliggende laag-rang structuur van het probleem automatisch ontdekken.
Schaalbaarheid: De combinatie van determinant-reductie en TCI-integratie maakt berekeningen mogelijk in regimes die voorheen onbereikbaar waren voor diagrammatische methoden, waardoor de kloof tussen theoretisch begrip en experimentele grootheden in niet-evenwicht kwantumtransport wordt overbrugd.
Bescheidenheid: De auteurs erkennen dat hoewel de techniek krachtig is, het geen universele oplosser is voor alle veel-deeltjessystemen (het 2D Hubbard-model wordt genoemd als een toekomstig doelwit). Zij benadrukken dat het succes afhankelijk is van de specifieke laag-rang structuur van de integranden in deze nano-elektronische systemen.