Automatic Structural Search of Tensor Network States including Entanglement Renormalization

本研究提出了一种用于张量网络态（包括纠缠重整化）自动结构搜索的算法，该算法通过基于变分能量优化局部结构，以提高在表示非均匀纠缠态方面的准确性，特别是在使用诸如强无序重整化群等现有设计方法进行初始化时。

要点

想象一下，你正试图用有限数量的乐高积木来构建一个复杂且凌乱房间的完美模型。在量子物理世界中，这些“积木”被称为张量网络（Tensor Networks）。它们是用于描述粒子之间如何相互“纠缠”（即相互连接）的数学结构。

问题在于，量子系统并不总是整齐划一的。有时它们的连接是均匀的，但通常是杂乱、不规则且“无序”的，就像一个有些角落挤得满满当当，而有些角落却空荡荡的房间。如果你试图把一个标准的、僵化的乐高设计强加到一个凌乱的房间上，无论你使用多少块积木，你的模型都将是不准确的。

这篇论文介绍了一种新方法，它可以自动重新排列这些乐高积木，以适应房间特定的“凌乱程度”，而不是预先猜测形状。

核心思想：“结构搜索”

把张量网络想象成一个流程图或一棵家族树。

• 旧方法： 科学家通常会选择一种标准的形状（例如多尺度纠缠重整化群，即 MERA，它看起来像一棵整齐对称的树），然后仅仅通过微调积木内部的数字来让它运行得更好。这就像是通过挤压积木来试图把方榫头塞进圆孔里。
• 新方法（本论文）： 作者构建了一个算法，它说：“我们不要只是挤压这个榫头，我们要改变这个孔的形状。”他们创建了一个系统，可以自动测试不同方式来连接这些积木。它观察微小的连接对，尝试重新排列它们，并询问：“这种新形状是否降低了系统的能量？”如果答案是肯定的，它就会保留这一改变。

挑战：陷入“局部极小值”

想象你正在一片雾气缭绕的山脉中徒步旅行，试图寻找最低的谷底（完美的解决方案）。

• 如果你只看脚下紧邻的一小块地面，你可能会发现一个小凹陷，并认为：“这就是底部了！”但你可能忽略了就在下一座小山丘之后的更深邃的谷底。在数学中，这被称为陷入局部极小值（Local Minimum）。
• 为了解决这个问题，作者借鉴了物理学中的一个技巧——复制交换（Replica Exchange）。想象同时派出 8 名不同的徒步旅行者（副本）：有些徒步旅行者被允许到处乱逛（高“温度”），而另一些则非常谨慎（低“温度”）。他们偶尔会交换位置。这使得谨慎的徒步旅行者能够跳过阻挡他们的微小山丘，从而帮助整个团队找到真正的、最深的谷底。

他们测试了什么

作者在两种特定类型的量子系统上测试了他们的“自动重新排列器”：

1. 四聚体模型（The Tetramer Model，即“完美拼图”）：
   他们从一个他们已知答案的系统（一种特定的四粒子组排列）开始。他们从一个标准的 MERA 形状开始，让算法重新排列它。

   • 结果： 算法成功地重新塑造了网络，直到它与已知的完美答案完全匹配。这证明了该方法是有效的。

2. 随机 XY 模型（The Random XY Model，即“凌乱的房间”）：
   这是一个具有随机无序性的系统，就像一个家具随机散落的房间。他们用两种起点测试了该方法：

   • 起点 A： 一个标准的、整齐的 MERA 树状结构。
   • 起点 B： 一种由另一种方法（SDRG）专门为凌乱系统设计的形状。
   • 结果： 在这两种情况下，他们的算法都提高了准确性（降低了能量误差并使模型更贴近现实）。然而，起点 B 的效果要好得多。
   • 教训： 这就像是在修理一个凌乱的房间。如果你从一个已经考虑到凌乱情况的蓝图（SDRG）开始，你的自动重新排列器就能做得非常出色。如果你从一个完美空房间的蓝图（MERA）开始，它虽然仍有帮助，但必须付出更多的努力。论文得出结论：使用智能的“预处理”步骤来获得一个好的初始形状，对于获得最佳结果至关重要。

为什么这很重要

论文声称，通过允许网络的结构自动发生变化，而不仅仅是改变其中的数字，我们可以更准确地描述复杂的量子系统，而不需要更多的计算能力（更多的“积木”）。

他们还指出，这种方法对于**含噪声中等规模量子（NISQ）**设备特别有用。这些是容易产生错误的早期阶段量子计算机。拥有一种更好的方式来设计这些机器的“电路”（网络结构），可以帮助它们即使在目前的局限条件下也能更有效地解决问题。

总结： 作者构建了一个智能的自动工具，通过重新排列量子模型的连接方式，使其适配系统特定的“凌乱程度”。他们通过将一个标准模型转化为完美模型，以及展示其如何显著改善凌乱、无序系统的模型（尤其是当给它一个好的初始蓝图时），证明了该方法的有效性。

技术摘要

技术摘要：包含纠缠重整化的张量网络态自动结构搜索

问题陈述
张量网络（TN）态，特别是包含纠缠重整化（ER）的态（如多尺度纠缠重整化算符 MERA），是表示纠缠量子态的强大工具。然而，对于具有非均匀纠缠结构（例如在无序或化学系统中）的量子态，若要使用固定的自由度进行精确表示，要求张量网络拓扑必须与底层的纠缠模式精确对齐。虽然在固定结构内优化张量元素是标准做法，但针对 ER-TN 的结构本身优化仍是一个尚未得到解决的组合挑战。以往重建局部结构（如树张量网络 TTN）的尝试难以适应 ER-TN，因为后者存在内部回路，这使得评估纠缠熵和双分（bipartitioning）变得复杂。此外，现有的结构搜索算法通常缺乏逃离能量景观中局部极小值的灵活性。

方法论
作者提出了一种基于根据变分能量重建局部张量对的 ER-TN 最优结构自动搜索方案。核心算法在固定键维数（$\chi=2$）的约束下运行，并遵循以下步骤：

1. 局部结构重建： 算法选择网络中一对相邻的张量。它考虑所有可能的局部拓扑配置（例如，满足等距条件的纠缠算符 $u$、等距算符 $v$ 和顶层张量 $t$ 的组合）。
2. 变分优化： 对于每个候选局部结构，更新这两个张量以最小化变分能量 $E = \langle \Psi | H | \Psi \rangle$。作者利用施密特流形（Stiefel manifold）上的黎曼优化（具体为 Adam 算法）来更新张量，同时保持等距约束。在这些更新过程中，学习率会逐步降低。
3. 随机选择： 为了避免陷入局部极小值，新局部结构的选取并非确定性的。相反，算法采用热浴法（heat-bath method），利用玻尔兹曼分布：$P_i \propto \exp(-\beta E_i)$，其中 $E_i$ 是第 $i$ 个结构候选的能量，$\beta$ 是逆温度。
4. 副本交换： 为了进一步解决局部极小值问题，作者引入了副本交换方法。多个具有不同 $\beta$ 值的副本并行运行。相邻副本根据 Metropolis 接受概率进行交换，从而使系统能够更有效地探索能量景观。
5. 全局更新： 在结构搜索循环之后，在保持新确定的结构固定的情况下，对网络中的所有张量进行全局更新。

该方法通过两个特定量子系统的数值模拟进行了基准测试：自旋-1/2 四聚体单态模型和一维随机 XY 链。

关键结果
研究通过对两个不同模型的数值模拟验证了该算法：

• 自旋-1/2 四聚体模型： 该算法成功地从标准的一维二元 MERA 结构重建了四聚体单态相的精确基态。在四聚体单态相（$J'/J \approx 0$）中，算法收敛到了精确基态能量。在 Haldane 相（$J'/J = 0.7411$）中，由于其基态并非简单的单态乘积，算法将相对能量误差从 $4.30 \times 10^{-2}$ 大幅降低至 $9.88 \times 10^{-5}$。研究表明，引入副本交换和热浴法对于收敛至关重要，因为不具备这些特征的确定性更新几乎没有带来改进。
• 一维随机 XY 链： 算法被应用于系统规模为 $N=8$ 和 $N=16$ 的随机系统。测试了两种初始结构：标准的二元 MERA 和源自强无序重整化群（SDRG）的次优结构（ER-SDRG）。
  • 能量与保真度： 结构搜索提高了两种初始结构的变分能量、保真度和纠缠熵。
  • 预处理的重要性： 与标准 MERA 相比，从 ER-SDRG 结构开始时的改进更为显著。例如，在 $N=8$ 时，相对能量误差的平均降低幅度对于 ER-SDRG 为 24.9%，而对于 MERA 仅为 1.37%。这表明，将现有的 TN 设计方法（如 SDRG）作为预处理步骤可以最大化结构搜索的性能。
  • 纠缠熵： 该方法改善了跨子系统规模的平均纠缠熵，更好地符合无序系统中预期的对数标度律。

意义与主张
本文声称提供了首次针对 ER-TN 进行自动结构搜索的演示，克服了与回路网络相关的计算和算法障碍。通过专注于由变分能量引导的局部结构重建，而非直接进行纠缠熵评估（这在有回路的网络中非常困难），该方法为优化非均匀系统的 TN 拓扑提供了一条切实可行的路径。

作者强调，他们的方法扩展了通用的等距 TN 态，可能使量子信息处理和量子计算受益，特别是在需要通过小规模研究获取重要见解的含噪声中规模量子（NISQ）设备背景下。研究结论指出，虽然该方法有效，但未来的工作必须解决键维数的扩展、高效收缩回路结构的技术开发以及算法的并行化以处理更大规模的系统。作者还指出，他们的方法与自动量子电路编码（AQCE）等现有算法互补，因为后者针对相邻门对进行优化并引入随机选择，从而提供了一种优化连通性的不同途径。