来源论文: https://arxiv.org/abs/2606.14613v1 生成时间: Jun 15, 2026 08:44

张量网络流形的黎曼基本定理：强关联多体态变分优化的几何新范式

0. 执行摘要

强关联多体系统的高效模拟是量子化学、材料科学和凝聚态物理中的核心挑战。传统的全组态相互作用（FCI）方法由于希尔伯特空间维度的指数爆炸而难以为继。张量网络（Tensor Networks, TNs），如一维的矩阵乘积态（Matrix Product States, MPS）和二维的投影纠缠配对态（Projected Entangled Pair States, PEPS），通过遵循纠缠熵的“面积普适律”（Area Law），提供了一种低秩分解的局部紧凑参数化表示，将高维计算复杂度降低到多项式级别。

然而，张量网络伴随着一个固有的物理特性——规范自由度（Gauge Freedom）。即：在张量网络的内部收缩边上引入互逆的线性变换，不会改变全局物理态。这种多对一的映射关系给能量最小化、态重建和激发态计算带来了巨大的数值不稳定性和优化冗余。这会导致优化算法陷入人造的“平坦区域”或遭遇严重的 barren plateaus 问题。

本文深入解析 Pablo Páez Velasco 的最新工作《Tensor network manifolds and Riemannian fundamental theorem for tensor networks》。该工作通过引入现代黎曼几何的先进工具，系统性地证明了多类张量网络流形在其规范群作用下均能诱导一个黎曼浸入（Riemannian Submersion）。通过将规范冗余精确地“商去”（quotient out），将原本存在冗余的参数空间转化为性质优良的黎曼商流形（Quotient Manifold）。这一成果确立了张量网络的黎曼基本定理（Riemannian Fundamental Theorem），为量子化学中基于强关联体系的变分张量网络计算（如 MPS-DMRG 变分优化、VQE 变分量子电路优化和 PEPS 能量最小化）提供了严格的几何完备性与高效率的项目投影收敛保证。

1. 核心科学问题、理论基础、技术难点与方法细节

1.1 核心科学问题：参数冗余与物理态的唯一映射

在量子化学中，分子的电子结构往往展现出强关联特征（例如过渡金属催化剂、键断裂过程、多自由度过渡态）。传统的密度泛函理论（DFT）在此类体系中经常失效，而张量网络方法（特别是基于 MPS 的密度矩阵重整化群 DMRG 算法）成为了处理活性空间（Active Space, 如 CASSCF）的首选手段。

然而，当我们利用变分原理在张量网络流形上寻找哈密顿量 $\hat{H}$ 的基态时，我们实际上是在如下参数流形上进行寻优：

其中 $\mathcal{A}_v$ 是局域张量的参数空间。然而，两个不同的参数点 $x, y \in M$ 可能会表示完全相同的物理量子态 $\text{TN}_x = \text{TN}_y$。这种不唯一性（即规范自由度）通常是由沿着张量网络边的群作用导致的，例如：

在优化过程中，若不约束这些规范自由度，参数更新可能会沿着“规范轨道”做无用功，导致黎曼梯度下降或共轭梯度算法的黑塞矩阵（Hessian）退化，进而使得收敛速度极慢。因此，如何将物理规范变换定义为黎曼流形上的平滑、自由且等距的群作用，从而构造出没有冗余的商流形，是量子多体科学与几何数值计算交叉领域的重大核心科学问题。

1.2 理论基础：黎曼浸入与 Lie 群商流形

为了消除上述几何冗余，该工作建立在现代黎曼几何（Riemannian Geometry）的数学大厦之上。其最核心的基石是黎曼浸入（Riemannian Submersion）与等距作用（Isometric Action）。

黎曼浸入定义

设 $(M, g)$ 和 $(B, h)$ 是两个黎曼流形。一个平滑满射 $\pi: M \to B$ 称为浸入（Submersion），如果对于任意 $p \in M$，其微分算子 $d\pi|_p: T_pM \to T_{\pi(p)}B$ 是满射。

如果进一步满足以下条件，则 $\pi$ 称为黎曼浸入：对于每个 $p \in M$，$d\pi|_p$ 限制在水平切空间（Horizontal Tangent Space） $H_pM$ 上时，是 $H_pM$ 与 $T_{\pi(p)}B$ 之间的等距同构（Isometry）。

这里，切空间 $T_pM$ 可以正交直和分解为两部分：

• 垂直空间（Vertical Space） $V_pM = \ker(d\pi|_p)$：切空间中切于规范轨道的方向（即改变参数但不改变物理态的方向）。
• 水平空间（Horizontal Space） $H_pM = (V_pM)^\perp$：与轨道垂直的方向，代表真正改变物理量子态的有效参数方向。

群作用与商空间

若一个致密 Lie 群 $G$ 变分光滑、自由（free）、且等距（isometric）地作用在 $(M,g)$ 上，则商空间（轨域空间） $B = M/G$ 具备唯一的平滑流形结构，且投影映射 $\pi: M \to M/G$ 刚好是一个黎曼浸入。这便是构建无规范冗余优化的终极代数物理路径。

          M (原始参数空间, 带规范冗余) 
         / \
        /   \  d\pi|_p (限制在水平空间 H_pM 上为等距映射)
       /     \
  V_pM        H_pM (真正的物理状态改变方向)
  (规范轨道)   \
     |         v
     +-------> B = M/G (物理态商流形, 无冗余)

1.3 技术难点：多维张量网络拓扑与等距约束

在一维情形下（如一维量子电路、简单 MPS），规范自由度相对直观。然而，一旦涉及强关联二维电子体系（如二维 sequentially generated PEPS 或带有等距约束的 Isometric PEPS），技术难点呈现几何级数增长：

1. 非局域纠缠传播：二维网络中，一个局部张量的微小规范变换会通过环路（loops）非局域地传播，导致规范群作用不再是简单的局部张量乘积。
2. 自由性（Freeness）证明：若群作用不是自由的（即存在某些非平凡的稳定子群），商空间 $M/G$ 将会产生奇点，退化为奇异的“分层轨形（stratified orbifold）”，无法应用标准的黎曼流形梯度算法。
3. 度规相容性：不同局域张量所处流形（如球面 $S^{2d^2-1}$、Stiefel 流形 $V_k(\mathbb{C}^n)$ 或酉群 $U(n)$）拥有不同度规（例如圆度规 $g_{\text{round}}$、双不变度规 $g_{\text{bi}}$、Stiefel 度规 $g_{\text{st}}$）。证明规范群作用在这类混合流形的乘积度规下依旧保持等距，是极其复杂的过程。

1.4 方法细节：五大类典型张量网络流形的几何解析

该工作针对以下五类极其核心的张量网络家族展开了严格的流形构建与几何证明：

A. 一维固定输入的深度为2的变分量子电路 (Depth-two 1D circuits with a fixed input)

此类电路参数空间可看作分子变分量子本征求解器（VQE）的拟设（Ansatz）。

• 参数流形： $$M_{1\text{Df}} = (S^{2d^2-1})^{ imes k} \times U(d^2)^{ imes k-1}$$ 底层由态矢量（球面）构成，顶层由双量子位酉门构成。
• 规范群作用：由于输入态固定，底层状态可以通过施加局部酉算子 $X_j \in U(d)$ 变换，只要该变换被顶层酉门的逆 $X_j^\dagger$ 抵消。定义规范群： $$G = U(d)^{\times 2(k-1)}$$ 该工作证明了群作用 $\alpha_1$ 是光滑、自由且等距的，从而确立了商空间 $B_{1\text{Df}} = M_{1\text{Df}}/G$ 的黎曼流形结构。

B. 一维无固定输入的深度为2的变分量子电路 (Depth-two 1D circuits with no fixed input)

此处电路的门直接作用在任意量子态上，常用于量子通道或酉算子近似。

• 参数流形： $$M_{1\text{D}} = U(d^2)^{ imes 2k-1}$$
• 规范群作用：同样由相邻层之间的酉矩阵插入引起，规范群作用 $\beta_1$ 作用于两个酉门层。通过将酉群投影化，得到在射影酉群 $PU(d)$ 上的平滑等距作用，保证了商流形 $B_{1\text{D}}$ 的存在性。

C. 矩阵乘积态 (Matrix Product States, MPS)

量子化学强关联最成功的拟设，具有开边界条件。为了便于几何化，将其边界腿提升为物理腿，并在标准形式下构建。

• 参数流形： $$M_{ ext{mps}} = S^{2D^2-1} \times V_D(\mathbb{C}^{dD})^{ imes k}$$ 其中 $V_D(\mathbb{C}^{dD})$ 表示复 Stiefel 流形（保证局域张量满足等距条件 $U_i^\dagger U_i = \mathbb{I}_D$）。
• 规范群作用：由于等距条件，其内部边上的规范变换被限制为酉矩阵 $X_j \in U(D)$。该工作完美构建了 $G = U(D)^{\times k}$ 的群作用 $\delta_1$，其在乘积度规下具有等距性，且在满秩条件下是自由的，直接退出了经典的商空间 $B_{ ext{mps}}$。

D. 二维时序生成态 (Two-dimensional sequentially generated states, SG-PEPS)

一类在物理上可通过一维多体系统随时间演化，或利用辅助量子比特在一维晶格上依次滑动制备的实用 2D PEPS 子类。

• 参数流形：由底层的一维 MPS（球面与 Stiefel 乘积）与作用于列上的酉算子叠放构成： $$M_{ ext{seq}} = (S^{2D^2-1})^{\times n} \times V_D(\mathbb{C}^{dD})^{\times nk} \times U(D^2)^{\times n-1} \times U(d^2)^{\times k(n-1)}$$
• 规范几何化：这是最难处理的部分之一。通过定义巧妙的局部酉变换组合 $X \in PU(D)^{2(n-1)+kn} \times PU(d)^{2k(n-1)}$，作者将其动作约束为对 MPS 每一行内部和相邻列 unitary 之间的规范传递。文章证明了这一复杂的非局域作用能在商化后诱导一个平滑的黎曼商流形 $B_{ ext{seq}}$。

E. 等距 PEPS (Isometric PEPS, isoPEPS)

为克服通用 PEPS 计算复杂度高而提出的具有良好重整化群性质的等距张量网络。其在二维平面上存在一个“等距中心”，所有物理腿与辅助腿的张量都满足特定的单向等距投影关系（即正交条件）。

• 参数流形：由不同拓扑维度的 Stiefel 流形、球面及酉群的笛卡尔积构成： $$M_{\text{iso}} = S^{2D^4-1} \times V_D(\mathbb{C}^{D^3})^{\times 2L-3} \times V_{D^2}(\mathbb{C}^{dD^2})^{\times(L-2)^2} \times \dots$$
• 几何浸入定理：通过自底向上的归纳法证明，通过将规范群限制为局部物理/辅助酉群的直积，isoPEPS 流形具有优美的、无红余的物理状态映射 $B_{\text{iso}} = M_{\text{iso}} / G$。

2. 关键 Benchmark 体系、数学证明与性能数据分析

由于该工作属于纯理论数学物理与微分几何的突破性进展，其“Benchmark”体系并非传统的化学分子能量误差对比，而是针对上述五大张量网络体系，通过严谨的微分拓扑手段，证明了规范等距轨道的自由性、光滑性，并提供在开稠密子集（Open and Dense Subset）上的唯一态映射定理。

2.1 关键数学定理：黎曼基本定理的构建

以 Theorem 1.18 (Riemannian fundamental theorem) 为核心，论文给出了一套放之四海而皆准的几何对应关系。对任意上述张量网络流形 $M$（无论是 1D 量子电路、MPS 还是复杂 2D PEPS），均存在一个全局黎曼度规 $g$，使得其商流形 $(B, h)$ 与物理张量映射 $\text{TN}_x$ 之间满足：

在物理上，这意味着：在忽略全局不可观测相位 $U(1)$ 的情况下，商流形上的每一个点 $[x]_B$ 与物理希尔伯特空间中的多体量子态（或酉算子）具有一一对应（双射）的关系。

2.2 核心几何论证：自底向上的迹收缩与纯化唯一性（以 MPS 为例）

如何严格证明物理上的规范变换等价于几何商？该工作的核心证明策略是利用半正定矩阵的唯一纯化定理（Purification Uniqueness, Lemma 6.3）结合自底向上的局部迹偏迹收缩（Partial Trace Contractions）。

以 MPS (Theorem 6.2) 的证明为例：

1. 两态等价前提：假设存在两个长度为 $k$ 的 MPS，参数分别为 $x = (\Lambda, U_1, \dots, U_n)$ 和 $y = (\Sigma, V_1, \dots, V_n)$，它们表示相同的物理态： $$|U\rangle = e^{i\theta} |V\rangle$$
2. 单格点简化：在最底端的格点施加偏迹（Partial Trace），将所有的物理腿收缩。由于等距性质（Isometry）： $$U_i^\dagger U_i = \mathbb{I}$$ 其偏迹结果化简为关于边界张量 $\Lambda$ 与 $\Sigma$ 的等式： $$\Lambda^\dagger \Lambda = \Sigma^\dagger \Sigma$$
3. 酉算子插入：根据 Schmidt 分解和纯化唯一性，必然存在一个局域的酉算子 $X_1 \in U(D)$ 使得： $$\Lambda \propto \Sigma X_1$$
4. 强关联链式推导：将该等式带回原 MPS 表达式，并利用逆算子逐步往上传递（由于文章假设了张量是满秩的，此步骤在大分子的开稠密空间中恒成立）。最终证明对于任意格点 $j$，都存在唯一的 $X_j$ 满足： $$V_j \propto (1 \otimes X_{j}) U_j (X_{j-1}^\dagger \otimes 1)$$ 这完全吻合规范轨道的代数定义！这极为优美地将一个物理代数问题转化为了几何上的光滑轨道分布。

2.3 黎曼商流形优化与传统优化方法的性能对比理论分析

为了展示这一理论对量子化学实际计算带来的颠覆性性能提升，我们可以对以下三种流形优化机制进行理论性能与收敛性对比分析：

1. 无约束平坦参数空间优化（Flat Parameter Space Optimization）：将张量视为普通高维数组，不施加任何流形约束（例如简单的梯度下降、非线性共轭梯度法）。
2. 带标准流形约束但无商化优化（Standard Manifold without Quotienting）：施加了正交、等距约束（如 Stiefel 或 Unitary 约束），但未对规范自由度进行商化（在参数冗余流形上进行寻优）。
3. 黎曼商流形优化（Riemannian Quotient Manifold Optimization）：基于本文的黎曼基本定理，计算真正的物理水平梯度，完全在无冗余的商流形上寻优。

理论对比指标表

3. 代码实现细节、复现指南与开源链接

对于量子化学与凝聚态物理的软件开发者，要复现和应用本论文提出的“黎曼基本定理”，最核心的任务是构建水平空间投影算子（Horizontal Projection Operator）与黎曼收回映射（Riemannian Retraction）。

3.1 核心算法步骤：如何在代码中“商去”规范自由度？

在基于流形优化的代码实现中，我们需要按如下步骤将欧氏梯度（Euclidean Gradient）转化为商流形上的黎曼梯度：

1. 计算欧氏梯度 $\nabla f(x)$：在环境空间（如矩阵空间 $\mathbb{C}^{n \times m}$）中通过自动微分（如 JAX, PyTorch）计算能量对张量参数的导数。
2. 投影到切空间（Tangent Space Projection）： $$P_x(\nabla f(x)) \in T_xM$$ 例如对于 Stiefel 流形 $V_k(\mathbb{C}^n)$，其投影公式为： $$P_x(Z) = Z - X \text{sym}(X^\dagger Z)$$ 其中 $\text{sym}(A) = \frac{1}{2}(A + A^\dagger)$。
3. 水平投影（Horizontal Projection）：这是最关键的一步。为了消除规范冗余，我们必须扣除切向量中切于规范轨道的垂直分量 $V_xM$： $$\text{Grad}_{\text{Riemannian}} f([x]_B) = P_x^{\text{Horiz}}(\text{Grad}_{M} f(x))$$ 这通常需要求解一个与规范群李代数（Lie Algebra）相对应的西尔维斯特方程（Sylvester Equation）或李雅普诺夫方程（Lyapunov Equation）。例如对于一维电路的相邻层规范，需要解如下方程： $$\Omega X_{j} - X_{j} \Omega^\dagger = \Delta_j$$ 求解出的 $\Omega$ 即为垂直切空间方向，将其从总切向量中减去，即得水平切向量。
4. 黎曼收回（Riemannian Retraction）：沿黎曼梯度方向前进后，参数点会脱离流形，必须通过一个光滑映射 $R_x: H_xM o M$ 将其拉回。对于 Stiefel 流形或酉群，最常用的 Retraction 是奇异值分解（SVD）或 QR 分解： $$R_X(\xi) = \text{qf}(X + \xi)$$ 其中 $\text{qf}(A)$ 表示矩阵 $A$ 的 QR 分解中的正交 Q 矩阵。

  Step 1: 计算欧氏梯度 ──> Step 2: 投影到切空间 T_xM
                                         │
  Step 4: 黎曼收回 区域 <── Step 3: 水平投影 (减去垂直规范方向)
  (正交化/SVD投影)

3.2 Python (Pymanopt) 伪代码实现复现指引

以下是一个利用 Python 黎曼优化库 Pymanopt 实现一维 Matrix Product States (MPS) 能量在商流形上优化的复现框架：

import numpy as np
import autograd.numpy as anp
from pymanopt import Problem
from pymanopt.manifolds import Stiefel, Sphere, Product
from pymanopt.optimizers import ConjugateGradient

# 1. 定义张量网络的维度
physical_dim = 2  # 物理指数 d (如自旋 1/2)
bond_dim = 10     # 键维度 D (虚指数)
num_sites = 4     # 格点数

# 2. 构建 MPS 的原始参数流形 M_mps
# 头尾张量是球面 (向量)，中间张量是 Stiefel 流形
manifolds_list = []
for i in range(num_sites):
    if i == 0 or i == num_sites - 1:
        # 边界参数化为球面 S^{2D^2-1}
        manifolds_list.append(Sphere(bond_dim ** 2))
    else:
        # 内部张量参数化为 Stiefel 流形 V_D(C^{dD})
        manifolds_list.append(Stiefel(physical_dim * bond_dim, bond_dim))

ambient_manifold = Product(manifolds_list)

# 3. 定义强关联哈密顿量 (如一维海森堡模型 H = ∑ S_i ⋅ S_{i+1})
def construct_heisenberg_hamiltonian():
    # 此处省略哈密顿量矩阵的具体数值构建...
    return np.eye((physical_dim**num_sites))

H = construct_heisenberg_hamiltonian()

# 4. 定义目标能量函数 E(x) = <TN_x | H | TN_x> / <TN_x | TN_x>
def energy_cost_function(mps_parameters):
    # 1) 解包参数，将向量和正交矩阵还原为 MPS 张量
    # 2) 收缩张量网络，构建全局多体波函数 |Psi(x)>
    # 3) 计算期望值
    # 这里使用 autograd.numpy 保证自动微分的兼容性
    global_wavefunction = contract_mps_tensor_network(mps_parameters)
    numerator = anp.dot(global_wavefunction.conj().T, anp.dot(H, global_wavefunction))
    denominator = anp.dot(global_wavefunction.conj().T, global_wavefunction)
    return numerator / denominator

def contract_mps_tensor_network(params):
    # 模拟 MPS 收缩过程 (具体收缩闭包逻辑)
    # 物理细节见论文 6.1 节
    pass

# 5. 定义黎曼商流形问题
# 注：在 Pymanopt 中，可以通过自定义 Manifold 类并重写 'projection' 函数来“商去”规范自由度
class MPSQuotientManifold(Product):
    def __init__(self, manifolds):
        super().__init__(manifolds)
        
    def projection(self, x, u):
        # 1) 调用标准切空间投影
        projected_u = super().projection(x, u)
        # 2) 实施该论文的核心步骤：水平投影 (Horizontal Projection)
        # 求解规范群作用下的一阶西尔维斯特方程，减去垂直空间的规范分量
        horizontal_u = apply_horizontal_projection(x, projected_u)
        return horizontal_u

quotient_manifold = MPSQuotientManifold(manifolds_list)
problem = Problem(manifold=quotient_manifold, cost=energy_cost_function)

# 6. 使用黎曼共轭梯度法 (Riemannian Conjugate Gradient) 进行变分基态求解
optimizer = ConjugateGradient()
found_ground_state_params = optimizer.run(problem)
print("变分基态优化完成！商流形收敛点：", found_ground_state_params.point)

3.3 推荐开源软件包推荐

• Pymanopt (Python): pymanopt.github.io —— 强大的流形优化库，支持自动微分，非常适合快速原型开发。
• Manopt.jl (Julia): manoptjl.org —— 性能极佳的高性能 Julia 黎曼优化包，与 Julia 的强关联物理/张量网络库生态天然契合。
• ITensors.jl (Julia): itensor.org —— 目前最流行的强关联张量网络（MPS, PEPS）计算开源框架，可与黎曼优化算法无缝集成。
• TensorKit.jl (Julia): github.com/Jutho/TensorKit.jl —— 专为对称性量子多体系统设计的张量代数包，原生支持各种流形结构。

4. 关键引用文献与局限性评论

4.1 关键引用文献

1. Haegeman et al. (2014): Geometry of matrix product states: Metric, parallel transport, and curvature. (首次系统性阐述了一维 MPS 的黎曼几何特征，是本文工作的几何学根基)。
2. White (1992): Density matrix formulation for quantum renormalization groups. (DMRG 的奠基性工作，首次展示了张量网络对强关联体系的威力)。
3. Cirac et al. (2021): Matrix product states and projected entangled pair states: Concepts, symmetries, theorems. (关于张量网络表示及规范定理的现代物理综述)。
4. O’Neill (1966): The fundamental equations of a submersion. (黎曼几何中关于黎曼浸入与截面曲率关系的开创性数学论文)。
5. Pérez-García et al. (2007): Matrix product state representations. (物理学中关于 MPS 规范定理的严格代数证明)。

4.2 局限性批判性评论

尽管本工作在微分几何层面为张量网络规范冗余的解决做出了里程碑式的理论贡献，但在实际量子化学与凝聚态计算落地中，仍存在以下显著的局限性：

1. “满秩（Full-Rank）”假设在强关联物理中的失效

本论文所有关于群作用自由性（Freeness）和商流形光滑性的证明，都高度依赖于一个核心前提：张量网络的局域张量当被视为线性映射时必须是满秩的（Full-Rank/Injective）。 然而，在真实的强关联量子化学计算中（例如分子解离极限处的低纠缠态，或具有大尺度空隙的拓扑序系统），由于格点间纠缠很弱，张量边上的 Schmidt 谱会极快地衰减，导致其实际秩远低于标称的键维度 $D$。一旦张量退化为低秩，群作用的自由性立即崩溃，商流形会在奇点处退化，导致黎曼投影梯度在数值上发散或出现严重的奇异值震荡。

2. 通用二维 PEPS 规范的难以企及性

文章成功解决了时序生成 PEPS（SG-PEPS）和 Isometric PEPS 的黎曼基本定理。然而，对于最通用的二维 PEPS，由于其内部物理收缩边构成了复杂的二维格点环路（loops），其规范匹配问题是不可判定的（Undecidable）。一般 PEPS 无法写成简单的 Stiefel 乘积形式，因此目前该黎曼商流形框架依旧无法直接推广到通用 2D 强关联体系的电子结构变分计算中。

3. 水平空间投影带来的额外计算开销

在算法实现中，水平投影步骤需要针对每个格点解西尔维斯特方程。对于大键维度 $D$（如量子化学精确计算中常用的 $D > 1000$），求解高维矩阵方程的计算时间复杂度为 $\mathcal{O}(D^3)$ 甚至 $\mathcal{O}(D^4)$。这可能会在一定程度上抵消流形优化带来的收敛步数减少红利，需要在具体的数值实现中对投影频率和近似投影技术进行精细权衡。

5. 补充探讨与量子化学/量子信息交叉展望

5.1 量子化学：从一维 DMRG 到二维等距 PEPS

现代量子化学对强关联体系（如 FeMoco 固氮酶活性中心、多核过渡金属簇等）的描述，通常需要数百个活性轨道。传统的 MPS-DMRG 算法本质上是在一维链上排列这些轨道。然而，三维分子的物理结构本质上是多维的，迫使我们将三维分子轨道投影到一维链上，这不可避免地引入了人工的远程长程库仑相互作用，极大地增加了 MPS 所需的 bond dimension $D$。

基于本论文的几何流形框架，我们可以畅想二维乃至三维等距张量网络（Isometric PEPS/PEPS）在量子化学中的广泛应用：

• 完美的降维映射：将分子轨道的空间排布直接映射为 2D 贴片结构，大幅减少人工纠缠熵。
• 无阻碍变分：利用 isoPEPS 确立的黎曼基本定理，我们可以在无冗余的商流形上，直接利用黎曼信赖域（Riemannian Trust Region）或黎曼牛顿法（Riemannian Newton），以超线性的收敛速度寻找多电子哈密顿量的基态，彻底告别一维 DMRG 在二维体系上的无力感。

5.2 量子信息：攻克变分量子算法（VQA）的巴伦高原

在嘈杂中尺度量子（NISQ）时代，变分量子本征求解器（VQE）是量子化学在量子计算机上落地的核心期望。然而，变分量子电路在参数初始化和优化过程中，极易遭遇**巴伦高原（Barren Plateaus）**现象，即梯度随量子比特数指数级消失，使优化难以为继。

本工作为破解这一困局提供了纯几何视角： 巴伦高原的一大诱因是巨大的参数空间中充斥着海量的物理等价态。这导致参数在冗余的规范轨道上漫游。如果我们通过本论文的黎曼基本定理：

1. 在量子经典混合计算（如 Qiskit 或 PennyLane 中）中引入水平梯度更新约束；
2. 强制参数仅在水平切空间（物理改变方向）上更新；

我们就能在几何上阻断参数向冗余规范轨道的耗散。这极大地压缩了不必要的搜索空间，为彻底解决变分量子算法的梯度消失和贫瘠高原问题提供了坚实的理论曙光。

5.3 总结与展望

Pablo Páez Velasco 的这项研究工作是一次现代黎曼几何与前沿量子多体理论的深度融合。它不仅在数学上填补了二维张量网络规范空间几何化的空白，更为下一代强关联电子结构计算软件和量子变分算法的开发指明了具有严谨收敛保障的几何设计路径。未来，随着该框架与自动微分及高性能稀疏线性代数库的深度结合，量子多体系统模拟将全面迈入“黎曼商流形优化”的崭新时代。想了解如何将其应用于更宏大的 2D/3D Tensor Network，请期待下一章节的深度解析！