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

In deze studie wordt een TNRG-methode ontwikkeld die roostersymmetrieën en PT-symmetrie integreert, wat wordt gevalideerd door de kritieke parameters en schaaldimensionen van twee continue faseovergangen in een hard-square roostergasmodel nauwkeurig te bepalen.

De kern

De Digitale Puzzelmeester: Hoe een nieuwe rekenmethode symmetrieën redt

Stel je voor dat je een gigantische, ingewikkelde puzzel hebt. Deze puzzel vertegenwoordigt een heel systeem van deeltjes (zoals een gas) dat zich gedraagt op een rooster (een soort schaakbord). De wetenschappers willen weten: Wat gebeurt er als we de temperatuur of de druk veranderen? Op welk moment verandert het systeem van een vloeibare soep naar een vast blok? Dit noemen we een faseovergang.

Om dit te berekenen, gebruiken wetenschappers een krachtige rekenmachine-methode genaamd TNRG (Tensor Network Renormalization Group). Je kunt je dit voorstellen als een "zoom-out" knop. Je kijkt eerst naar één stukje van de puzzel, en dan zoom je steeds verder uit, waarbij je groepjes stukjes samenvoegt tot één nieuw, groter stukje. Zo krijg je een overzicht van het hele plaatje zonder dat je de hele gigantische puzzel tegelijk hoeft te zien.

Het probleem:
Tot nu toe was deze "zoom-out" knop goed voor simpele dingen, maar hij had een zwak punt. Als je uitzoomt, verloor hij soms de symmetrie uit het oog.

• Symmetrie is als een spiegelbeeld of een rotatie. Als je een schaakbord 90 graden draait, ziet het er nog steeds hetzelfde uit.
• In de oude methode werd deze spiegelbeeld-eigenschap soms per ongeluk verbroken door kleine rekenfoutjes. Het was alsof je een perfecte cirkel probeerde te tekenen, maar door trillende handjes een beetje ovaal werd. Dit maakte de berekeningen onnauwkeurig, vooral bij complexe overgangen.

De oplossing in dit artikel:
De auteur, Xinliang Lyu, heeft een nieuwe, slimmere manier bedacht om te "zoomen". Hij heeft de rekenmethode aangepast zodat de symmetrieën (zoals spiegels en rotaties) altijd behouden blijven, zelfs als je heel ver uitzoomt.

Hij deed dit met een speciaal model: het "Harde Vierkant".

• Het verhaal: Stel je voor dat je mensen op een schaakbord wilt zetten. De regel is: niemand mag naast elkaar staan (dat is de "harde" regel).
• Dit model heeft twee interessante momenten waarop het gedrag verandert:
  1. Het fysieke moment: Als er heel veel mensen zijn, kiezen ze allemaal voor ofwel de zwarte ofwel de witte vakjes. Ze "breken" de symmetrie van het bord.
  2. Het wiskundige moment (PT-symmetrie): Dit is een wat exotischer geval waarbij de rekenregels een beetje "spookachtig" worden (negatieve kansen), maar wiskundig nog steeds een patroon volgen.

De creatieve metaforen van de nieuwe methode:

1. De "Spiegel-Regel" (Lattice Symmetries):
   De oude methode was alsof je een foto van een gebouw inzoomt, maar de architectuur van de ramen verdwijnt. De nieuwe methode zorgt ervoor dat als je inzoomt, de ramen nog steeds perfect gespiegeld zijn. De auteur heeft een nieuwe manier bedacht om de puzzelstukken te splitsen (een techniek genaamd SVD), zodat ze nooit hun spiegelbeeld verliezen.

2. De "Geestelijke" Regel (PT-symmetrie):
   Bij het tweede moment (de negatieve kansen) is het alsof je met spiegels werkt die niet alleen het beeld omkeren, maar ook de tijd terugdraaien. De oude rekenmachine werd hierdoor in de war. De nieuwe methode zorgt ervoor dat alle getallen "echt" blijven (geen ingewikkelde imaginaire getallen die de rekenmachine verwarren), zodat de "spook-achtige" symmetrie intact blijft.

3. De "Vuilnisbak" (Loop Optimization / Entanglement Filtering):
   Als je uitzoomt, krijg je veel ruis en onnodige details (zoals stof op een lens). De auteur voegt een extra stap toe: een "vuilnisbak" die precies weet welke details je kunt weggooien zonder het plaatje te verstoren. Dit heet Loop Optimization. Het zorgt ervoor dat de berekening veel scherpere resultaten geeft, zelfs als je een kleine rekenmachine gebruikt.

Wat levert dit op?
Door deze nieuwe methode te gebruiken, kan de computer de kritieke punten (het moment waarop het systeem verandert) veel nauwkeuriger berekenen dan voorheen.

• Het is alsof je van een wazige foto naar een 4K-beeld gaat.
• De resultaten komen veel dichter bij de theorie en andere super-nauwkeurige berekeningen.
• Het maakt de TNRG-methode veel robuuster en betrouwbaarder voor toekomstig onderzoek naar complexe materialen.

Kortom:
Deze paper laat zien hoe we een krachtige rekenmethode kunnen "opknapen" door er een paar simpele regels aan toe te voegen: Blijf in de spiegel kijken en gooi alleen het echte vuil weg. Hierdoor kunnen we veel beter begrijpen hoe complexe systemen in de natuur zich gedragen, van gas tot kwantummaterialen.

Technische samenvatting

Probleemstelling

De Tensor Network Renormalization Group (TNRG) is een krachtige numerieke methode voor het bestuderen van faseovergangen in klassieke en kwantumsystemen. Hoewel de integratie van globale on-site symmetrieën (zoals $U(1)$ en $SU(2)$) in TNRG goed is bestudeerd, is het begrip van rooster-symmetrieën (reflectie en rotatie) en PT-symmetrie (Pariteit-Tijdomkering) binnen deze framework beperkt.

De huidige uitdagingen zijn:

1. Instabiliteit van vaste punten: Bij spontane symmetriebreking (SSB) worden de vaste punten van de renormalisatiegroep (RG) instabiel als de relevante symmetrieën niet expliciet in de RG-transformatie worden opgenomen. Numerieke fouten (machineprecision) breken de degeneratie van de geordende fase, waardoor de RG-stroom wegloopt van het kritieke vaste punt.
2. Beperkte benchmark-modellen: De 2D Ising-modellen worden vaak als benchmark gebruikt, maar deze breken alleen een globale $Z_2$-symmetrie. Dit heeft geleid tot een gebrek aan motivatie om complexere rooster- en PT-symmetrieën te implementeren.
3. Niet-unitaire CFT's: Voor systemen die corresponderen met niet-unitaire conformale veldtheorieën (zoals de Yang-Lee rand-singulariteit), falen standaard argumenten gebaseerd op entanglement-entropy, en zijn geavanceerde methoden nodig om nauwkeurige resultaten te behalen.

Het artikel gebruikt het hard-square roostergas-model met uitsluiting op de eerste buren (1NN) als case study. Dit model heeft twee interessante faseovergangen:

• Een fysieke overgang bij positieve activiteit ($z > 0$) die de 2D Ising-klasse volgt en spontaan rooster-symmetrieën breekt.
• Een niet-fysieke overgang bij negatieve activiteit ($z < 0$) die correspondeert met de Yang-Lee rand-singulariteit en spontaan PT-symmetrie breekt.

Methodologie

De auteurs ontwikkelen een geavanceerd TNRG-schema dat specifiek is ontworpen om zowel rooster- als PT-symmetrieën strikt te behouden en op te leggen. De kern van de methode bestaat uit de volgende componenten:

1. Symmetrische Tensornetwerk Representatie:

   • Het partition-functie-netwerk wordt geconstrueerd met expliciete bond-matrices ($\sigma$) die de teken van de activiteit dragen.
   • Voor $z < 0$ zorgt de reële aard van de tensoren voor de PT-symmetrie ($PTP = T^*$), waarbij de transfermatrix reëel blijft.

2. Definitie van Symmetrieën:

   • Rooster-symmetrieën: Er worden twee vormen gedefinieerd: een "zwakke vorm" (waarbij tensor $B$ bepaald kan worden door rotaties/reflecties van tensor $A$) en een "sterke vorm" (waarbij tensor $A$ zelf symmetrisch is onder rotaties/reflecties, gecombineerd met een diagonale SWAP-gauge matrix $g$).
   • PT-symmetrie: Gedefinieerd als het reëel zijn van alle tensoren in het netwerk.

3. Symmetrische SVD-Splitsing:

   • In plaats van een standaard Singular Value Decomposition (SVD), wordt een symmetrische SVD (of eigendecompositie voor reële symmetrische matrices) gebruikt.
   • Dit zorgt ervoor dat de gesplitste tensoren en de nieuwe bond-matrices de rooster-symmetrieën inhereren zonder dat complexe getallen worden geïntroduceerd, waardoor PT-symmetrie automatisch behouden blijft.

4. Integratie van Loop-Optimalisatie (Entanglement Filtering):

   • Om de nauwkeurigheid bij kritieke punten te verbeteren, wordt een Loop-Optimalisatie stap toegevoegd (gebaseerd op Loop-TNR).
   • Deze stap filtert redundante verstrengeling (CDL-tensoren) uit het netwerk.
   • De auteurs passen de optimalisatie aan voor netwerken met niet-triviale bond-matrices en rooster-symmetrieën, waarbij ze een specifieke update-regel voor de 3-benen tensor ($\tilde{v}_\Lambda$) gebruiken die de symmetrieën respecteert.

5. Het Algoritme:

   • Het schema voert twee TRG-stappen uit per RG-stap, met een loop-optimalisatie ertussenin.
   • Door de "rotatie-truc" en de symmetrische splitsing wordt gegarandeerd dat de output-tensoren voldoen aan de sterke vorm van de symmetrieën, zelfs na de optimalisatie.

Belangrijkste Bijdragen

• Formele Definitie: De paper biedt een strikte definitie van rooster-reflectie, rotatie en PT-symmetrie binnen een vergrauwde (coarse-grained) tensornetwerk.
• Symmetrische SVD: De introductie van een symmetrische SVD-splitsing die de rooster-symmetrieën behoudt zonder de efficiëntie van de TRG te verliezen.
• Geoptimaliseerde Loop-Filtering: Een generalisatie van de Loop-TNR methode die werkt met niet-triviale bond-matrices en expliciete symmetrieën, wat essentieel is voor modellen met spontane symmetriebreking.
• Stabiliteitsanalyse: Het aantonen dat het niet opnemen van deze symmetrieën leidt tot instabiliteit van de SSB-vaste punten, terwijl het wel opnemen ze strikt stabiel maakt.

Resultaten

De methode werd getest op het 1NN hard-square model:

1. Nauwkeurigheid van Kritieke Parameters:

   • Voor de positieve-z overgang (Ising-klasse): De geschatte kritieke activiteit $z_c^+$ met de voorgestelde methode is aanzienlijk nauwkeuriger dan met standaard TRG. Bij een bond-dimensie $\chi=10$ bereikt de nieuwe methode een nauwkeurigheid die standaard TRG pas bereikt bij $\chi=50$.
   • Voor de negatieve-z overgang (Yang-Lee): De methode levert eveneens superieure resultaten voor $z_c^-$, met relatieve fouten die 1 tot 3 orde van grootte kleiner zijn dan bij standaard TRG.

2. Schalingsdimensies:

   • De schalingsdimensies die uit de kritieke vaste punten worden gehaald, tonen een veel betere convergentie en stabiliteit over de RG-stappen heen.
   • Bij de negatieve-z overgang (niet-unitaire CFT) is de convergentie van de schalingsdimensies met de voorgestelde methode (zelfs bij $\chi=10$) beter dan die van standaard TRG bij $\chi=50$.

3. Stabiliteit van RG-stromen:

   • Numerieke experimenten tonen aan dat bij standaard TRG (zonder symmetrie-onderdrukking) de degeneratie-index $X$ (een maat voor symmetriebreking) wegloopt van het ideale vaste punt door numerieke ruis.
   • Met de voorgestelde symmetrische methode blijft de RG-stroom stabiel op het vaste punt, zelfs na vele iteraties.

Betekenis en Impact

Deze studie is een mijlpaal in de ontwikkeling van TNRG-methoden:

• Verrijking van TNRG: Het maakt van 2D TNRG een "ronder" en robuuster numeriek instrument dat niet alleen afhankelijk is van globale symmetrieën, maar ook van geometrische rooster-symmetrieën en PT-symmetrie.
• Toepasbaarheid op Complexere Modellen: Het opent de deur voor het bestuderen van hard-core roostergas-modellen met grotere uitsluitingsradii (zoals 2NN of 3NN), waar de faseovergangen vaak ingewikkelder zijn en verschillende symmetrieën breken.
• Niet-Unitaire CFT's: Het bewijst dat entanglement-filtering (EF) effectief is voor kritieke punten die behoren tot niet-unitaire conformale veldtheorieën, een gebied waar eerdere theorieën over entanglement-entropy faalden.
• Algoritmische Stabiliteit: Het benadrukt dat het expliciet inpassen van symmetrieën niet alleen de nauwkeurigheid verbetert, maar ook de fundamentele stabiliteit van de numerieke RG-stroom garandeert, wat essentieel is voor het vinden van kritieke vaste punten in systemen met spontane symmetriebreking.

Kortom, de paper levert een technisch geavanceerd en wiskundig onderbouwd raamwerk dat de TNRG-methode aanzienlijk uitbreidt naar een breder scala aan fysische fenomenen.