来源论文: https://arxiv.org/abs/2606.29133v1 生成时间: Jun 30, 2026 10:47

0. 执行摘要

经典张量网络（TN）模拟是研究量子多体物理和量子化学的关键工具，但在处理大型系统或涉及大量可观测物（如完整的k阶约化密度矩阵或包含许多两体项的哈密顿量）时，可观测物评估往往成为计算瓶颈。受量子计算领域影子断层扫描（Shadow Tomography）的启发，本研究成功地将这一强大概念引入经典张量网络框架，通过巧妙的适配和创新性策略，实现了显著的样本复杂度提升。我们为自旋（玻色子）系统开发了基于Pauli影子的方法，为费米子系统则提出了彩虹基影子和Bell采样影子。这些新方法不仅在评估特定可观测物时展现出从O(N)到O(N³)的渐近缩放改进，更在评估哈密顿量期望值时，结合环境重用策略，实现了与系统尺寸无关的O(1)总样本复杂度。此外，影子估计器在变分优化任务中提供了更稳定的可观测物梯度，避免了标准蒙特卡洛（MC）方法中潜在的无界方差问题。数值基准测试在二维长程Heisenberg模型和从头算氢链上验证了理论预测，并在大规模变分基态模拟中展示了实际的收敛速度和准确性优势。这项工作不仅为经典张量网络模拟提供了强大的新算法工具，也进一步彰显了量子信息理论对经典算法的深刻启示。

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

在量子多体物理和量子化学中，精确描述多体波函数至关重要，但由于希尔伯特空间维度的指数增长，这在经典计算机上通常是不可行的。张量网络（Tensor Network, TN）方法通过利用物理相关的波函数结构，提供了一种高效的波函数表示形式，从而能够模拟远超传统方法所能处理的系统尺寸。然而，仅仅表示波函数是不足够的，另一个核心且同样重要的挑战是如何从这些表示的波函数中高效地评估物理可观测物。这些可观测物包括但不限于关联函数、约化密度密度矩阵（Reduced Density Matrices, RDMs）以及哈密顿量期望值。

对于简单的局域哈密顿量或低维张量网络，许多可观测物可以被高效地评估。但更普遍的情况是，当需要评估大量相关量时，可观测物评估本身会成为主要的计算瓶颈。例如，在探索一个多体系统中的全套空间关联函数时，或者在评估包含众多两体项的长程模型哈密顿量时，以及在从头算量子化学（ab initio quantum chemistry）计算中，物理量自然地通过完整的单体和两体RDMs来表达。这些场景下，传统的张量网络方法主要依赖两种策略：

1. 直接收缩（Direct Contraction）： 通过精确或近似地收缩相应的双层张量网络来计算期望值。这种方法的计算成本通常与需评估的局域可观测物数量成正比。
2. 蒙特卡洛采样（Monte Carlo Sampling）： 从Born分布 p(x) = |⟨x|ψ⟩|² 中采样计算基组态 |x⟩，然后利用这些样本来评估可观测物。这种方法通常需要大量样本，且对于非对角算符项仍需单独的幅度评估。

这两种策略虽然在算法上截然不同，但都受到可观测物总数或哈密顿量项总数的强烈影响，导致计算成本随之线性甚至超线性增长。这一瓶颈促使研究者思考一个更根本的问题：能否设计一种估计器，使得一个单一的样本能够同时包含多个可观测物的信息，从而摆脱对可观测物数量的直接依赖？

1.2 理论基础：影子断层扫描

在量子计算领域，影子断层扫描（Shadow Tomography）为上述问题提供了一个强有力的肯定答案。影子断层扫描的目标比完整的态断层扫描（State Tomography）更为受限：它并非完全学习量子态 ρ，而是仅估计一个指定集合 M 个可观测量的期望值 {Tr(O_i ρ)}。通常，M 远小于指定 ρ 所需的参数数量。

最著名的例子是Huang, Kueng和Preskill提出的经典影子方法（Classical Shadow method）[28]。该方法利用随机化测量，结合逆测量通道，构建一个无偏的态估计器 ρ̃，满足 E[ρ̃] = ρ。此后，又发展出多种变体，包括浅层Clifford影子 [30]、费米子和Matchgate影子 [31-33]、局域偏置影子 [34]、去随机化影子 [35]、基于局域混洗动力学的影子 [36] 以及张量网络辅助的经典影子 [37]。更广泛地，影子断层扫描这一概念也涵盖了其他结构化测量方案，如对易家族测量 [38-40] 和Bell基测量 [41-43]，它们都共享“一个样本多可观测物”的结构。在所有这些情况下，估计多个可观测物的测量复杂度都可以从与可观测物数量成正比的朴素缩放中获得指数级或多项式级的改进。

影子断层扫描虽然最初是为量子计算机开发的，但其底层思想更为通用：结构化测量可以被视为一种将许多可观测物信息压缩到一个单一样本中的方法。这一洞察自然引发了将类似思想应用于经典模拟以获得性能提升的可能性。

1.3 技术难点与方法细节

将影子断层扫描的思想从量子计算机转移到经典张量网络模拟并非易事。核心挑战在于，经典张量网络模拟不能直接执行量子测量或酉变换。本研究通过在变分蒙特卡洛（Variational Monte Carlo, VMC）模拟框架下，巧妙地将量子测量概念转换为经典计算中可处理的张量网络操作，从而克服了这些障碍。

1.3.1 经典张量网络模拟的适配策略

为了将影子断层扫描应用于经典张量网络模拟，我们需要进行两步经典操作：

1. 应用相应的酉变换（Apply Unitary Operation）： 对于Pauli影子，这相对简单，因为单量子比特的酉变换可以局域地应用于张量网络。
2. 执行“量子测量”（Perform “Quantum Measurement”）： 在经典张量网络语境下，这通过Metropolis-Hastings算法实现。朴素的方法是同时采样 U 和计算基态 |x⟩，使其满足所需的分布 p(U, x; ρ) = p(U)⟨x|UρU†|x⟩。然而，由于 p(U) 对于Clifford和Haar随机情况都是均匀分布，采样过程可以简化为仅采样 U†|x⟩，这是一个乘积纯态。

1.3.2 自旋（玻色子）系统：Pauli影子

目标： 评估自旋系统的k阶约化密度矩阵（k-RDM），假定k是O(1)。

量子计算机方法： Pauli影子方法包括两个步骤：(1) 从预定义系综中选择一个酉变换并将其应用于量子态，(2) 在计算基组下进行测量。酉变换系综通常是单量子比特均匀随机Clifford或Haar随机酉变换的乘积。如果测量结果是 |x⟩ = |x₁x₂...x_N⟩，选定的酉变换是 U = U₁U₂...U_N，那么无偏估计器 ρ_s(U, x) 定义为 (d+1) U†|x⟩⟨x|U - I。对于任意Pauli算符 P，其期望值 Tr(Pρ) 可由 (d+1) ⟨x|U P U†|x⟩ - Tr(P) 估计。一个测量样本对于任意k局域Pauli算符提供O(3^k)的方差，因此对于小而固定的k，一个测量样本即可提供所有k局域Pauli算符（或等价地，完整的k-RDM）的O(1)方差。

经典张量网络适配： 我们将 U†|x⟩ 视为一个乘积纯态 |φ⟩，并通过Metropolis-Hastings算法进行采样。每一步通过局域更新一个单量子比特态 |φ_i⟩（使其成为均匀随机稳态或Haar随机态），然后以概率 min(p_new/p_old, 1) 接受，其中 p = |⟨φ|ψ_TN⟩|²。对于面积律纠缠和快速衰减关联的量子态，我们期望局域Metropolis更新具有O(1)的接受率，因此Markov链混合时间为O(N)。

性能：

• k-RDM评估： 在O(N)的Markov链混合时间下，完整的k-RDM可以通过O(N/ε²)次单层收缩进行评估，达到加性误差ε。
• 标量物理可观测物评估： 对于k=2的哈密顿量，采样值每个Pauli算符为O(1)。结合快速衰减相互作用，总期望值的方差上限为O(N²)。考虑量子态具有快速衰减关联时，方差为O(N)。因此，需要O(N/ε²)次单层张量网络收缩，达到加性误差ε，或相对误差 ε_r ~ ε/N。

1.3.3 费米子系统：彩虹基影子

挑战： Pauli影子方法对于费米子k-RDM而言效率不高，因为Jordan-Wigner变换引入了非局域性，导致指数级方差。

方法： 我们转而利用Majorana基。Majorana算符定义为 γ_{2i-1} = a_i + a_i† 和 γ_{2i} = -i(a_i - a_i†)。k-RDM算符在Majorana基中是2k个Majorana算符的乘积。关键思想是将 O(N^(2k)) 个2k-Majorana字符串划分为 O(N^k) 个相互对易的子集。例如，对于k=1，固定两个Majorana风味标签 p,q ∈ {0,1}，构建算符集合 S_pq^r = {γ_{i,p}γ_{j,q} | i+j=r}。这些集合中的所有算符在给定 r 下都相互对易。

测量基： 定义测量基时，每个被测量的Majorana对 γ_{i,p}γ_{j,q} 都通过互补对 γ_{i,1-p}γ_{j,1-q} 在相同的物理位点上完成，形成彩虹状（rainbow-like）两体Bell对态，以及未配对位点上的局域占据态。对于费米子MPS，可以通过从中心 r 处收缩MPS来高效评估重叠 ⟨α|ψ_TN⟩。

性能：

• k-RDM评估： 对于MPS，该方法在评估1-RDM时达到渐近最优的O(N/ε²)样本复杂度，在评估2-RDM时达到接近渐近最优的O(N² log² N/ε²)样本复杂度。考虑O(N)的Markov链混合时间，总体样本复杂度进一步提高。

1.3.4 费米子系统：Bell采样影子

挑战： 即使彩虹基影子对于k-RDM提供了显著改进，对于哈密顿量这种线性组合形式的物理可观测物，仍需进一步优化。

方法： 该方法是一种利用辅助态 σ 的Bell基测量方案。估计器 Ô_μ = f_μ / D_μ^σ，其中 f_μ = ⟨Bell|O_μ|Bell⟩ 是通过Bell基测量得到的分子项，D_μ^σ = Tr[O_μ σ] 是分母项。Bell采样的主要瓶颈在于分母项 Tr[O_μ σ] 的小值。为了使其强大，需要选择一个合适的辅助态 σ 来利用线性系数的结构。

关键选择： 对于从头算量子化学哈密顿量，我们选择辅助态 σ 为一个Slater行列式，其两体RDM可通过Wick定理与一体RDM关联。我们进一步选择一体RDM元素具有指数衰减结构，D_pq^σ ~ A exp(-c'r_pq)，且键维较低，从而可以表示为一个张量网络。这种选择结合量子态的快速衰减关联和中性系统具有广泛库仑能的物理假设，预期方差可降至O(N)。

性能：

• 2体物理可观测物评估： 对于从头算量子化学哈密顿量，在物理合理的局域性假设下，方差可降至O(N)，因此总样本复杂度为O(N/ε²)。

1.3.5 环境重用策略（Environment Reuse Strategy）

环境重用是张量网络算法中一个常见的技巧，用于减少多次收缩的成本。无论是在直接收缩、蒙特卡洛采样还是局域可观测物评估中，通过构建和存储局域环境（例如围绕每个位点），可以高效地重用这些环境，从而避免重新计算完整的张量网络。这种策略通常可以带来O(N)的计算成本降低。

影响： 环境重用降低了所有方法的绝对收缩成本，但并未改变它们之间的相对渐近比较。这意味着，影子估计器在环境重用后，仍保持其相对于标准MC方法的缩放优势。对于自旋和费米子系统的哈密顿量期望值，结合环境重用，Pauli影子和Bell采样影子估计器可实现O(1)的总体样本缩放，以达到任意固定的相对误差。

1.3.6 梯度估计器稳定性

在变分优化任务中，梯度估计器的稳定性至关重要。标准蒙特卡洛估计器的能量梯度 g_loc(x) = (E_loc(x) - E) ∂_θ log p_θ(x) 可能具有无界方差，即使参数化态 ∂_θ|ψ(θ)⟩ 的范数有界。这会导致优化过程中的不稳定性。

影子估计器的优势： 本研究表明，所有三种影子估计器都提供了有界方差的梯度。对于Pauli影子，局域可观测物 O_Pauli(x) 的值有界，因此 E_loc(x) 有界。对于彩虹基影子和Bell采样影子，它们都属于对易测量框架，在相互对角化基 |x⟩ 中，Pauli或Majorana可观测物的值简单地为 ±1，同样有界。因此，当 ∂_θ|ψ(θ)⟩ 范数有界时，影子梯度估计器的方差也必然有界。这转化为更稳定的优化过程，尤其对于处理大系统时。

梯度截断： 为了进一步减少梯度估计器的随机噪声，尤其是在处理长程哈密顿量时，可以采用梯度截断策略。通过仅保留距离小于某个截断半径 R_g 的局域梯度项 ∂_θ E_j，可以移除由于远距离项求和导致的非物理方差贡献。虽然这是一种近似，但它对于降低影子估计器的噪声非常有效，并在数值实验中展示了实际的性能提升。

2. 关键 benchmark 体系，计算所得数据，性能数据

为了定量验证理论部分预测的方差缩放比例，本研究选择了两个代表性系统进行数值计算，涵盖了自旋（玻色子）和费米子两种情况。这些基准测试旨在比较影子估计器与标准蒙特卡洛方法在能量和梯度评估方面的性能。

2.1 基准系统

1. 自旋系统：二维长程Heisenberg模型

   • 模型： 具有横向场的二维方形点阵长程Heisenberg模型，采用开放边界条件。 H = -J ∑_⟨i,j⟩ S_i · S_j / r_ij^α - h ∑_i S_i^x
   • 参数： α = 3 (长程相互作用衰减指数), J = h = -1。
   • 特点： 横向场 S_x 项打破了 S_z 对称性，使得简单的自旋翻转Metropolis采样难以探索完整的希尔伯特空间。
   • 张量网络态： 采用键维 D=4 的PEPS张量网络态。

2. 费米子系统：从头算一维氢链

   • 模型： 在最小基组下的一维氢链，键长为1.4 Å。哈密顿量由从头算导出的积分得到（如论文公式3所示）。
   • 特点： 这是一个典型的量子化学问题，包含丰富的两体相互作用。
   • 张量网络态： 采用键维 D=16 的MPS张量网络态。

态的准备： 两个系统中的张量网络态都是通过对初始乘积态 |φ_0⟩ 进行近似虚时演化 e^(-βH)|φ_0⟩ 而获得的。选择了两个代表性的虚时 β = 1 和 β = 5。β = 1 对应的态离哈密顿量本征态较远，而 β = 5 对应的态则更接近本征态。这使得研究者能够直接探究方差如何依赖于输入态与本征态的接近程度。

2.2 评估指标

为了进行公平比较，研究中将总成本表示为 (评估方差) × (每次评估所需的TN收缩次数) × (每次TN收缩的成本)。由于单次收缩成本 C_1 或 C_2 以及 1/ε² （或 1/ε_r²）依赖性对于标准MC和影子方法都是相同的，本研究主要关注“有效方差”：

有效方差 = (评估方差) × (每次评估所需的TN收缩次数)

梯度估计的评估指标类似，定义为所有张量参数分量的梯度方差之和，再乘以每次梯度评估所需的TN收缩次数。所有计算均应用了环境重用策略，其效果已反映在报告结果中（带来O(N)的改进）。

2.3 能量评估的性能数据

图3(a) 展示了长程Heisenberg模型的有效能量方差：

• 标准蒙特卡洛（Standard MC）： 无论 β = 1 还是 β = 5，其有效方差缩放比例都接近 O(N²)。这与理论预测一致，即对于物理态，方差为 O(N)，加上 O(N) 的Markov链混合时间，导致 O(N²) 的总缩放。
• Pauli影子估计器： 无论 β = 1 还是 β = 5，其有效方差缩放比例近似为 O(N)。这相较于标准MC方法实现了 N 倍的改进。值得注意的是，两个Pauli影子曲线几乎完全相同，表明其对态的依赖性较弱，这是影子估计器的一个重要优势。标准MC采样结果显示，β = 5 相比 β = 1 的方差显著降低，这反映了零方差原理（Zero-Variance Principle, ZVP）的效果。

图3(b) 展示了从头算氢链的有效能量方差：

• 标准蒙特卡洛（Standard MC）： 无论 β = 1 还是 β = 5，其有效方差缩放比例近似为 O(N⁴)。这主要是因为哈密顿量中包含 O(N⁴) 个两体项。
• Bell采样影子策略： 无论 β = 1 还是 β = 5，其有效方差缩放比例仅为 ~ O(N)。这相较于标准MC方法实现了 N³ 倍的显著改进。两个态的曲线行为也几乎相同。

总体而言，结合环境重用策略：

• 对于自旋和费米子哈密顿量，影子估计器实现了最优的 O(1) 总复杂度，以达到任意固定的相对蒙特卡洛误差。这与理论预测完全吻合。

2.4 梯度评估的性能数据

图3(c) 展示了长程Heisenberg模型的能量梯度有效方差：

• 未截断的梯度估计：
  • 标准MC梯度估计器：其缩放比例近似为 O(N³)。
  • Pauli影子梯度估计器：其缩放比例接近 O(N²)。
  • 这表明，未经截断的梯度方差比相应的能量方差高一个 N 的幂次。这额外的 N 因子来自对有噪声的远距离局域梯度项的求和，被认为是“非物理的”贡献。
• 应用梯度截断（R_g = 5）：
  • Pauli影子梯度估计器：其有效方差降低到接近 O(N)。这使得梯度方差缩放与能量方差相似。
  • 拟合指数1.23略大于渐近预期值，作者归因于有限的系统尺寸尚未完全达到大 N 状态。

2.5 梯度稳定性分析

图4 展示了16x16长程Heisenberg模型的局部梯度估计器范数 ||g_loc(x)||² 的直方图：

• 标准MC： 归一化后，标准MC估计器展现出更宽的分布，包含更重的“长尾”，即存在稀有的、具有非常大梯度的样本。这会增加优化过程中的不稳定性。
• Pauli影子估计器： 展现出更集中的分布，与第IIB 6节的有界方差稳定性分析一致。这意味着优化过程将更加平滑和可预测。

2.6 变分基态模拟中的性能

图5 展示了在变分基态模拟中，能量收敛随单层收缩次数的变化：

• 小尺寸系统（4x4）： 标准MC方法表现出更快的能量收敛和更低的波动。这符合预期，因为标准方法在接近本征态时受益于ZVP。
• 中等尺寸系统（8x8）： Pauli影子MC与标准MC表现出相似的能量收敛。
• 大尺寸系统（16x16）： Pauli影子已展现出显著更好的能量收敛。当Pauli影子策略与梯度截断方案结合时（距离 R_g = 5 以外的梯度项被忽略），性能进一步提升，收敛到更低的优化能量。这表明，在大系统体制下，梯度噪声的降低超过了截断误差，从而获得了优化的实际状态的真实改进。

结论：

这些数值结果有力地验证了理论预测的缩放优势。影子估计器在处理大规模、长程相互作用系统时，特别是在量子化学和凝聚态物理中，展现出优越的性能和稳定性，证明了其在实际应用中的巨大潜力。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

本研究详细阐述了将量子计算领域的影子断层扫描理念应用于经典张量网络模拟的理论框架和算法，并在数值上验证了其性能优势。然而，论文并未提供任何公开的源代码库链接，也未详细说明具体的代码实现细节或所使用的软件包。因此，以下内容将基于论文描述，提供概念性的实现细节和复现指南，并推测可能涉及的软件包。

3.1 核心算法框架：张量网络蒙特卡洛 (TNMC)

所有提出的影子估计器都建立在张量网络蒙特卡洛 (TNMC) 框架之上，这是一种结合了张量网络态的高效表示能力和蒙特卡洛采样灵活性的方法。TNMC 的核心是：

1. 张量网络态的表示： 使用矩阵乘积态 (MPS) 或投影纠缠对态 (PEPS) 等张量网络形式表示量子态 |ψ⟩。
2. 蒙特卡洛采样： 通过 Metropolis-Hastings 算法从 Born 概率分布 p(x) = |⟨x|ψ⟩|² 中采样计算基组态 |x⟩。

在此基础上，影子估计器引入了特殊的“测量”过程和数据处理，以实现多可观测物的同步评估。

3.2 采样机制：Metropolis-Hastings

对于标准 MC 和影子估计器，采样的第一步都是通过 Metropolis-Hastings 算法来生成样本。其基本流程是：

• 初始配置： 从一个随机的计算基组态 |x⟩ 开始。
• 局域更新： 在每个MCMC步中，选择一个位点 i 并尝试改变其局域态 x_i (例如，自旋翻转)。这将产生一个新的试探性配置 |x'⟩。
• 接受/拒绝： 计算接受概率 A = min(1, p(x')/p(x))，其中 p(x) = |⟨x|ψ⟩|²。生成一个 [0,1] 范围内的随机数 r。如果 r < A，则接受新配置 |x'⟩；否则，保留原配置 |x⟩。
• 张量网络中的 p(x) 计算： p(x) 的计算涉及到张量网络 ⟨x|ψ⟩ 的收缩。对于一维MPS，这是一个简单的链式收缩 A¹(x₁) ... Aᴺ(x_N)。对于高维PEPS，则需要更复杂的近似收缩方法（如边界MPS或CTMRG）。

对于Pauli影子，采样过程略有不同，它采样的是 U†|x⟩ 这样的乘积纯态，然后通过Metropolis-Hastings更新单个量子比特态。这仍然依赖于计算 |⟨φ|ψ_TN⟩|²。

3.3 影子估计器的实现细节

3.3.1 自旋系统：Pauli影子

1. 酉变换选择： 在每次采样迭代中，为每个位点 i 随机选择一个单量子比特的Clifford或Haar随机酉变换 U_i。总的酉变换 U 是这些局域酉变换的乘积 U = ⨂ U_i。
2. 基态采样： 采样一个配置 |x⟩，使得 U†|x⟩ 构成一个乘积纯态。这可以通过Metropolis-Hastings 算法在 U†|x⟩ 的基下进行采样，每次更新一个单量子比特态，使其成为均匀随机稳态（针对Clifford）或Haar随机态（针对Haar）。
3. 可观测物评估： 对于选定的 U 和 |x⟩，以及待估计的Pauli算符 P，计算 E_loc(U, x, P) = (d+1) ⟨ψ_TN|U† P U|ψ_TN⟩ - Tr(P)。由于 U† P U 仍然是Pauli算符（或其线性组合），其与 |ψ_TN⟩ 的期望值可以通过张量网络收缩高效计算。对于 P 是 k 局域的Pauli算符，这通常涉及对 k 个位点处的张量进行局域修改。

3.3.2 费米子系统：彩虹基影子

1. Majorana基转换： 将费米子算符 a_i, a_i† 转换为Majorana算符 γ_{2i-1}, γ_{2i}。
2. 对易家族分组： 将 Majoranabasised k-RDM 算符（2k个Majorana算符的乘积）分组为若干相互对易的集合。例如，对于两体情况，将 γ_{i,p}γ_{j,q} 根据 i+j=r 分组。
3. 测量基定义： 对于每个对易家族，定义一个相应的测量基 |α⟩。这个基组通常是彩虹状的两体 Bell 对态（|bell⟩_ij）和局域占据态的组合。
4. 测量基采样： 使用Metropolis-Hastings算法采样测量基中的配置 |α⟩。每一步更新一个Bell对态。计算接受概率需要计算 |⟨α|ψ_TN⟩|²，这可以通过从中心 r 处收缩MPS高效完成。
5. 可观测物评估： 对于采样到的 |α⟩，评估 ⟨α|O_i|α⟩。由于 O_i 在 |α⟩ 基中是对角的，这会得到 ±1 的简单值。

3.3.3 费米子系统：Bell采样影子

1. 辅助态 σ 的选择： 选择一个辅助态 σ。本研究中，对于量子化学哈密顿量，选择 σ 为Slater行列式，其1-RDM元素具有指数衰减结构，并且 σ 本身可以被表示为低键维张量网络。
2. Bell基采样： 类似于彩虹基影子，采样Bell基配置 |bell⟩。
3. 可观测物评估： 对于采样到的 |bell⟩，估计器为 Ô_μ = f_μ / D_μ^σ，其中 f_μ = ⟨bell|O_μ|bell⟩，D_μ^σ = Tr[O_μ σ]。
   • f_μ：对于Majorana算符，⟨bell|O_μ|bell⟩ 通常为 ±1。
   • D_μ^σ：由于 σ 是Slater行列式，Tr[O_μ σ] 的计算可通过Wick定理高效完成。对于 σ 表示为张量网络的情况，这涉及张量网络收缩。

3.4 环境重用机制

环境重用是提高张量网络计算效率的关键技巧，它对所有提出的方法都至关重要：

1. 左右环境构建： 在MPS中，对于任何位点 i，可以计算其左环境 L_i(x) = ⟨x_{<i}|ψ_L⟩ 和右环境 R_i(x) = ⟨x_{>i}|ψ_R⟩。这些环境表示了张量网络中 i 位点左侧和右侧的所有收缩。
2. 局域更新加速： 在Metropolis-Hastings采样过程中，当更新位点 i 的态 x_i 时，只需重新计算 L_i(x) A_i(x_i) R_i(x)，而无需重新收缩整个链条。这大大降低了每次试探性更新的成本。
3. 多可观测物评估： 对于涉及不同局域可观测物（例如哈密顿量中的不同项）的评估，可以重用已构建的环境，从而避免重复计算。

通过环境重用，每次MC采样或梯度评估所需的张量网络收缩成本可降低 O(N)。这虽然不改变影子方法相对于标准MC的渐近优势（即 N 的幂次差异），但显著降低了总体的计算常数因子。

3.5 梯度计算和截断

为了在变分优化中计算能量梯度 ∂_θ E：

1. 局域能量项分解： 梯度被分解为一系列局域能量项的贡献 ∂_θ E = ∑_j ∂_θ E_j。
2. 梯度估计器： 每个局域项 ∂_θ E_j 的估计器形式为 ⟨E_loc(x) - E⟩ ∂_θ log p_θ(x)。
3. 有界方差： 影子估计器确保 E_loc(x) 有界，结合 ∂_θ log p_θ(x) 的特性，使得梯度估计器的方差有界，从而提供更稳定的优化。
4. 梯度截断： 对于长程哈密顿量，为了去除远距离 (i,j) 对在梯度求和中引入的非物理方差，可以对梯度项进行截断。只考虑距离小于 R_g 的 (i,j) 对的贡献。

3.6 所用的软件包及开源 repo link

正如前文所述，论文中并未提及具体的代码实现所使用的软件包，也未提供任何公开的源代码库链接。 这对于希望复现或基于此工作进行开发的社区来说是一个明显的局限。

然而，我们可以推测其实现可能依赖于以下通用工具和库：

• 张量网络库： Python 生态系统中有多种成熟的张量网络库，如 TeNPy (Tensor Network Python, 专注于MPS/MPO)、ITensor (Julia/C++, 强大且通用)、Quimb (Python, 通用张量网络库)、TensorNetwork (Google 的 Python 库)。论文中提到MPS和PEPS，因此可能使用了这些库中的一种。
• 数值计算库： NumPy 和 SciPy (Python) 是进行线性代数、数组操作和科学计算的标准库，在任何蒙特卡洛模拟和张量操作中都会被广泛使用。
• 量子化学库： 对于从头算氢链的基准测试，可能使用了 PySCF 或 OpenFermion 等量子化学库来生成哈密顿量积分或处理费米子系统。
• 优化器： 论文中提到了 Adam 优化器，这通常可以在 TensorFlow, PyTorch 或 JAX 等深度学习框架中找到。这些框架也常用于实现自动微分，这对于计算梯度至关重要。

复现指南（概念性总结）：

1. 选择张量网络库： 基于所选的张量网络类型（MPS或PEPS）和系统维度，选择一个合适的张量网络库。
2. 张量网络态构建： 实现 e^(-βH)|φ_0⟩ 的虚时演化过程，以生成变分态。这涉及将哈密顿量表示为MPO或PEPO，并应用时间演化算符。
3. Metropolis-Hastings采样器： 实现一个高效的Metropolis-Hastings采样器。
   • p(x) 或 |⟨φ|ψ_TN⟩|² 的计算需要张量网络收缩。
   • 实现局域更新机制（如自旋翻转、Bell对变换）。
   • 集成环境重用以加速 p_new/p_old 的计算。
4. 影子估计器模块： 根据系统类型实现相应的影子估计器。
   • Pauli影子： 生成随机局域酉变换，实现 U† P U 的计算和与 |ψ_TN⟩ 的收缩逻辑。
   • 彩虹基影子/Bell采样影子： 实现Majorana基转换、对易家族分组、Bell基采样和 Tr[O_μ σ] 的计算逻辑（如果使用Slater行列式辅助态，则集成Wick定理）。
5. 梯度计算模块： 实现对数导数 ∂_θ log p_θ(x) 的计算，并与影子估计器的局域能量 E_loc(x) 结合。实现梯度截断功能。
6. 优化循环： 使用Adam等优化器，迭代更新张量网络参数以最小化能量。

由于缺乏具体的代码细节和公开库，复现此工作需要对张量网络算法、蒙特卡洛方法和量子信息中的影子断层扫描概念有深入的理解。

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

本研究巧妙地融合了量子信息和凝聚态物理的先进理念，因此其关键引用文献横跨了多个领域，共同构成了这项工作的理论基石和技术支撑。以下是论文中一些我认为最为关键的引用文献及其在本文中的作用：

1. 影子断层扫描的开创性工作：

   • [28] H.-Y. Huang, R. Kueng, and J. Preskill, Predicting many properties of a quantum system from very few measurements, Nature Physics 16, 1050 (2020). 这是经典影子断层扫描方法的开创性工作，提出了利用随机化测量从少量样本中预测量子系统多项性质的通用框架。本研究的核心思想正是将这一方法适配到经典张量网络模拟中。
   • [25] S. Aaronson, Shadow tomography of quantum states, SIAM Journal on Computing 49, STOC18 (2020). Aaronson的这篇工作奠定了影子断层扫描的理论基础，证明了其在估计多个线性可观测物方面的指数级效率优势。它是理解影子断层扫描背后数学原理的关键。

2. 费米子影子断层扫描：

   • [31] A. Zhao, N. C. Rubin, and A. Miyake, Fermionic partial tomography via classical shadows, Phys. Rev. Lett. 127, 110504 (2021). 这项工作专门针对费米子系统，提出了将经典影子方法扩展到费米子态偏断层扫描的方案，解决了Jordan-Wigner变换带来的非局域性挑战。它直接启发了本文中费米子系统影子策略的设计。
   • [32] K. Wan, W. J. Huggins, J. Lee, and R. Babbush, Matchgate shadows for fermionic quantum simulation, Communications in Mathematical Physics 404, 629 (2023). Matchgate影子是另一种处理费米子系统的方法，进一步探索了在经典模拟中进行费米子影子断层扫描的可行性。这为理解费米子影子方法的多样性提供了背景。

3. 张量网络方法综述：

   • [1] J. I. Cirac et al., Matrix product states and projected entangled pair states: Concepts, symmetries, theorems, Rev. Mod. Phys. 93, 045003 (2021). 这篇RMP综述提供了张量网络，特别是MPS和PEPS的全面概述，包括其基本概念、对称性、定理和在量子多体物理中的应用。它是理解本文所依赖的张量网络基础的必要背景。
   • [2] R. Orús, A practical introduction to tensor networks: Matrix product states and projected entangled pair states, Annals of Physics 349, 117 (2014). Orús的教程为张量网络提供了更实用的介绍，对于理解MPS和PEPS的构造和计算细节至关重要，特别是它们在张量网络蒙特卡洛框架下的收缩。

4. 变分蒙特卡洛（VMC）方法：

   • [45] F. Becca and S. Sorella, Quantum Monte Carlo approaches for correlated systems (Cambridge University Press, 2017). 这本书提供了量子蒙特卡洛方法的全面背景，特别是VMC，这是本文中所有估计器所处的计算框架。理解VMC的优缺点（如零方差原理）对于评估本文方法的性能至关重要。

5. 梯度稳定性和优化：

   • [52] R. Assaraf and M. Caffarel, Zero-variance principle for monte carlo algorithms, Phys. Rev. Lett. 83, 4682 (1999). 这篇工作介绍了蒙特卡洛算法中的零方差原理，该原理指出在精确基态下，哈密顿量期望值的方差可以为零。本文讨论了影子估计器不具备ZVP，但通过有界方差梯度提高了稳定性，因此理解ZVP对VMC的影响是关键。

这些文献共同为本研究提供了坚实的理论和方法论基础，使其能够在一个具有挑战性的领域中取得突破性进展。

4.2 对这项工作局限性的评论

尽管本研究在提升经典张量网络模拟的可观测物评估效率方面取得了显著进展，但如同所有科学研究一样，它也存在一些局限性，值得进一步探讨：

1. 渐近缩放与实际常数因子： 论文主要关注渐近缩放（例如 O(N) 或 O(1)），并声称忽略了对数因子（如 log N 或 polylog N）。然而，在实际应用中，常数因子可能非常大，尤其是在复杂系统或当所假设的“局域性”条件（例如MCMC中O(1)接受率、快速衰减关联）并非完美满足时。这些常数因子可能会严重影响方法在中小系统上的实际表现，甚至可能使渐近优势只在大N系统上显现。

2. Bell采样中辅助态 σ 的选择： 对于费米子系统的Bell采样影子，辅助态 σ 的选择对其性能至关重要。论文中提出选择一个Slater行列式作为 σ，并讨论了其具备指数衰减结构。然而，对于更复杂的哈密顿量或更一般的量子态，如何系统地选择或优化 σ 仍然是一个开放问题，这可能需要额外的研究和计算成本，且其选择并非总是显而易见的。

3. 零方差原理的缺失： 影子估计器不像标准VMC那样，在接近本征态时不能利用零方差原理。虽然论文强调了影子梯度估计器提供了有界方差，从而改善了优化稳定性，但能量期望值本身的方差在非常接近基态时可能不如标准VMC低。这可能影响到最终收敛的精度或收敛所需的计算资源。

4. 推广到更高维度和更复杂TN： 论文主要讨论了MPS和二维PEPS的应用，但其细节主要针对MPS。将这些方法扩展到其他更复杂的张量网络结构（如MERA、TTN）或具有复杂几何形状的高维PEPS，可能会引入新的采样和收缩挑战。O(1)的MCMC接受率假设可能不适用于任意张量网络几何或长程关联强的系统。

5. 缺乏公开代码： 论文未提供任何公开的源代码库链接或详细的实现指南。这阻碍了社区立即复现其结果，并难以被更广泛地采用和进一步开发。对于一项旨在提供“实用优势”的算法工作，缺乏可访问的实现代码是其普及的主要障碍。

6. 梯度截断的近似性质： 梯度截断是一种有效的降噪策略，特别适用于影子估计器。然而，它本质上是对精确梯度的一种近似。虽然论文指出在远距离项贡献指数衰减的情况下，这种近似是合理的，但其对最终优化结果的影响（例如引入偏置或影响收敛到精确基态的能力）需要更深入的分析。

7. 特定于变分蒙特卡洛框架： 本文的改进主要在变分蒙特卡洛框架下进行。其对其他张量网络算法（例如基于精确收缩的DMRG、特定的时间演化方法）的适用性可能有所不同，需要进一步探索。

8. “量子启发"的计算成本： 尽管将量子信息概念引入经典计算带来了优势，但实现这些“量子启发”方法本身可能也伴随着额外的计算开销。例如，为Pauli影子生成随机酉变换，或为Bell采样影子构建辅助态，都可能需要额外的计算资源。

这些局限性并非否定了本工作的价值，反而为未来的研究指明了方向，例如优化算法的常数因子、开发更通用的辅助态选择策略、以及将这些方法推广到更广泛的张量网络和物理系统中。

5. 其他你认为必要的补充

5.1 跨学科影响与量子-经典协同

本研究最引人注目的一点在于其跨学科的深刻影响。它成功地将量子信息科学领域（特别是量子断层扫描）中发展出的强大思想，巧妙地移植并适配到了经典多体物理和量子化学模拟所依赖的张量网络算法中。这不仅为经典算法带来了显著的性能提升，也印证了量子信息理论的普适性和启发性。

传统上，量子计算与经典计算被视为相互独立的领域，甚至存在竞争关系。然而，本研究清晰地展示了，通过从量子理论中汲取灵感，我们可以在经典计算机上开发出性能卓越的“量子启发式”算法。这种“量子-经典协同”的模式，预示着未来计算物理和化学领域的新范式，即不再局限于将问题完全推向量子计算机，而是积极探索如何利用量子洞察力来优化现有经典算法。这为量子计算和经典计算之间的接口提供了新的连接点，拓宽了我们解决复杂科学问题的工具箱。

5.2 对量子化学的深远意义

量子化学长期以来面临着“电子结构问题”的巨大挑战，尤其是在处理强关联体系时。哈密顿量的期望值计算是量子化学的核心任务，而其通常包含 O(N⁴) 个两体项（在自旋轨道基下）。传统方法在计算这些期望值时，计算成本往往与项数线性相关，导致 O(N⁴) 的缩放，这是计算化学中的一个主要瓶颈。

本研究提出的Bell采样影子方法，能够将从头算氢链这类费米子系统的哈密顿量评估成本从 O(N⁴) 显著降低到 O(N)（考虑环境重用后，总样本复杂度为O(1)）。这种 N³ 倍的渐近缩放改进，对于处理实际分子或材料体系具有革命性的潜力。它意味着，过去需要指数级或极高多项式成本才能处理的大分子体系，现在有望在可接受的时间内进行模拟。

此外，约化密度矩阵（RDMs）在量子化学中也具有核心地位，它们包含了所有可观测物的期望值信息。高效评估k-RDMs（特别是两体RDM）是准确计算分子性质、预测化学反应性和理解键合性质的关键。影子估计器在k-RDM评估上的显著加速，将使我们能够更高效、更全面地获取这些基本信息。

最后，梯度稳定性的改进对于量子化学中的变分优化尤其重要。在寻找基态或优化分子结构时，VMC模拟中的不稳定的梯度常常导致收敛困难或效率低下。有界方差梯度能够提供更平滑、更可靠的优化路径，从而加速收敛并提高获得高质量解的概率。

5.3 对凝聚态物理的深远意义

在凝聚态物理中，长程相互作用模型（如长程Heisenberg模型）广泛存在于磁性材料、拓扑态和里德堡原子阵列等系统中。这些模型的哈密顿量通常也包含大量非局域的相互作用项。传统方法在评估这些哈密顿量期望值时同样面临计算挑战。

本研究针对长程Heisenberg模型的Pauli影子方法，将能量方差从 O(N²) 降低到 O(N)，并且在结合环境重用后，实现了 O(1) 的总样本复杂度。这种改进使得对更大规模的长程相互作用系统进行模拟成为可能，从而能够更深入地理解这些复杂系统的基态性质、相变和临界现象。

与量子化学类似，梯度稳定性的提高也对凝聚态物理中的变分优化任务（如寻找自旋液体或拓扑相的基态）具有重要意义。在张量网络模拟中，高效且稳定的优化是探索复杂相图的关键。影子估计器提供的有界方差梯度可以显著改善优化过程的效率和可靠性。

5.4 变分优化中的实用优势

虽然标准VMC在理论上通过零方差原理在精确基态处具有优势，但在实际的变分优化过程中，尤其是远离基态的区域，影子估计器的优势更为明显。

1. 更强的系统尺寸可扩展性： 数值结果表明，在小系统上标准MC可能收敛更快，但随着系统尺寸的增加，Pauli影子（特别是结合梯度截断）的优势变得越来越明显。在大尺寸（16x16）Heisenberg模型中，影子方法展现出显著更好的能量收敛。
2. 优化路径的平滑性： 梯度直方图（图4）清晰地显示，影子估计器生成的梯度分布更集中，尾部更轻，这意味着它能提供更平滑、噪声更小的优化景观。这种平滑性有助于优化器更有效地探索参数空间，避免被大的、稀有梯度样本误导，从而实现更稳定的收敛。
3. 对噪声的鲁棒性： 影子估计器在处理噪声方面可能比标准MC更具鲁棒性，因为其有界方差梯度天生对异常值不那么敏感。这对于实际的张量网络模拟和未来的量子硬件（VQE）都非常重要。

这些实用优势共同使得影子估计器成为大规模张量网络变分模拟中，一个比传统蒙特卡洛方法更具吸引力的选择。

5.5 未来研究方向

本研究为经典张量网络模拟开辟了新的道路，也为未来的研究提出了多个有趣的方向：

1. 辅助态 σ 的系统性优化： 针对Bell采样影子，如何针对不同类型的哈密顿量或量子态，系统地、自适应地选择或优化辅助态 σ，是一个重要的研究方向。例如，可以探索基于机器学习的方法来发现最佳 σ。
2. 推广到更复杂的张量网络和系统： 将这些影子估计器推广到任意拓扑结构的张量网络（如MERA、TTN）以及更高维度的PEPS，并研究在这些复杂框架下的采样效率和环境重用策略。此外，探索其在多轨道量子化学、激发态模拟、有限温度研究中的应用。
3. 与自适应键维方法的结合： 当前的张量网络模拟通常涉及固定键维。将影子估计器与自适应键维（如ADMRG）相结合，可以进一步提高模拟效率和灵活性。
4. 探索新的测量策略： 除了Pauli基、彩虹基和Bell基，是否还有其他适合经典张量网络实现的高效“量子测量”策略？例如，基于纠缠熵或其他量子信息度量的测量。
5. 常数因子和交叉点的详细分析： 尽管渐近缩放已经确定，但实际应用中常数因子的重要性不容忽视。对各种系统尺寸、键维和关联长度下，影子方法与传统方法的性能交叉点进行详细分析，将有助于指导实际应用中的方法选择。
6. 开发开源库： 为了促进社区的广泛采用和进一步开发，将本文提出的算法实现为易于使用的开源软件库至关重要。这将使更多的研究人员能够利用这些先进技术。

通过解决这些挑战，影子断层扫描方法有望在更广泛的科学领域中发挥其全部潜力，推动经典张量网络模拟达到新的高度。