来源论文: https://arxiv.org/abs/2604.05582v1 生成时间: Apr 08, 2026 12:39

超越 Swap-Gate：Grassmann 变分角转移矩阵重整化群（GCTMRG）深度解析

0. 执行摘要

费米子多体系统的数值模拟一直是凝聚态物理和量子化学领域的核心难题。传统的量子蒙特卡洛（QMC）面临负符号问题，而密度矩阵重整化群（DMRG）在处理高维系统时存在局限。近年来，张量网络（Tensor Network, TN）方法凭借其处理低纠缠态的能力脱颖而出。然而，处理费米子的交换统计（Fermi-Dirac statistics）通常依赖于复杂的交换门（Swap-Gate）或费米序映射。

本文解析的工作（arXiv:2604.05582v1）提出了一种崭新的路径：通过相干态路径积分将费米子配分函数表示为 (1+1) 维的 Grassmann 值张量网络，并开发了 Grassmann 角转移矩阵重整化群（GCTMRG） 算法进行收缩。该方法通过引入 Grassmann 高阶张量重整化群（GHOTRG）作为预处理手段（命名为 GCTMRG*），成功解决了小虚时步长带来的强各向异性问题。在一维费米子 Hubbard 模型中的测试表明，该方法能以极高精度捕获双占据数、粒子密度及复杂的 $(\mu, B)$ 相图，为研究强关联费米子系统提供了一个无需 Swap-Gate、且具有高度普适性的新框架。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 费米子统计的本质挑战

费米子系统的根本特征在于其波函数的反对称性，即交换两个粒子会产生一个负号。在数值计算中，这表现为配分函数路径积分中的非正权重，即臭名昭著的“符号问题”。现有的张量网络方法（如 iPEPS）通常采用 Swap-Gate 方案来显式处理费米子交换，但这要求复杂的图形投影，且在复杂晶格结构中难以推演。

1.2 Grassmann 相干态路径积分（理论基础）

该工作的核心思路是放弃波函数表示，转而从配分函数 $Z$ 入手。通过引入 Grassmann 变量 $\psi$ 和其对偶变量 $ar{\psi}$（满足 $\psi_i \psi_j + \psi_j \psi_i = 0$），可以将费米子系统的演化算符映射到 (1+1) 维的时空网格上。

对于一维 Hubbard 模型：

$$H = -t \sum_{\langle ij \rangle, s} (\hat{c}_{is}^\dagger \hat{c}_{js} + h.c.) + U \sum_i (\hat{n}_{i\uparrow}-1/2)(\hat{n}_{i\downarrow}-1/2) - \dots$$

其作用量 $S[\psi, \bar{\psi}]$ 被离散化为时空节点上的 Grassmann 变量。配分函数 $Z = \int \mathcal{D}[\psi, \bar{\psi}] e^{-S}$ 最终被转化为一个 Grassmann 张量网络。每一个节点对应一个 Grassmann 张量 $\mathcal{T}$，其索引携带 Grassmann 宇称 $p(I)$。

1.3 技术难点：Grassmann 变量的收缩法则

与普通标量张量网络不同，Grassmann 张量的收缩（Contraction）涉及复杂的符号因子。两个张量相加或相乘时，必须严格遵守算符顺序。技术难点在于：

  1. 序依赖性：收缩两个带有 Grassmann 索引的张量时，必须将对应的 Grassmann 变量及其对偶变量（$\theta$ 与 $\bar{ heta}$）排列在一起进行积分，这会产生额外的 $(-1)^{p(i)p(j)}$ 因子。
  2. 融合与分解：在重整化过程中，需要对多个 Grassmann 索引进行“融合（Fusion）”，如何在这种高阶张量中保持宇称守恒且不丢失符号信息是实现算法的核心难题。

1.4 方法细节：GCTMRG 与 GCTMRG*

GCTMRG 算法通过迭代更新四个角矩阵（Corner Matrices $\{C\}$）和四个边缘张量（Edge Tensors $\{E\}$）来模拟热力学极限下的环境。

关键步骤包括：

  • Grassmann SVD：对组合张量进行奇异值分解，提取等距映射张量 $P$ 和 $Q$。在这一过程中，通过吸收宇称相关的符号因子 $(-1)^{p(i)}$，确保 $P$ 和 $Q$ 能正确逼近原有的 Grassmann 流形。
  • 各向异性问题的突破（GCTMRG）*：在一维系统中，虚时步长 $\epsilon$ 通常取极小值（如 $10^{-4}$），这导致张量在时空两个方向上存在巨大的各向异性，CTMRG 收缩极慢。作者提出先利用 GHOTRG 在虚时方向进行 $N_\tau$ 次重整化步骤，压缩各向异性，然后再执行 GCTMRG 迭代。这一“混合动力”方案极大地提高了收敛速度和数值稳定性。

2. 关键 Benchmark 体系，计算所得数据，性能数据

2.1 体系验证：一维费米子 Hubbard 模型

作者选取了一维 Hubbard 模型在磁场 $B$ 和化学势 $\mu$ 下的行为作为基准。该系统具有丰富的物理相，且部分极限情况有 Bethe Ansatz 精确解可供对比。

2.2 双占据数 $d$ 的高精度对标

在 $B=0, \mu=0$ 点，作者比较了 GCTMRG* 与标准 Grassmann HOTRG 的性能。

  • 相对误差 $\delta d$：实验结果显示，随着环境维度 $\chi$ 的增加，GCTMRG* 的精度显著优于 HOTRG。在 $\chi = 64$ 时，相对误差降低到了 $10^{-3}$ 以下（见 Fig. 7a）。
  • $d$ 对 $U$ 的依赖关系：在 $U \in [1, 10]$ 的广阔范围内，计算所得的双占据数与 Bethe Ansatz 曲线几乎完美重合，证明了该方法处理强关联区的鲁棒性。

2.3 $(\mu, B)$ 相图与粒子数密度 $p$

作者系统地扫描了化学势 $\mu$：

  • Phase I (Empty)：$p=0, m=0$。
  • Phase IV (Metallic)：$0 < p < 1, m < p/2$。
  • Phase V (Insulating)：$p=1$。 在 Fig. 8 中，随着 $\mu$ 的增大，粒子密度 $p$ 呈现出阶梯状或连续增长的行为。计算得到的临界化学势 $\mu_1, \mu_2$ 与解析解（Eq. 31）完全一致，误差在 $10^{-4}$ 量级。

2.4 磁场下的性能数据

在 $B \neq 0$ 的情况下（Fig. 9 & 10），GCTMRG* 准确捕获了全极化相 (Phase II)。在此相中，理论预测 $m = p/2$，数值结果显示其误差微乎其微。这表明 Grassmann TN 能够极其敏感地感应费米子自旋自由度的重组。

3.1 符号管理的底层实现

复现该算法的难点不在于 SVD 本身，而在于 Grassmann 算符的管理。

  1. 嵌套循环计数器：实现 Grassmann 收缩时，作者推荐采用一种“统一处理程序”，通过嵌套循环计算每对索引交换产生的 $(-1)^{p(i)p(j)}$。这避免了为每种收缩手动推导符号因子的痛苦。
  2. 宇称块存储：为了提高效率，张量应按宇称（0 或 1）进行分块存储，仅执行宇称守恒的分量计算。

3.2 关键超参数设置

复现时应遵循以下参数：

  • 虚时步长 $\epsilon$：设为 $10^{-4}$ 以控制 Trotter 误差。
  • 预处理步骤 $N_\tau$：对于 1D 模型，推荐 $N_\tau = 8$ 或 $12$，这能将初始虚时步长扩展 256 或 4096 倍，有效缓解各向异性。
  • 环境维度 $\chi$：建议从 16 开始增加到 64。对于一维模型，$\chi = 64$ 已足以达到 $10^{-8}$ 级别的能量收敛误差。

3.3 软件包与开源资源参考

虽然本文作者未直接提供 GitHub 链接，但其核心逻辑可基于以下开源框架构建：

  • [Yosprakob 的 GrassmannTN 库]：引用文献 [62] 指向了 SciPost Phys. Codebases 20。这是一个专门为 Grassmann 张量设计的开源 codebase，包含了基本的收缩和符号处理逻辑。
  • Uni10：一个支持宇称守恒和通用张量操作的 C++ 库，非常适合作为构建 GCTMRG 的底层引擎。
  • ITensor (Fermion Support)：虽然 ITensor 主要基于波函数，但其处理费米子交换因子的内部逻辑可以作为 Grassmann 收缩逻辑的参考。

4. 关键引用文献，以及对这项工作局限性的评论

4.1 关键引用文献

  1. Gu et al. [33-35]：奠定了 Grassmann 张量网络态在凝聚态中的理论基础。
  2. Xie et al. [63]：HOTRG 算法的原创者，本文通讯作者之一，该文献提供了处理张量各向异性的初始思路。
  3. Akiyama & Kuramashi [53]：首次将 Grassmann HOTRG 应用于格点规范场论，是本项目 GCTMRG* 的直接前身。
  4. Nishino & Okunishi [48]：经典 CTMRG 算法的开创性工作。

4.2 工作评论与局限性

优势：

  • 普适性：该方法不依赖于晶格的具体维度，理论上可以无缝扩展到二维甚至三维。相比 Swap-gate，它在数学上更具完备性。
  • 有限温潜力：由于基于路径积分表示，该方法天然适合计算有限温度下的热力学量，这是 DMRG 的弱点。

局限性与挑战：

  • 计算复杂度：Grassmann 收缩的符号追踪带来了额外的算力开销。尽管引入了预处理，但在 $\chi$ 较大时，CTMRG 的稳定性仍面临挑战。
  • 高维收缩：在真正二维费米子模型（如 2D t-J 模型）中，Grassmann 张量的秩会迅速增加，导致收缩极其复杂，可能需要更高级的近似方案（如 Cluster Update）。
  • 费米子符号问题的隐匿性：虽然 TN 方法绕过了随机抽样的符号问题，但在进行 Grassmann SVD 截断时，如果系统处于高度纠缠态，可能会由于宇称扇区分配不当引入数值不稳定。

5. 其他必要的补充

5.1 对量子化学领域的启示

对于从事量子化学的人员来说，该方法的意义在于非平衡态模拟和有限温度电子结构计算。传统的量子化学方法（如 CCSD, MP2）多基于高斯轨道和零温假设。GCTMRG* 提供了一种在格点模型（如金属有机框架中的有效 Hubbard 模型）中研究电子热激发的有效工具。

5.2 算法实现的小技巧：宇称扇区的分配

在构建 Grassmann Isometric 算符 $P$ 和 $Q$ 时，务必保证在奇异值截断时，宇称 0 和宇称 1 两个扇区的奇异值按大小统一排序，而不是分开排序。如果分开排序，可能会破坏张量网络的全局宇称平衡，导致收敛到物理上错误的基态。

5.3 展望：向 2D 进发

作者在总结中提到，下一步是将 GCTMRG* 应用于二维费米子系统的热力学研究。这对于理解高温超导体的伪能隙相（Pseudogap Phase）以及寻找 Stripe 序具有重要价值。在 2D 情况下，各向异性问题可能不再是瓶颈，但“虚时演化张量”的秩将成为新的挑战。本项工作在一维模型上的成功，为费米子张量网络从“实验性探索”走向“生产级应用”奠定了坚实的算法基础。

致谢：感谢 Renmin University of China 团队提供的精确计算数据，本解析旨在为科研同行提供技术路线指引。