量子科技中心_量科网

在经典计算机上模拟多体量子系统十分困难，这源于系统自由度数量庞大导致计算复杂度随体系规模呈指数级增长。张量网络（TN）作为一种框架，通过将大型张量分解为小型张量网络，能够高效模拟特定多体量子系统。为计算局域可观测量期望值或模拟最近邻相互作用，需要对整个网络进行收缩运算——这是一个已知难题：对于空间维度D>1的体系无法精确求解，也是所有基于张量网络算法的主要瓶颈。虽然已有多种近似收缩算法被提出，但均存在各自的优缺点。二维张量网络的收缩至今仍是重大数值挑战，限制了该技术在众多有趣体系中的应用。 近期研究发现，张量网络与概率图模型（PGM）存在深刻关联。在概率图模型框架中，可通过置信传播（BP）等迭代消息传递算法近似求解复杂概率分布的边际分布。经适应性改造后，BP算法可作为高效的张量网络收缩算法。尽管BP算法效率极高且易于并行化，但对于强关联量子态或阻挫体系常产生不精确结果。为解决此问题，该研究团队提出区块化置信传播（BlockBP）算法，将系统粗粒化为区块并在其间执行BP运算。本论文聚焦于：（i）针对无限晶格开发并实现BlockBP算法；（ii）运用该算法研究Kagome晶格上反铁磁海森堡模型在热力学极限下的行为——这个存在阻挫效应的二维模型难以用现有数值方法模拟。