来源论文: https://arxiv.org/abs/2605.25683v1 生成时间: May 27, 2026 06:32

0. 执行摘要

在嘈杂中等规模量子（NISQ）时代，理解量子信息在受噪通道及随机量子线路（RQC）中的演化与退相干机制是确立量子优越性边界的核心任务。近年来，量子信息学界与统计物理学界通过将随机量子线路与随机张量网络（RTN）映射为经典置换群自旋模型（Permutation Model），揭示了量子态从具有体积分数纠缠（Volume-law）向面积分数纠缠（Area-law）过渡的物理本质——即对应于置换自旋模型的铁磁-顺磁（FM-PM）相变。

然而，这一映射在数学上面临极其棘手的挑战：为提取淬火无序（quenched disorder）下的物理量，必须采用副本技巧（Replica Trick），并在最后令副本数 $q = mn \to 0$。此极限下的解析解析与对偶理论（Duality Analysis）依赖于将多维配分函数关系化简为标量临界方程的强假设。为了独立且严格地检验这一假设，日本科学家 Ryuki Ito、Taisei Matsuo 以及 Masayuki Ohzeki 在最新工作中，首次引入了**分层格点（Hierarchical Lattices）上的精确真实空间重整化群（Real-Space Renormalization Group, RSRG）**方法。

本博客将深度剖析该工作。该研究针对 $q = 2, 3, 4, 5, 6$ 的置换群自旋模型，在尺度因子 $b = 2, 3, 4$ 的分层格点上完成了无近似的 RSRG 数值流动计算，精确确定了临界键维度 $D_c$；随后，论文利用多项式、幂指数及有理函数等多种数学外推方案逼近 $q \to 0$ 的副本极限，并结合复制随机键伊辛模型（RBIM）作为基准（Benchmark）进行了严苛的误差与不确定性分析。结果有力地支持了基于对称群傅里叶变换的对偶性预测（$D_c \approx 1.882$），同时也澄清了不同外推方案所带来的系统演化不确定性，为定量解析随机量子线路的噪声阈值提供了关键的理论判据。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题：量子纠缠转变与经典置换模型的映射

在随机张量网络中，网络内部的键维度记为 $D$。当 $D$ 较小时，网络边界处的量子纠缠表现出类似于基态的“面积律”（Area-law）行为；当 $D$ 超过某一临界值 $D_c$ 时，纠缠迅速跃迁为“体积律”（Volume-law）。这一几何结构与信息传播的相变，在数学上可以通过计算 $n$ 阶 Rényi 熵：

$$S_n = \frac{1}{1-n} \log \text{Tr}(\rho^n)$$

并应用副本技巧（引入 $m$ 个系统副本，最终令 $m \to 0$）来处理统计平均。经过精确映射，这一统计平均的配分函数等价于一个定义在相应晶格上的经典自旋模型，其自旋变量 $\sigma_v$ 取自对称群（置换群）$S_q$，其中群的阶数为 $q = mn$。在这一框架下：

  • 铁磁相（FM）：自旋取向高度一致，对应边界态的体积律纠缠；
  • 顺磁相（PM）：自旋取向完全无序，对应边界态的面积律纠缠。

因此，精确测定该置换群模型的铁磁-顺磁相变点 $D_c$（或临界耦合常数 $K_c = \log D_c$）就等价于确定了随机张量网络的纠缠相变阈值。

1.2 理论基础：Hamiltonian 形式与傅里叶对偶性预测

定义在图 $G = (V, E)$ 上的置换模型，其哈密顿量（Hamiltonian）定义为：

$$H(\sigma) = -J \sum_{(i,j) \in E} C(\sigma_i \sigma_j^{-1})$$

其中，$\sigma_i \in S_q$ 表现为自旋变量， $J > 0$ 为铁磁耦合强度。关键物理量 $C(\sigma)$ 为循环计数函数（Cycle-counting function），它给出置换 $\sigma$ 在循环分解下的不相交循环个数（包括长度为1的循环）。例如，对于恒等元 $e \in S_q$，显然有 $C(e) = q$；而对于 $S_3$ 中的对换 $\sigma = (12)(3)$，其循环个数 $C(\sigma) = 2$。

该哈密顿量具备如下性质：

  1. 对偶性：$C(\sigma^{-1}) = C(\sigma)$；
  2. 共轭不变性（Class Function）：$C(\tau^{-1} \sigma \tau) = C(\sigma)$。这意味着能量仅依赖于自旋之间的相对置换，模型具备全局的 $S_q$ 左右对称性。

在此前的研究中，Ohzeki 教授通过在对称群 $S_q$ 上定义傅里叶变换，并引入“单一标量临界方程假设”（即假定自偶格点上，重整化流动后占主导的 Boltzmann 因子满足特定单一等式关系），推导出了临界键维度 $D_c$ 随 $q$ 变化的解析预测公式：

$$D_c^q = \frac{1}{\sqrt{\Gamma(q+1)}} \frac{\Gamma(D_c + q)}{\Gamma(D_c)}$$

当走向副本极限 $q = mn \to 0$ 时，对上述方程的两边取对数并应用 Gamma 函数的渐近展开，可得：

$$\lim_{q \to 0} \log D_c = \frac{\gamma}{2} + \psi(D_c)$$

其中，$\psi(x) = \frac{d}{dx} \log \Gamma(x)$ 是双伽马（Digamma）函数，$\gamma \approx 0.57721$ 是欧拉-马斯克罗尼常数。解此超越方程可得极限下的临界值：

$$D_c^{\text{RTN}} \approx 1.88201$$

这一结果虽然优雅，但由于在推导过程中强行将具有 $q!$ 个分量的对偶关系向量压缩为了一个标量方程，其数学严谨性一直缺乏非微扰、无近似的数值验证。这正是本工作引入真实空间重整化群的动力所在。

1.3 技术难点：大群维度的非阿尔贝群重整化流动

将真实空间重整化群（RSRG）应用于置换群自旋模型面临以下三大技术瓶颈：

  1. 状态空间爆炸：对称群 $S_q$ 的元素个数为 $q!$。当 $q=6$ 时，群元数已达 $720$。在 RSRG 的每次粗粒化合并中，若直接存储全自由度边权重，其张量收缩的计算量和存储量将呈指数级（$(q!)^b$ 级）跃升。
  2. 长程相互作用污染：在常规二维欧几里得格点上进行 RSRG 往往需要引入近似（如 Migdal-Kadanoff 近似），这会产生无法定量控制的长程关联误差，从而遮蔽对偶假设本身的系统偏差。
  3. 非解析解析延拓：重整化群计算只能在正整数 $q \ge 2$ 处进行，但真实的物理极限是 $q \to 0$。如何设计稳健的外推方案以跨越这一“非物理解析区域”是核心难点。

1.4 方法细节：分层格点与精确重整化方程

为了克服上述难点，作者采用了自对偶分层格点（Self-dual Hierarchical Lattices）。分层格点是通过递归迭代构造的，其初始状态（层数 $r=0$）为连接两个边界顶点的单一原胞边。在每一步迭代中，将上一层级的一条边替换为一个由 $b$ 条通路、每条通路包含 $b$ 个串联边组成的并联-串联网络。下图展示了这一几何构造：

[Level r-1 Edge] ----------> [Level r Unit Cell (b=2, 3, 4)]
  • 当 $b=2$ 时，原胞由 $2$ 条各含 $2$ 个串联边的通路并联而成，分层格点具有分形维度 $d_f = 2$；
  • 当 $b=3$ 时，原胞包含三条并联通路，每条通路上有 3 个串联边，同样保持自对偶性；
  • 关键特性：当且仅当通路数等于单通路串联边数（即均为 $b$）时，该分层格点在拓扑上是绝对自对偶的。

在分层格点上，RSRG 的配分函数求和可以精确执行而无需任何截断或变分近似。设第 $r+1$ 层的边 Boltzmann 权重为 $\rho_{r+1}(\sigma)$，其精确的重整化递推方程（对应于在内部节点上对自旋变量进行求和消元）为：

$$\Lambda_{r+1}(K) \rho_{r+1}(\sigma_i \sigma_j^{-1} | K) = \sum_{\{\sigma_k\}} \prod_{(k,l) \in E_{\text{unit}}} \rho_r(\sigma_k \sigma_l^{-1} | K)$$

其中，$\Lambda_{r+1}(K)$ 是归一化因子，确保恒等元处的权重恒为 1：$\rho_{r+1}(e) = 1$。为了在数值上高效处理这一收缩，作者设计了共轭类简化算法。由于哈密顿量具有共轭不变性，$\vec{ ho}$ 的分量数可以从 $q!$ 缩减为 $S_q$ 的共轭类（Conjugacy Classes，即整数拆分模式）个数 $P(q)$：

  • 对于 $q=5$，$5! = 120$ 个元素被简化为 $P(5) = 7$ 个独立变量；
  • 对于 $q=6$，$6! = 720$ 个元素被简化为 $P(6) = 11$ 个独立变量。 这极大地降低了内存占用并提高了数值流动的迭代速度。

2. 关键 Benchmark 体系，计算所得数据，性能数据

2.1 关键计算数据分析：有限 $q$ 下的临界相变点 $D_c$

作者在数值上通过二分法（Binary Search）追踪重整化流动的终点。若流动趋向于 $\vec{ ho} \to (1, 0, 0, \dots)$，则判定系统处于铁磁相（FM）；若趋向于均匀分布 $\vec{ ho} \to (1, 1, 1, \dots)/q!$，则判定处于顺磁相（PM）。通过高精度搜索，获得了不同原胞尺寸 $b$ 以及群阶数 $q=2,3,4,5,6$ 下的精确临界键维度 $D_c$（见下表）：

群阶数 $q$傅里叶对偶预测 $D_c$$b=2$ RSRG 临界值$b=3$ RSRG 临界值$b=4$ RSRG 临界值
22.414212.414212.414212.41421
32.600322.573692.581212.60133
42.762032.713252.728692.77043
52.906792.838872.862472.92671
63.038932.954082.985933.07304

数据深度解读：

  1. $q=2$ 的一致性：当 $q=2$ 时，置换群 $S_2$ 同构于 $\mathbb{Z}_2$，此时模型退化为标准的经典 Ising 模型。在所有自对偶格点上，重整化流动所得的临界点均为 $D_c = 1 + \sqrt{2} \approx 2.41421$，这与傅里叶对偶性给出的解析解完全吻合，证明了 RSRG 代码的高精度与可靠性。
  2. $b$ 依赖性与格点几何效应：随着群阶数 $q$ 的增大，RSRG 计算得到的临界值开始偏离基于全平面对偶假设的单一标量预测。具体表现为：$b=2$ 的临界值系统性地低于对偶预测，而 $b=4$ 的临界值在 $q \ge 3$ 时超过了对偶预测。$b=3$ 的格点表现最为优异，其分形维度严格等于 2，最接近真实的二维平面方格点。其数值与对偶预测的相对偏差保持在极小范围内（低于 1.8%），这强有力地证实了傅里叶对偶预测作为一种平均场意义上的标量近似，具有极高的物理定量价值。

2.2 副本极限 $q \to 0$ 外推表现评价

针对最具物理代表性的 $b=3$ 高精度 RSRG 数据（$q=2,3,4,5,6$ 共5个数据点），作者测试了六种数学外推方案以获取 $D_c^{\text{RTN}}$。以下是拟合与外推的定量性能指标：

外推拟合函数 $F(q)$拟合形式外推预测值 $D_c(0)$与对偶预测偏差拟合均方根误差 $\epsilon_{\text{fit}}$
线性多项式$a_0 + a_1 q$2.14463+13.95%$1.21 \times 10^{-2}$
二次多项式$a_0 + a_1 q + a_2 q^2$2.04384+8.60%$1.31 \times 10^{-3}$
三次多项式$a_0 + a_1 q + a_2 q^2 + a_3 q^3$2.00521+6.55%$1.29 \times 10^{-4}$
四次多项式$\sum_{i=0}^4 a_i q^i$1.98631+5.54%$2.67 \times 10^{-13}$
幂指数函数$a q^{\alpha} + c$1.82993-2.77%$1.85 \times 10^{-4}$
有理分式函数$\frac{c + a q}{1 + \lambda q}$2.02040+7.35%$6.89 \times 10^{-4}$

性能评估深度分析：

  • 过拟合与外推稳健性陷阱：高阶多项式拟合（如四次多项式）虽然在有限 $q$ 区域内的拟合误差极小（$\epsilon_{\text{fit}} \approx 2.67 \times 10^{-13}$，几乎完美插值），但由于缺乏物理渐近线的约束，在外推至 $q=0$ 时产生了显著的上翘偏离，其外推值为 1.98631，高出预测值约 5.54%。这生动地展示了在副本外推中，“低拟合残差并不等价于高外推精度”的物理常识。
  • 幂指函数的虚假优越性：幂指函数拟合给出了最接近对偶预测的值（$D_c \approx 1.830$，偏差仅 -2.77%），但在下一节的 Benchmark 检验中，该拟合显示出了严重的数学不稳定性。

2.3 严苛的 Benchmark 体系：复制随机键伊辛模型（RBIM）

为了给上述外推方案的筛选提供坚实的统计物理学依据，作者引入了复制随机键伊辛模型（RBIM）在 $b=3$ 分层格点上的精确解作为基准。RBIM 模型的副本数记为 $n$（在 $n \to 0$ 处对应自旋玻璃的 Nishimori 线临界点）：

  • 其精确无源淬火临界点可直接求得：$p_{\text{numerical}}(n \to 0) = 0.8903(2)$；
  • 同时，精确的有限副本 RSRG 数据在 $n=1,2,3,4$ 处均已知。

作者使用完全相同的拟合方案对 RBIM 的有限副本数据进行外推，结果如下（表 A·1）：

  • 有理分式（Rational Function）：外推值为 $0.88915$，与精确解的偏差仅为 $-0.00115$，相对误差极小，展现了惊人的弯曲流形拟合能力；
  • 幂指函数（Power Function）：由于未受限的自变量最优拟合指数为负值（$\alpha = -0.0286$），导致在 $n \to 0$ 时发散。若强行限制 $\alpha > 0$，则拟合极度不稳定。这表明幂指函数拟合在数学上不具备鲁棒性，在置换模型中的良好表现纯属“数值巧合”；
  • 低阶多项式：无法有效捕捉重整化流向副本极限时的强烈非线性曲率。

因此，通过 RBIM 这一严苛的测试，有理分式外推被确立为物理上最合理、最鲁棒的方案。以此为基准，置换自旋模型的 $D_c^{\text{RTN}}$ 最终估值为 $2.02040$，与对偶理论预测的 $1.88201$ 相比，相对偏差仅为 $+7.35\%$。这一偏差定量地给出了由于忽略多通道Boltzmann耦合流动而产生的标量对偶近似误差。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

3.1 核心算法：基于自旋置换群共轭类的 RSRG 迭代器

要复现本论文的重整化群计算，核心在于如何在大尺度对称群 $S_q$ 上高效地构造群乘法表并执行张量收缩。以下是推荐的 Python 实现方案（基于 NumPy 与 SymPy）。

关键步骤 1：构建置换群、类表示及哈密顿量初始化

由于 $S_q$ 的群乘法是非阿贝尔的，我们需要利用 SymPy 的 SymmetricGroup 类来自动生成群元素和共轭类映射。

import numpy as np
from sympy.combinatorics.permutations import Permutation
from sympy.combinatorics.namedgroups import SymmetricGroup

def get_permutation_model_init(q, K):
    """
    初始化 Sq 群的哈密顿量元素及 Boltzmann 因子矢量
    """
    G = SymmetricGroup(q)
    elements = list(G.generate())
    group_size = len(elements)
    
    # 建立群元到索引的映射
    elem_to_idx = {elem: idx for idx, elem in enumerate(elements)}
    
    # 计算每个群元的循环分解个数 C(sigma)
    C_vector = np.zeros(group_size)
    for idx, elem in enumerate(elements):
        # SymPy 的 cyclic_form 给出非平庸循环列表，平庸循环需要手动补齐
        cycles = elem.cyclic_form
        num_elements_in_cycles = sum(len(c) for c in cycles)
        num_singletons = q - num_elements_in_cycles
        C_vector[idx] = len(cycles) + num_singletons
        
    # 初始相对边权重 
    rho_init = np.exp(K * C_vector)
    # 保证恒等元 e (索引通常为 0) 的权重归一化为 1
    rho_init /= rho_init[0]
    
    return elements, elem_to_idx, rho_init

关键步骤 2：执行原胞内的串并联重整化变换（以 $b=2$ 为例）

$b=2$ 原胞包含两条并联通路，每条通路由两个串联边组成（串联对应群卷积，并联对应点乘）：

$$\rho_{r+1}(\sigma_{out}) \propto \left( \sum_{\sigma_{mid}} \rho_r(\sigma_{mid}) \rho_r(\sigma_{mid}^{-1} \sigma_{out}) \right)^2$$
def rsrg_step_b2(rho_current, elements, elem_to_idx):
    """
    精确执行 b=2 的一个重整化步长
    """
    group_size = len(elements)
    # 1. 串联步：计算群卷积
    rho_series = np.zeros(group_size)
    for idx_out, elem_out in enumerate(elements):
        temp_sum = 0.0
        for idx_mid, elem_mid in enumerate(elements):
            # 计算 elem_mid^-1 * elem_out
            elem_diff = elem_mid.invert() * elem_out
            idx_diff = elem_to_idx[elem_diff]
            temp_sum += rho_current[idx_mid] * rho_current[idx_diff]
        rho_series[idx_out] = temp_sum
        
    # 2. 并联步：对通路进行点乘（乘方）
    rho_next = rho_series ** 2
    
    # 3. 归一化：保证 rho_next[e] = 1
    rho_next /= rho_next[0]
    
    return rho_next

关键步骤 3：临界点高精度二分查找

利用重整化流向两极分化的特点，设计二分查找器：

def find_critical_point(q, b=2, tol=1e-12, max_steps=50):
    D_low = 1.0
    D_high = 10.0
    
    while (D_high - D_low) > tol:
        D_mid = (D_low + D_high) / 2.0
        K_mid = np.log(D_mid)
        
        # 初始化权重
        elements, elem_to_idx, rho = get_permutation_model_init(q, K_mid)
        
        # 迭代重整化流
        for step in range(max_steps):
            rho = rsrg_step_b2(rho, elements, elem_to_idx)
            
        # 诊断流向：计算恒等元与均匀分布的偏差
        # 铁磁相：除恒等元外其余全部趋向 0 (G_N > 0)
        # 顺磁相：全空间趋向 1/q! (G_N < 0)
        uniform_val = 1.0 / len(elements)
        G_N = rho[0] - np.mean(rho)
        
        if G_N > 0.5:
            # 铁磁相，降低耦合强度（减小 D）
            D_high = D_mid
        else:
            # 顺磁相，增强耦合强度（增加 D）
            D_low = D_mid
            
    return (D_low + D_high) / 2.0

3.2 推荐开源软件包与资源链接

  • SymPy (Combinatorics Module): 本研究中置换群元及共轭类的生成强烈依赖其组合数学库。
    https://github.com/sympy/sympy
  • TensorNetwork: 谷歌开发的张量网络库，对于扩展至更大 $b$ 及更复杂格点的张量收缩非常有用。
    https://github.com/google/TensorNetwork
  • 作者实验室与关联开源工作：东北大学 Masayuki Ohzeki 教授课题组在自旋玻璃及统计物理重整化方向有长期的开源代码积累，可关注其团队发布的最新 Julia/Python 代码库。
    https://github.com/mohzeki

4. 关键引用文献，以及你对这项工作局限性的评论

4.1 关键引用文献

  1. 物理背景（随机量子线路与置换自旋模型的映射）：
    • Vasseur et al., Phys. Rev. B 100, 134306 (2019)：系统论证了受噪随机量子线路中的纠缠转变可映射为置换群共轭类模型的统计力学相变。
    • Hayden et al., JHEP 2016 (2016)：奠定了随机张量网络（RTN）全息纠缠熵与置换模型的定量映射基础。
  2. 数学对偶预测：
    • Ohzeki, M., Progress of Theoretical and Experimental Physics (2024), ptae171：提出了利用对称群傅里叶变换解析推导置换模型临界线的公式（即本文试图验证的标量对偶方程）。
  3. 分层格点重整化方法：
    • Ohzeki, Nishimori, and Berker, Phys. Rev. E 77, 061129 (2008)：展示了如何在自对偶分层格点上高精度测定自旋玻璃模型的临界多临界点，并指出了常规对偶推测的精细偏差特征。

4.2 局限性深入评论

尽管本工作在数值精确度和外推方法的稳健性论证上做到了极致，但在物理应用与数学推广上面临以下局限：

1. 副本极限 $q \to 0$ 的非物理区域非解析性

副本技巧的核心假设是：定义在正整数域 $q \in \mathbb{N}^+$ 上的临界指数和临界点，可以通过一个解析唯一的复平面函数无缝延拓至 $q \to 0$。然而，置换群 $S_q$ 的群结构仅对正整数 $q$ 存在。当 $q \to 0$ 时，我们实际上是用连续的实数代指了一个虚构的“零元置换群”。在这一外推过程中，可能存在非解析的本征奇点（类似于自旋玻璃中的 Replica Symmetry Breaking 转变点），导致任何基于有限整数点的外推（无论是多项式还是有理分式）都无法捕捉这一微扰论失效的拐点。这一根本局限在统计物理中至今未被完全解决。

2. 分层格点与真实二维晶格（方格、三角格）的拓扑不一致性

分层格点（如 Migdal-Kadanoff 型）虽然具有精确的 RSRG 递推关系，且自对偶特性保证了相变边界的存在，但它们的物理连通数（Coordination Number）在局部是高度非均匀的。分层格点本质上具有非平庸的分形结构。因此，直接将 $b=3$ 的 RSRG 数值与物理方格网的相变点进行对比，在定量上存在晶格几何造成的天然系统偏差。如何将该方法扩展至真实的二维平面格点（例如使用 Tensor Renormalization Group, TRG 方法），是实现真正高精度验证的下一个里程碑。

5. 其他你认为必要的补充：量子信息与统计物理的交叉前沿

5.1 噪声阈值与量子模拟优越性的判定边界

置换自旋模型临界点 $D_c$ 的精确测定，不仅是一个统计物理的智力游戏，更是划定经典计算机模拟量子系统极限的核心判据。在随机量子线路中，门操作和环境耦合伴随着消相干噪声：

  • 当噪声率低于某一临界值 $p_c$（对应于经典置换模型的铁磁相）时，系统的纠缠保持体积律增长。这意味着经典算法（如矩阵乘积态 MPS、张量网络收缩法）在模拟该量子线路时，所需的计算资源（键维度）随着系统尺寸呈指数级爆炸，量子优越性得以维持。
  • 当噪声率超过 $p_c$（对应于顺磁相）时，系统纠缠迅速衰减为面积律。此时，经典计算机利用轻量级的张量网络截断算法，即可在多项式时间内完成对系统末态的高精度经典模拟，量子优越性丧失。

通过本文对临界键维度 $D_c^{\text{RTN}} \approx 2.02$ 的修正，我们能够更准确地为实验物理学家提供防范退相干的定量指标。

5.2 傅里叶分析在非阿贝尔群自旋模型中的演化前景

本研究探讨的 $S_q$ 置换群是一个典型的非阿贝尔群（Non-Abelian Group）。与 Ising 模型或 XY 模型的阿贝尔群（$\mathbb{Z}_2$ 或 $U(1)$）不同，非阿贝尔群的对偶变换不能简单地映射回其自身。这是因为其不可约表示（Irreducible Representations）的维度大于1，导致傅里叶变换后的对偶变量（Wigner 矩阵元）具有多维矩阵结构，无法维持配分函数的标量形式。

Ohzeki 教授提出的单一标量对偶方程正是为了强行抹平这一多维矩阵结构。而本文通过精确重整化流计算指出，这种抹平带来了约 7.35% 的定量偏差。未来的研究可以通过引入非阿贝尔群特征标（Characters）流的重整化流动分析，在重整化过程中显式地保留表示论中的多维张量结构，这将有望从根本上调和对偶性理论与重整化群数值结果之间的微小偏离，推动强关联拓扑自旋系统理论迈向全新的高度。