⚛️ high-energy theory

Calculating Feynman diagrams with matrix product states

这篇教学综述概述了一种利用矩阵乘积态和张量交叉插值算法，在量子纳米电子学中自动计算并重正化费曼图的方法，并特别将其应用于单杂质安德森模型中的非平衡近藤效应。

原作者： Xavier Waintal

发布于 2026-02-04

📖 1 分钟阅读🧠 深度阅读

原作者： Xavier Waintal

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：驯服量子混沌

想象一下，你正试图预测发生在量子点（一个微小的电子岛屿）内部的一场微小而混乱的派对的行为。你想确切知道那里有多少个电子，以及电流的大小是多少。

在物理学中，解决这类问题的“金标准”是一种涉及**费曼图（Feynman diagrams）**的方法。不要把这些图仅仅看作是绘图，而要将它们视为一种庞大、多层级的“食谱”。为了得到最终答案，你必须：

写下电子所有可能的相互作用方式（食材）。
为每一份食谱计算一个巨大的数学积分（烹饪过程）。
将所有结果相加。

问题在于，食谱的数量增长得太快，以至于变得无法处理。如果你只想计算几个步骤的相互作用，可能只有几份食谱。但对于稍微复杂一点的情景，食谱的数量会爆炸式增长到数十亿、数万亿，甚至达到阶乘级别（例如 $100!$ ）。这就像试图数清沙滩上的每一粒沙子，但沙滩增长的速度比你计数的速度还要快。

这篇论文描述了一个新的“厨房”，让科学家们可以在不迷失在沙海中的情况下完成这场烹饪。

三大难题（“三头怪兽”）

作者指出了阻碍计算机解决这一问题数十年的三个具体噩梦：

问题 A：选项的爆炸。
- 类比： 想象一本“选择你自己的冒险”类书籍，每当你做一个选择时，新页面的数量就会翻倍。到第 10 页时，你拥有的页面比宇宙中的原子还要多。
- 论文的对策： 作者意识到，与其将每一个“路径”（图）都视为一个独特的故事，不如发现许多路径实际上只是同一个底层结构的变体。他们找到了一种方法，将数百万个混乱的路径组合成一组更小、更易处理的“行列式”（就像将杂乱的衣橱整理成整齐、贴有标签的盒子）。这使工作量从阶乘级的爆炸降低到了更易处理的指数级增长。
问题 B：“符号问题”（振荡波）。
- 类比： 想象你在测量人群的平均身高，但一半的人站在高跷上（正数），另一半的人倒挂在坑里（负数）。如果你使用随机采样法（比如随机抽取人群），你可能会抽到 10 个坑里的人，从而得到一个极其错误的平均值。正数和负数相互抵消得如此完美，以至于信号完全淹没在噪声中。这就是物理学中著名的“符号问题”。
- 论文的对策： 作者停止使用随机采样（蒙特卡洛法）。相反，他们使用了一种称为**张量交叉插值（Tensor Cross Interpolation, TCI）**的技术。
- 类比： 想象他们需要求解的数学函数是一个巨大的、复杂的 3D 地形图。与其通过随机投掷飞镖来猜测地图形状（这在地形有高山和深谷且相互抵消时会失效），TCI 更像是一位聪明的测量员。它选取几个关键的“枢轴点”（峰值和谷值），并利用它们来完美地重建整个地图。因为它是通过数学手段重建整个形状，而不是靠猜测，所以正数和负数会按照应有的方式精确抵消，从而消除了噪声。
问题 C：无穷级数。
- 类比： 想象你在预测明年的天气。你拥有前 20 天的数据。如果你只把前 20 天的数据相加，你无法预测冬季。但如果你试图预测得太远，你的数学模型就会崩溃。
- 论文的对策： 作者使用了交叉外推法（Cross Extrapolation）。
- 类比： 想象你有一张风景照片，但右上角被撕掉了（数据缺失）。你知道左下角的树木和云朵的模式。作者意识到，这个系统的物理特性是“低秩”的——这意味着复杂的模式实际上是由几个简单的、重复的层构建而成的。通过分析已知部分的图像，他们可以从数学上高精度地“填补”缺失的角落，从而能够预测极长时间和强相互作用下的行为。

“秘密武器”：张量交叉插值 (TCI)

这篇论文的核心创新在于 TCI。

它是什么： 这是一种将庞大的、多维的数学问题压缩成一串由小型连接矩阵（称为矩阵乘积态，Matrix Product States）组成的方法。
它是如何工作的： 想象一个巨大的、多维的魔方。通常，要解决它，你必须观察每一个贴纸。TCI 则像是意识到这个魔方实际上是由几个简单的模式堆叠而成的。
“学习”的特性： 论文将 TCI 与机器学习进行了对比。计算机不再盲目尝试数百万个随机数字，TCI 是一个“主动学习者”。它会问：“如果我检查这个特定的点，它是否能教会我关于整体图景最多的信息？”它会挑选最具信息量的点（枢轴点）来构建其模型。
结果： 一旦计算机构建了这个压缩模型，它就可以瞬间且精确地计算出最终答案（积分），而无需任何随机猜测或蒙特卡洛模拟。

现实世界测试：量子点

为了证明其有效性，作者将其应用于一个名为 SIAM（单杂质安德森模型）的模型。

设置： 一个连接着两根导线的微型量子点，电子正在其中流动。
挑战： 他们想要计算在施加电压时流经该点的电流，特别是在寻找两种著名的量子现象：
1. 库仑钻石（Coulomb Diamonds）： 一种显示电子因相互排斥而无法进入量子点的模式（就像夜店门口的保镖）。
2. 近藤岭（Kondo Ridge）： 在极低温度下，由于量子纠缠，电子突然开始完美顺畅流动的特定特征。

结果：
作者成功计算了在广泛电压和温度范围内的电流和电导率。他们的结果与“精确”理论预测（使用其他速度慢得多的方法计算得出）高度吻合。他们清晰地观察到了“近藤岭”和“库仑钻石”，证明了这种全新的“非图表法、非蒙特卡洛”技术是行之有效的。

总结

作者总结道，我们正在进入一个计算物理的新时代。

开源是关键： 用于执行此操作的代码是开源的，允许他人在此基础上进行开发。
结构胜于暴力破解： 最大的突破不仅仅是更快的计算机，而是发现了数学中隐藏的“结构”（通过使用 TCI），这使得他们能够绕过那些不可能完成的计算。
未来展望： 作者指出，我们认为无法解决的问题（如二维哈伯德模型）很快可能会通过这类“智能”算法得到解决，这些算法能教会计算机如何在混沌中寻找规律。

简而言之，他们教会了计算机不再去数每一粒沙子，而是去学习沙滩的形状，从而解决了以前无法解决的量子谜题。

技术摘要：利用矩阵乘积态计算费曼图

1. 问题表述

本文研究了计算量子纳米电子系统中物理可观测量（特别是如单杂质安德森模型 [SIAM] 等非平衡相互作用模型）所面临的挑战。目标是将可观测量 $Q(U, t)$ （如电荷或电流）表示为关于相互作用强度 $U$ 的系统性摄动展开：
$Q(U, t) = \sum_{n=0}^{\infty} Q_n(t) U^n$
计算系数 $Q_n(t)$ 涉及评估非相互作用格林函数乘积的高维积分。作者确定了该方法中的三个基本难点：

问题 A（组合爆炸）： 费曼图的数量随摄动阶数 $n$ 呈阶乘级增长（ $O(n!)$ ），使得直接求和在 $n \approx 6-7$ 之后变得不可能。
问题 B（符号问题与积分）： 这些图中的被积函数通常剧烈振荡，导致蒙特卡洛方法的“符号问题”。此外，所需的函数评估次数极多（通常 $\sim 10^9$ 次），使得标准采样效率低下，尤其是当单次评估的成本随 $n$ 指数级增长时。
问题 C（收敛性与重求和）： 即便可以计算出系数，摄动级数也可能具有有限的收敛半径（特别是在稳态极限 $t \to \infty$ 时），因此需要复杂的重求和技术来提取强相互作用下的物理结果。

2. 方法论

作者提出了一个三步框架来解决这些问题，从传统的图解蒙特卡洛转向一种“非图解、非蒙特卡洛”的方法。

第一步：相互作用展开（解决问题 A）

作者并没有对单个费曼图进行求和，而是利用 Keldysh 形式论 结合 维克定理 (Wick's theorem)。

他们将展开系数表示为关于时间变量和 Keldysh 指数的多元积分。
至关重要的是，他们认识到所有费歇尔算符置换的求和（这会产生 $n!$ 个图）在数学上等价于由非相互作用格林函数构造的矩阵行列式。
这将复杂度从 $O(n!)$ 降低到了 $O(2^n)$ （具体而言，是计算 $(2n+1) \times (2n+1)$ 矩阵的行列式）。
一个关键洞察是，在时间积分之前对 Keldysh 指数进行求和可以抵消不连通图，从而得到一个在测量时间附近集中的、性质良好的正定被积函数。

第二步：张量交叉插值（解决问题 B）

为了在不使用蒙特卡洛采样的情况下评估所得的高维积分，作者采用了 张量交叉插值 (Tensor Cross Interpolation, TCI)。

概念： TCI 是一种学习算法，它将高维张量（被积函数）近似为一个矩阵乘积态 (MPS)。与神经网络不同，TCI 不使用梯度下降；它使用一种主动学习策略，通过选择能使子矩阵行列式最大化的“枢轴点”（特定网格点）（即 maxvol 原则）来进行操作。
机制： 该算法通过在张量维度上进行迭代，对由切片张量形成的矩阵执行交叉插值 (Cross Interpolation, CI）。CI 利用其极小的一部分行和列（枢轴）来近似低秩矩阵 $A$ ： $A \approx A_{I,J} A_{I,I}^{-1} A_{I,J}$ 。
积分： 一旦被积函数被压缩为 MPS 表示形式，就可以通过矩阵-向量乘法精确且高效地计算多元积分，从而完全绕过了维数灾难和符号问题。
性能： 该方法允许计算直到 $n \approx 20-25$ 的阶数，远超以往的极限。

第三步：交叉外推（解决问题 C）

为了从有限数量的已计算系数 $Q_n(t)$ 重构完整的函数 $Q(U, t)$ ，作者使用了 交叉外推 (Cross Extrapolation)。

策略： 将函数 $Q(U, t)$ 视为一个矩阵，其中行对应相互作用 $U$ ，列对应时间 $t$ 。作者观察到该矩阵近似为低秩的。
执行： 利用与 TCI 相同的数学机制（交叉插值），根据已知的“角部”数据（小 $U$ 或小 $t$ ）来外推未知区域（大 $U$ 和大 $t$ ）。
有效性： 这依赖于 $Q(U, t)$ 可以近似为可分离函数之和 $\sum g_k(U)h_k(t)$ 的假设。通过改变外推的秩 $\chi$ 来控制误差。

3. 核心贡献

行列式改写： 证明了非平衡态可观测量的摄动展开可以简化为行列式的积分，消除了图计数中的阶乘级增长。
用于积分的 TCI： 引入了张量交叉插值作为处理来自量子多体物理的振荡高维函数的优于蒙特卡洛的方法。它提供了无需随机噪声的精确积分。
交叉外推： 利用可观测量在 $(U, t)$ 平面上的低秩结构，开发了一种鲁棒的方法来重求和摄动级数，从而能够进入级数在朴素情况下会发散的区域。
开源实现： 该工作由 tensor4all 库提供支持，为这些张量网络技术提供了易用的工具。

4. 结果

该方法被应用于非平衡态 SIAM（一个耦合到两个引线的量子点）以计算电荷和电流。

精度： 作者以极高的精度（高达 8 位小数）计算了直至 $n=18$ 的展开系数，并与稳态下的精确 Bethe Ansatz 结果相匹配。
物理可观测量： 该方法成功重现了 SIAM 的完整相图，包括：
- 库仑钻石 (Coulomb Diamonds)： 由于充电能导致的电导受抑制的区域。
- 近藤脊 (Kondo Ridge)： 由近藤效应引起的微分电导零偏压异常。
电流-电压特性： 作者计算了强相互作用（ $U=12$ $U = 12$ ）下穿过近藤脊的电流 $I(V_b)$ $I (V_{b})$ 。结果捕捉到了预期的物理机制：
- 高偏压（ $V_b > U$ ）时的饱和。
- 与近藤温度 $T_K$ 相关的低偏压（ $V_b < T_K$ ）平台，在此处预期完美传输（ $I \approx V_b$ ）。
- 这些机制之间的过渡跨越了多个能量尺度（ $U$ , $\sqrt{\Gamma U}$ , $\Gamma$ , 以及 $T_K$ ）。

5. 意义与主张

本文将这项工作定位为“教计算机计算费曼图”的重要一步。

受控精度： 与平均场近似不同，这种技术是“受控的”，这意味着它提供了已知的误差范围，可以通过增加计算资源（时间与秩）来系统地改进。
范式转移： 作者强调，这是一种从手动推导图解规则向使用算法（TCI）自动发现问题底层低秩结构的转变。
可扩展性： 通过行列式简化与 TCI 积分的结合，该方法实现了在以往图解方法无法触及的区域进行计算，弥合了理论理解与实验可观测量之间的鸿沟。
局限性说明： 作者承认，尽管该技术功能强大，但它并不是所有多体问题的通用求解器（文中提到了 2D Hubbard 模型作为未来的目标）。他们强调，成功的关键在于这些纳米电子系统中被积函数的特定低秩结构。