⚛️ quantum physics

Tensor-Network-Based Unraveling of Non-Markovian Dynamics in Large Spin Chains via the Influence Martingale Approach

本文提出了一种高效的张量网络算法，该算法通过将张量跳跃法（Tensor Jump Method）扩展至具有随时间变化的衰减率以及影响鞅（Influence Martingale）形式化理论，从而实现了对大型一维自旋链中马尔可夫及非马尔可夫开放量子动力学进行可扩展且资源高效的模拟。

原作者： Sujay Mondal, Siddhartha Dutta, Abhijit Bandyopadhyay

发布于 2026-06-23

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Sujay Mondal, Siddhartha Dutta, Abhijit Bandyopadhyay

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：模拟一个充满噪声的量子世界

想象一下你正在尝试预测天气。如果世界是一个没有风或雨的简单封闭盒子，那么建模会非常容易。但现实中，大气是一个“开放系统”——它不断地与太阳、海洋和其他混沌力量发生相互作用。

在量子世界中，情况甚至更加混乱。量子计算机或一组原子（即“自旋链”）永远不会是完美隔离的。它们不断地与环境碰撞，导致能量损失（耗散）并失去其特殊的量子特性（退相干）。

问题所在：
在普通计算机上模拟这些混乱的相互作用极其困难。

爆炸式增长： 当你增加粒子数量时（就像在房间里增加人数），描述它们所需的信息量呈指数级增长。这就像试图记录下一座体育场里发生的每一场谈话；所需的纸张大小很快就会超过宇宙的大小。
记忆效应： 通常，科学家假设环境会瞬间“忘记”系统（马尔可夫过程）。但有时，环境具有“短期记忆”。它记得系统刚才做了什么，并产生反作用（非马尔可夫过程）。这就像一个弹力球，它在撞击地面时不仅仅是停止，而是因为地面柔软并储存了能量，从而又弹了起来。模拟这种“反作用”在数学上非常棘手，因为它有时需要使用“负概率”进行计算，这在标准数学中是讲不通的。

解决方案：一种新算法

作者们（Sujay Mondal, Siddhartha Dutta, 和 Abhijit Bandyopadhyay）构建了一种高效的新型计算机算法，用以处理这些混乱且具有记忆效应的量子系统。他们称之为基于张量网络的通过影响鞅（Influence Martingale）方法的展开法。

这个名字很绕口，让我们用类比来拆解它：

1. “张量网络”（压缩技巧）

他们并没有尝试写下 100 个原子链的每一个细节（这需要的内存比地球上的内存还要多），而是使用了一个“张量网络”。

类比： 想象一条长长的、缠绕在一起的项链。你不需要列出每一颗珠子的位置，而是将项链描述为一系列相连的环。你只记录那些重要的连接关系。这使得他们能够模拟高达 100 个量子比特（qubits）的系统，而不会导致计算机崩溃。

2. “张量跳跃法”（随机游走）

为了模拟噪声，他们并不直接计算平均结果。相反，他们运行了数千个“如果……会怎样”的情景，即轨迹。

类比： 想象一个醉汉在回家路上走路。你无法准确预测他在 10 分钟后会在哪里。但如果你模拟 1,000 个不同的人在随机行走，你就能算出他们采取的平均路径。
他们的这种被称为**张量跳跃法（Tensor Jump Method）**的方法，模拟了量子粒子的这些随机游走（轨迹）。当一个粒子发生“跳跃”（与环境相互作用）时，模拟过程会更新路径。

3. “影响鞅”（神奇的权重）

这是本文最大的创新点。当环境具有“记忆”时（非马尔可夫过程），数学有时会要求出现“负概率”。由于你不可能拥有发生某个事件的负概率，标准的模拟方法会因此失效。

类比： 想象你在为一个赛马比赛下注，但规则在比赛中途发生了改变。有时赔率会变成负数，因为赛道变滑了。为了解决这个问题，作者使用了一个“神奇权重”（影响鞅）。
他们使用“虚假”的正赔率（偏移速率）来进行模拟，使数学运算能够进行。然后在最后，他们对每个结果应用“神奇权重”，将其修正回现实。这就像是在平坦的赛道上跑步，然后通过数学手段调整时间，以考虑到你原本会遇到的风力和坡度。这使得他们能够在不卡在负数问题上的情况下，模拟“记忆”效应。

4. “影响半径”（局部邻域）

模拟一个具有记忆效应的 100 原子链对计算机来说仍然压力巨大。作者发现了一个聪明的点：距离很重要。

类比： 如果你把石头丢进池塘，涟漪会立即影响附近的水域。但如果你站在湖的另一边，来自那块特定石头的涟漪可能还没传到那里，或者微弱到可以忽略不计。
他们引入了**“影响半径”**的概念。他们发现，要计算一个特定原子正在发生什么，你只需要担心其直接邻居的“记忆”效应。你不需要去计算 100 个原子链另一端原子的记忆效应。
结果： 这起到了一个过滤器的作用。它告诉计算机：“忽略远处的噪声；它们对结果的影响微乎其微。”这使得模拟足以在大型系统中快速运行。

他们究竟做了什么？

构建引擎： 他们将现有的工具（张量网络和随机跳跃）与一种新的数学技巧（影响鞅）相结合，以处理随时间变化的、具有记忆效应的噪声。
测试： 他们模拟了一个 100-自旋链（一排由 100 个量子磁体组成的链）。
验证： 他们将结果与一种虽然“完美”但极其缓慢的方法（基于 MPO 的精确模拟）在较小规模的系统上进行了对比。他们的新方法几乎完全吻合了这些完美的结果。
证明半径有效性： 他们证明了通过只观察一个小型的“半径”内的邻居，他们可以在不需要超级计算机的情况下，获得整个 100-自旋链的准确结果。

总结

这篇论文提出了一种模拟具有噪声和“记忆”的量子系统的新方法。通过使用“压缩”技术（张量网络）、“随机游走”策略（跳跃法）、“修正权重”（影响鞅）以及“局部过滤器”（影响半径），他们可以模拟以前难以建模的大型量子系统（高达 100 个量子比特）。这有助于科学家了解量子设备在真实的、充满噪声的世界中是如何表现的。

技术摘要：基于张量网络通过影响鞅方法解构大规模自旋链中的非马尔可夫动力学

问题陈述
经典开放量子系统动力学的模拟面临着由于系统规模导致的希尔伯特空间指数级增长的重大障碍。虽然矩阵乘积态（MPS）等张量网络方法已成功解决了闭合系统和马尔可夫开放系统的缩放问题，但模拟非马尔可夫动力学仍然具有挑战性。非马尔可夫机制以记忆效应和信息回流为特征，通常需要追踪系统的完整历史，或求解带有记忆核的积分微分方程，这会产生极高的计算成本。此外，标准的随机解构技术（如蒙特卡洛波函数法，MCWF）依赖于正的衰减率来对量子跳跃进行概率性解释。在由时间卷积零（TCL）主方程描述的非马尔可夫机制中，衰减率可能会暂时变为负值，使得标准的解构失效，从而产生“负概率”问题。现有的针对非马尔可夫系统的轨迹方法主要局限于小规模系统（例如最多 13 个量子比特），并且难以扩展到研究集体现象（如热化和纠缠传播）所需的许多体机制（50–100 个量子比特）规模。

方法论
作者提出了一种高效算法，该算法扩展了张量跳跃法（TJM），用以处理一维大型量子系统中具有时变性的马尔可夫动力学和真正的非马尔可夫动力学。该方法的核心包含三个集成组件：

张量网络框架： 该方法利用 MPS 来表示纯态轨迹，从而避免了密度矩阵的指数级缩放。时间演化由随时间变化的变分原理（TDVP）控制，该原理动态调整键维数以平衡精度与计算成本。算法采用 Suzuki–Trotter 分解，将幺正（相干）演化与耗散（非幺正）演化步骤分离。
影响鞅形式化（Influence Martingale Formalism）： 为了解决 TCL 主方程中衰减率可能为负（ $\gamma_k(t) < 0$ ）的问题，作者采用了影响鞅方法。该方法并非直接进行解构，而是引入了一个具有严格正值的、偏移后的参考系综，其衰减率为 $r_k(t) = \gamma_k(t) + C_t$ ，其中 $C_t$ 是一个确保 $r_k(t) > 0$ 的随时间变化的偏移量。物理动力学通过使用影响鞅 $\mu_t$ 对参考轨迹进行重加权来恢复。该鞅通过连续漂移和离散跳跃项进行随机演化，确保系综平均值 $\mathbb{E}_{ref}[\mu_t |\psi(t)\rangle\langle\psi(t)|]$ 能够精确重现非马尔可夫密度矩阵的演化。
影响半径（Influence Radius）： 为了实现大规模系统（高达 100 个自旋）的可扩展性，作者引入了**“影响半径”**的概念。数值分析表明，非马尔可夫噪声对局部观测量的影响随距离噪声源的距离而衰减。因此，鞅修正（即偏移量 $C_t$ 和由此产生的权重 $\mu_t$ ）仅需在观测量的一个有限空间邻域内进行计算，而无需在整个系统中进行计算。这显著降低了与鞅权重波动相关的计算开销。

核心贡献

TJM 的扩展： 本文通过集成影响鞅形式化，将张量跳跃法推广到可以处理包括暂时变为负值的时变衰减率的情况。
大规模系统的可扩展性： 作者在包含高达 100 个自旋量子比特的一维横场伊辛链上验证了该算法，这一规模在以往使用标准方法进行非马尔可夫轨迹模拟时是无法实现的。
影响半径概念： 引入的“影响半径”提供了一个资源高效的框架。它量化了鞅修正所需的局部范围，允许进行可扩展的模拟，即对于局部观测量，计算成本并不一定随总系统规模而增长。
统一框架： 该方法提供了一个单一的计算框架，能够模拟时变不均匀的马尔可夫过程（正时变率）和非马尔可夫动力学（负率），而无需切换不同的基本算法。

结果

基准测试： 作者将他们的基于轨迹的结果与一个 30 位链的数值精确矩阵乘积算符（MPO）模拟进行了基准测试。结果显示，结果随轨迹数量（ $N_{traj}$ ）呈现系统性收敛，并且对于特定的模型参数，对最大键维数（ $\chi_{max}$ ）的依赖较弱，这表明即使使用相对较小的轨迹系综（ $N_{traj} = 100$ ），该方法也能捕捉到正确的动力学趋势。
鞅行为： 模拟确认了影响鞅的系综平均值 $\mathbb{E}[\mu_t]$ 保持接近于 1，验证了该方法的迹保持特性。在物理衰减率 $\gamma_k(t)$ 为负值的区间内，鞅表现出了时间上的变化。
缩放与影响半径： 通过改变非马尔可夫衰减率的大小，作者证明了局部观测量的误差随系统内的集成偏移跳跃强度而缩放。将“影响半径”概念应用于 100 位链（其中非马尔可夫噪声定位于边界或随机位置）时，通过将鞅计算限制在相关的局部邻域内，可以保持高精度且 $N_{traj} = 100$ ，从而有效地将计算成本与局部测量与总系统规模解耦。

意义
本文声称，这项工作为模拟大规模多体开放系统动力学提供了一条可扩展且高效的途径，克服了直接密度矩阵演化和标准随机方法的局限性。通过将张量网络与影响鞅形式化以及“影响半径”启发式方法相结合，作者能够在记忆效应显著的机制下，研究集体多体现象（如纠缠传播和耗散相变）。该方法被定位为一种探索性研究工具，允许在不消耗巨大计算资源的情况下，表征大规模量子系统在现实噪声条件下的退相干和耗散特性。该框架旨在为未来研究多样化的物理场景、微观浴模型以及相互作用的多体哈密顿量奠定基础。