大尺度二维长程量子体系的突破性模拟：自适应基组张量网络变分蒙特卡洛（TNS-tVMC）深度解析

来源论文: https://arxiv.org/abs/2607.05178v1 生成时间: Jul 07, 2026 11:18

0. 执行摘要

在现代量子信息与多体物理的前沿领域，以里德堡原子阵列（Rydberg atom arrays）、阱中离子（trapped ions）以及极性分子（polar molecules）为代表的可编程量子模拟平台取得了突破性进展。这些平台天然地具有全连接长程相互作用（all-to-all long-range interactions），能够模拟极其丰富的物相及非平衡动力学行为。然而，如何利用经典计算机对这些含有数十乃至上百个量子比特的二维长程相互作用系统进行高精度、可扩展的基准测试（benchmarking），依然是物理学界最具挑战性的难题之一。

变分蒙特卡洛（VMC）方法结合张量网络态（TNS）或神经网络量子态（NQS），是解决二维量子多体问题的强有力工具。但在处理长程非对角相互作用时，VMC 遭遇了致命的计算瓶颈：计算每一个采样构型的“局部能量（local energy）”通常需要 $O(N^3)$ 的时间复杂度（其中 $N$ 为系统格点数）。这使得大尺度二维系统的模拟在计算上变得难于承受。

为了克服这一瓶颈，中国科学院物理研究所的陈佳林、向涛院士以及吴贤涛（Yantao Wu）提出了一种创新的自适应基组变分蒙特卡洛方法。通过巧妙地将哈密顿量分解并在互补的基组（如 $x$ 基组和 $y$ 基组）下进行独立采样，他们成功地将局部能量的评估成本彻底降低到 $O(N)$。此外，针对从乘积态（Product States）开始动力学演化时变分路径出现的数学病态问题，他们引入了投影变分蒙特卡洛（p-tVMC）作为初始演化阶段的稳定化手段。

基于这一全新框架，作者首次成功模拟了 $10 \times 10$ 二维偶极 XY 模型里德堡模拟器（由 Nature 616, 691 (2023) 报道的经典实验）的完整实时绝热演化协议。模拟结果不仅给出了该系统演化保真度和绝热性的直接评估，还明确指出了实验中观测到的长程反铁磁相关性受抑制并非源于演化协议本身的非绝热性，而是源于实验实现中的不完美性（如激光功率导致的去谐不足）。这一工作不仅确立了张量网络变分蒙特卡洛（TNS-tVMC）作为长程量子模拟器强大基准工具的地位，也为研究二维长程关联系统的动力学和谱函数开辟了全新通路。

1. 核心科学问题，理论基础，技术难点与方法细节

1.1 核心科学问题与挑战

在二维量子多体系统中，长程相互作用（如偶极相互作用的 $1/r^3$ 或范德华相互作用的 $1/r^6$）的存在，导致了极其复杂的量子纠缠模式和新奇的物理现象。精确模拟这些系统在热力学极限下的行为是量子化学和凝聚态物理的核心目标。由于“指数墙”的限制，精确对角化（ED）仅能处理 30 多个格点以内的极小系统。

目前，二维系统的经典模拟主要依赖以下几种方案：

矩阵乘积态（MPS/DMRG）：虽然在 1D 体系中极其成功，但在 2D 体系中，为了维持面积律（Area Law）所需的纠缠熵，MPS 的键维度（Bond Dimension）必须随系统宽度指数增长，因此只能模拟窄条带（Cylinder）几何。
投影纠缠配对态（PEPS）：天然契合二维面积律，但由于闭合回路的存在，精确收缩二维张量网络的复杂度为 $\text{#NP-hard}$。虽然有近似收缩算法（如边界 MPS 方法），但在动力学演化中，算符的频繁施加会导致键维度迅速爆炸，难以实现长时间、大尺度的实时演化。
变分蒙特卡洛（VMC）：通过蒙特卡洛采样来规避张量网络整体收缩的极高成本。VMC 的核心在于计算局部能量（Local Energy）： $$H_{\text{loc}}(\mathbf{s}) = \frac{\langle \mathbf{s} | H | \psi_\boldsymbol{\theta} \rangle}{\langle \mathbf{s} | \psi_\boldsymbol{\theta} \rangle} = \sum_{\mathbf{s}'} H_{\mathbf{s}, \mathbf{s}'} \frac{\psi_\boldsymbol{\theta}(\mathbf{s}')}{\psi_\boldsymbol{\theta}(\mathbf{s})}$$ 对于长程全连接哈密顿量，非对角项的数量达到 $O(N^2)$。这意味着对于每一个蒙特卡洛样本 $\mathbf{s}$，我们需要计算 $O(N^2)$ 个不同的翻转态 $\mathbf{s}'$ 对应的波函数比值 $\psi_\boldsymbol{\theta}(\mathbf{s}')/\psi_\boldsymbol{\theta}(\mathbf{s})$。在张量网络态（TNS）中，计算一个单独的波函数比值需要 $O(N)$ 的收缩时间。因此，评估单个构型的局部能量总共需要 $O(N^3)$ 的时间。这就是严重制约 2D 长程系统经典模拟的“计算瓶颈”。

1.2 自适应基组（Adaptive Basis）的数学推导与理论基础

本工作最核心的技术创新在于消除了非对角项带来的 $O(N^3)$ 瓶颈。其基本构想是：如果哈密顿量中的某一部分算符在采样基组下是对角的，那么该部分的局部能量计算将不再涉及任何自旋翻转，其评估复杂度将直接降至普通的经典求和成本，即 $O(N)$。

具体而言，考虑如下的二维长程偶极 XY 哈密顿量：

$$H(t) = H_{XY} + H_Z(t)$$

$$H_{XY} = -\frac{1}{2} \sum_{i < j} \frac{1}{r_{ij}^3} \left( \sigma_i^x \sigma_j^x + \sigma_i^y \sigma_j^y \right)$$

$$H_Z(t) = \delta(t) \sum_{i \in B} \frac{1 + \sigma_i^z}{2}$$

如果采用传统的 $z$ 方向磁化强度基组 $\{|\mathbf{s}^z\rangle\}$ 进行采样，由于 $\sigma^x \sigma^x$ 和 $\sigma^y \sigma^y$ 都是非对角的，我们将面临巨大的非对角求和成本。

作者提出将总哈密顿量分解为两部分：

$x$ 分量部分：$H_X = -\frac{1}{2} \sum_{i
$y$ 和 $z$ 分量部分：$H_{Y+Z} = H_Y + H_Z(t)$，其中 $H_Y = -\frac{1}{2} \sum_{i

在含时变分蒙特卡洛（tVMC）中，变分参数 $\boldsymbol{\theta}$ 的时间导数 $\dot{\boldsymbol{\theta}}$ 由随时间变化的变分原理（TDVP）决定，其方程表现为线性系统：

$$S \dot{\boldsymbol{\theta}} = -i \mathbf{F}$$

其中，$S$ 是量子几何张量（Quantum Geometric Tensor, QGT），$\mathbf{F}$ 是能量期望值关于参数的梯度向量：

$$S_{\alpha\beta} = \langle O_\alpha^* O_\beta \rangle - \langle O_\alpha^* \rangle \langle O_\beta \rangle$$

$$F_\alpha = \langle O_\alpha^* H_{\text{loc}} \rangle - \langle O_\alpha^* \rangle \langle H_{\text{loc}} \rangle$$

其中 $O_\alpha(\mathbf{s}) \equiv \partial \log \psi_\boldsymbol{\theta}(\mathbf{s}) / \partial \theta_\alpha$ 是对数导数（也称变分算符）。

关键的物理学见解在于方程的线性性质。我们可以利用不同的马尔可夫链并行地在不同基组中对 $F_\alpha$ 的不同部分进行评估：

在 $x$ 基组 $\{|\mathbf{x}\rangle\}$ 中采样：由于 $H_X$ 在 $x$ 表达下完全是对角的，局部能量评估退化为经典的长程相互作用能量求和： $$H_{\text{loc}, X}(\mathbf{x}) = -\frac{1}{2} \sum_{i$O(N)$（若采用快速傅里叶变换或多极子展开甚至可进一步加速，不过在 $N \sim 100$ 时直接 $O(N)$ 经典求和已足够快）。
在 $y$ 基组 $\{|\mathbf{y}\rangle\}$ 中采样：同理，将 $H_{Y+Z}$ 在 $y$ 方向基组下进行评估。此时 $H_Y$ 部分在 $y$ 方向是对角的。虽然 $H_Z$ 在 $y$ 方向是非对角的，但因为 $H_Z$ 是单体局域算符（Single-site Local Operators），其非对角项仅有 $O(N)$ 个，每个非对角项仅涉及单自旋翻转。因此，计算 $H_Z$ 的局部能量天生只需要 $O(N)$ 的计算成本。

在具体的操作中，我们在张量网络态上维持两个独立的马尔可夫链。第一个链采样自概率分布 $p_x(\mathbf{x}) = |\langle\mathbf{x}|\psi_\boldsymbol{\theta}\rangle|^2$，计算得到参数演化梯度 $\dot{\boldsymbol{\theta}}_X$；第二个链采样自分布 $p_y(\mathbf{y}) = |\langle\mathbf{y}|U|\psi_\boldsymbol{\theta}\rangle|^2$，计算得到 $\dot{\boldsymbol{\theta}}_Y$，其中 $U = \otimes_i u_i$ 是单格点基组旋转算符（从 $x$ 旋转至 $y$）。由于 $U$ 是直积形式的局域幺正变换，它在张量网络态（如 PEPS）上的作用极其廉价，不会增加键维度。最终的参数变化率即为二者的线性叠加：

$$\dot{\boldsymbol{\theta}} = \dot{\boldsymbol{\theta}}_X + U^\dagger \dot{\boldsymbol{\theta}}_Y$$

通过这种巧妙的分解，我们在维持完全一般性的非均匀长程耦合的前提下，将局部能量评估的时间复杂度完美降至 $O(N)$。

1.3 初态演化病态性与投影变分蒙特卡洛（p-tVMC）解决方案

在里德堡原子动力学实验中，初始状态通常是纯粹的经典 Néel 乘积态：

$$|\psi(0)\rangle = \prod_{i \in A} |\uparrow\rangle_i \prod_{j \in B} |\downarrow\rangle_j$$

如果变分张量网络的键维度 $D > 1$，则在 $t=0$ 时，多余的键维度通道完全处于未被激发的状态。这会导致量子几何张量 $S$ 存在大量的零本征值（Null Directions），即参数空间中存在极大的冗余。此时直接求解 TDVP 方程 $S \dot{\boldsymbol{\theta}} = -i\mathbf{F}$ 会遭遇灾难性的数值不稳定性，被称为“初态病态（Product-state Pathology）”。

为了解决这一病态问题，作者引入了**投影变分蒙特卡洛（p-tVMC）**作为动力学演化的“第一步”启动方案。在第一步中，不再解微分方程，而是通过直接最大化变分态 $|\psi_\boldsymbol{\theta}(\delta t)\rangle$ 与二阶泰勒展开演化态 $|\phi'\rangle$ 之间的保真度（Fidelity）来确定新参数：

$$\boldsymbol{\theta}(\delta t) = \arg\max_\boldsymbol{\theta} \frac{|\langle \psi_\boldsymbol{\theta} | V | \psi(0) \rangle|^2}{\langle \psi_\boldsymbol{\theta} | \psi_\boldsymbol{\theta} \rangle \langle \psi(0) | V^\dagger V | \psi(0) \rangle}$$

其中时间演化算符 $V$ 展开至二阶：

$$V(\delta t) = 1 - i H(t) \delta t - \frac{\delta t^2}{2} \left[ H(t)^2 + i \dot{H}(t) \right]$$

因为初始态 $|\psi(0)\rangle$ 是简单的直积态，我们可以非常高效地在对角基组（如 $z$ 基组）下直接解析地计算出 $V$ 作用后的矩阵元。具体而言，由于哈密顿量的稀疏性，矩阵元 $\Phi_2(\mathbf{z}) \equiv \langle\mathbf{z}| V | \phi\rangle$ 的非零项仅局限于能从 Néel 态通过最多两次自旋交换（XY Exchange）到达的构型空间中：

$$\Phi_2(\mathbf{z}) = \delta_{\mathbf{z},\mathbf{z}_0} - i \delta t \, h_1(\mathbf{z}) - \frac{\delta t^2}{2} \, h_2(\mathbf{z})$$

其中：

$$h_1(\mathbf{z}) = \langle\mathbf{z}|H_{XY}|\mathbf{z}_0\rangle$$

$$h_2(\mathbf{z}) = \langle\mathbf{z}|\left( H_{XY}^2 + H_Z(0)H_{XY} \right)|\mathbf{z}_0\rangle$$

通过经典的马尔可夫链对该稀疏空间进行直接采样，无需任何昂贵的张量网络收缩，即可完美完成前几步时间演化。当状态积累了足够的非零纠缠（波函数偏离纯乘积态）后，量子几何张量 $S$ 恢复满秩，计算便可以平滑、无缝地过渡到高效的常规 TNS-tVMC 框架中。

2. 关键 Benchmark 体系、计算所得数据与性能分析

2.1 4x4 反铁磁协议的严格基准测试

为了全面检验自适应基组 TNS-tVMC 的精度，作者首先在一个 $4 \times 4$ 偶极 XY 反铁磁（AFM）演化协议上进行了测试，并与精确对角化（ED）的严格数值解进行了对比。

2.1.1 物理量演化对比分析

在 $4 \times 4$ 系统中，通过设置变分键维度 $D=4$ 和 $D=5$，并使用 81,920 个蒙特卡洛样本进行演化和物理量测量。图 2 详细展示了以下物理随时间变化的演化曲线：

平均能量 $\langle H_{XY} \rangle$（图 2a）：TNS-tVMC 的能量曲线与 ED 完美重合。即使在演化后期（$t > 5$），$D=5$ 的结果依然牢牢锁定制冷与加热交界的精细能量结构。图中插图展示了 $t \in [0, 2]$ 的极早期行为，证明了基于 p-tVMC 的初态启动方案在过渡期维持了极高精度。
子格点磁化强度 $Z$（图 2b）：初始时刻系统处于经典的 Néel 态（$Z_A = 1, Z_B = -1$）。随着横向长程相互作用驱动，子格点磁化强度迅速向 0 靠拢。TNS-tVMC 完整捕获了 $t \sim 2$ 处的反弹振荡行为以及最终的近稳态行为，其与 ED 的偏差完全在统计误差范围内。
自旋关联函数 $C_x$（图 2c）：分别展示了最近邻（NN）和次近邻（NNN）在 $x$ 方向的关联演化。结果显示，NN 关联在演化后迅速降至负值（体现反铁磁特征），而 NNN 关联升至正值。$D=5$ 的张量网络结果与 ED 的符合度近乎完美。
均方交错磁化强度 $m_x^2$（图 2d）：该物理量对量子状态的波函数细节极其敏感。随着时间推移，系统的交错磁化强度表现出阶梯式上升并伴随快速振荡。TNS-tVMC 不仅跟上了振荡步频，还在稳态区维持了极高的精确度。

这一 benchmark 强有力地证明了，自适应基组方法在大幅削减复杂度的同时，没有损失任何动力学演化的物理精度。

2.2 10x10 二维偶极 XY 模型的物理发现

在成功通过小系统基准测试后，作者将该方法应用到此前经典模拟完全无法触及的 $10 \times 10$ 偶极 XY 模型里德堡阵列（总格点 $N=100$）。

2.2.1 实验与理论的争议起源

在 Nature 616, 691 (2023) 的实验中，研究人员在 $10 \times 10$ 尺度上执行了长程反铁磁状态的绝热制备，但令人困惑的是：实验制备的终态所展现出的长程反铁磁关联受到了强烈抑制，而基于一维近似的 MPS 理论计算却预测了极强的长程反铁磁关联。由于真实 2D 模拟的缺失，科学界此前无法断定这种偏差究竟源自：

绝热演化协议本身的本质非绝热性（即 ramp 速度太快，系统无法保持在瞬时本征态）；
二维多体效应对 MPS 的局限性导致的计算伪影；
实验系统自身的不完美性（如激光去谐、热噪声、杂散磁场或空位缺陷）。

2.2.2 10x10 模拟核心数据解读

本工作利用 $D=4$、样本数 $N_s = 163,840$ 的 TNS-tVMC 对该过程进行了严格的无近似模拟，所得关键物理结果如下（对应图 3）：

能量演化分析（图 3a）：系统能量 $\langle H_{XY} \rangle$ 随时间连续演化，在 $t \gtrsim 6$ 后，能量趋于一个平缓的平台区。作者同时利用**基态变分蒙特卡洛（GS-VMC）**直接计算了该哈密顿量的绝对基态能量（图中虚线，约为 $-75.2$）。实时动力学演化得到的终态能量仅略高于绝对基态。这直接从热力学角度证明了：该实验所采用的绝热制备协议在理想情况下具有极高的绝热保真度。
连接自旋关联函数 $C(d)$（图 3b）：图 3b 展示了不同时间片（$t=4.01, 6.01, 8.01, 9.69$）下，总自旋关联 $C(d) = C_x(d) + C_y(d) + C_z(d)$ 随距离 $d$ 的衰减行为，并与通过直接优化得到的基态（GS）进行了对比。清晰可见，随着时间推移，长程反铁磁关联逐步建立。在演化终点 $t=9.69$ 时，系统的空间关联结构与真实的量子基态几乎重合，展现出强烈的、空间延展的反铁磁长程秩序。
实空间关联二维快照 $C(\Delta x, \Delta y)$（图 3c）：在 $t=0.01$ 时，系统几乎无空间关联。在 $t=4.81$ 时，中短程反铁磁红蓝交错网格开始显现。到了演化终点 $t=9.69$，系统呈现出清晰、饱满且横跨整个 $10 \times 10$ 晶格的交错反铁磁图案，其空间分布与右侧的基态（GS）快照高度一致。

2.2.3 科学结论

这一无可辩驳的经典模拟结果表明：在理想的绝热演化下，该系统必然会发展出长程反铁磁关联。这直接排除了“原因 1”和“原因 2”，确证了实验中关联受阻的主要原因在于实验不完美性。特别是，由于激光功率限制，实验在 $10 \times 10$ 尺度上仅能实现 $\delta_0 = -11.69$ 的初始去谐，远低于本模拟所采用的理想无偏去谐值（$\delta_0 = -19.48$）。

2.3 算法计算性能分析

表 I 详细记录了不同模拟参数下的计算开销：

系统尺度 $L \times L$	键维度 $D$	独立变分参数量 $N_p$	马尔可夫链数 $N_{\text{chain}}$	每链顺序采样数 $N_{s/c}$	单步壁面时间 $t_{\text{wall}}$ (秒)
$4 \times 4$	4	840	16384	5	18.42
$4 \times 4$	5	1860	16384	5	54.63
$10 \times 10$	4	9384	8192	10	367.28
$10 \times 10$	4	9384	8192	20	793.38

注：测试环境为单张配备 141 GB 显存、双精度计算能力为 34 TFLOPS 的高级 GPU 显卡（如 NVIDIA H100 或类似级别），采用四阶龙格库塔积分器，步长 $dt = 0.02$。

性能要点分析：

显着的线性扩展能力：当系统格点数从 16 大幅增加至 100（增长 6.25 倍）时，在相同的 $D=4$ 级别下，单步壁面时间依然控制在数百秒以内。如果不采用自适应基组分解，在 $O(N^3)$ 复杂度下，计算时间将飙升 $(6.25)^3 \approx 244$ 倍，使得 $10 \times 10$ 的模拟在实际上变得完全不可行。
对称性的红利：由于显式引入了沿正方形对角线的反射对称性，参数量 $N_p$ 被压缩了近 4 倍。这不仅极大地减轻了显存负担，还显著降低了统计噪声，使得在较少的马尔可夫链数下也能保证极高的收缩稳定性。

3. 代码实现细节与复现指南

3.1 软件架构与依赖包

该研究的生产级代码基于 Python 构建，重度依赖以下高性能科学计算库：

JAX：核心的自动微分与 GPU 加速引擎。JAX 的即时编译（JIT）和向量化映射（vmap）功能是实现高效张量网络收缩和并行马尔可夫链采样的关键。
TeNPy (Tensor Network Python)：用于算法的前期开发验证及一维/条带系统的 MPS 对照实验。
JAX-PEPS (或自定义 TNS-VMC 工具箱)：用于在 GPU 上直接处理二维张量网络的变分参数化。外层包裹了基于随机重构（Stochastic Reconfiguration, SR）的含时变分更新算法。

开源代码与数据仓储：本项目的完整复现代码、输入参数集及模拟产生的原始物理数据已在 GitHub 公开托管： https://github.com/yantaow/open_data/tree/main/wu2026efficient

3.2 算法核心执行步骤与复现流程

+-------------------------------------------------------------+
|               步骤 1: 运行 p-tVMC 克服初态病态                |
|  - 输入经典 Néel 直积态 |ψ(0)⟩                               |
|  - 使用二阶 Taylor 展开演化算符 V(δt) (不含 TNS 收缩)         |
|  - 在 z 基组下执行极小空间稀疏采样，最大化保真度确定 θ(δt)    |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|                步骤 2: 初始化自适应基组 tVMC                 |
|  - 载入已具有微弱纠缠的初始化张量网络参数 θ                 |
|  - 启动两个并行的马尔可夫链: Chain_X 和 Chain_Y              |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|                   步骤 3: 实时动力学循环演化                 |
|  循环时间步 t = δt 到 T, 步长 dt = 0.02:                    |
|                                                             |
|  [子通道 X]                                                 |
|  - 采样自 p_x(x) = |⟨x|ψ_θ⟩|^2                              |
|  - 计算对角局部能量 H_loc,X (普通经典求和, 成本 O(N))        |
|  - 计算对数导数 O_α,X                                        |
|                                                             |
|  [子通道 Y]                                                 |
|  - 对状态施加局域旋转 U 作用, 采样自 p_y(y) = |⟨y|U|ψ_θ⟩|^2   |
|  - 计算对角 H_Y 和局域非对角 H_Z 的局部能量 (成本 O(N))      |
|  - 计算对数导数 O_α,Y                                        |
|                                                             |
|  [梯度融合与时变演化]                                       |
|  - 汇总计算量子几何张量 S (整合 X 与 Y 通道统计量)            |
|  - 计算总变分梯度 F_α = F_α,X + U^† F_α,Y                   |
|  - 解线性方程系统 S θ_dot = -i F                             |
|  - 采用四阶龙格库塔法(RK4)更新全局张量参数 θ                |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|                    步骤 4: 物理量测量与输出                 |
|  - 定期计算能量期望、自旋关联、交错磁化强度                  |
|  - 输出物理演化曲线，导出数据进行可视化分析                  |
+-------------------------------------------------------------+

3.3 关键 JAX 代码实现片段演示（伪代码/精简版）

以下展示了自适应基组局部能量计算在 JAX 下的矢量化实现逻辑：

import jax
import jax.numpy as jnp

@jax.jit
def compute_local_energy_x(x_samples, r_matrix):
    """
    在 x 基组下计算 H_X 的对角局部能量，完全规避张量网络收缩。
    x_samples 维度: [num_samples, N], 元素取值为 +1 或 -1
    r_matrix 维度: [N, N], 记录格点间的距离倒数三次方 1/r_{ij}^3
    """
    # 计算两两自旋的乘积: s_i * s_j
    spin_products = jnp.einsum('bi,bj->bij', x_samples, x_samples)
    # 与耦合矩阵相乘求和
    energy_X = -0.5 * jnp.sum(spin_products * r_matrix, axis=(1, 2))
    return energy_X  # 返回每个样本的局部能量，成本为 O(N^2) 的纯经典运算，对于 N=100 极快

@jax.jit
def update_parameters_with_adaptive_basis(S_matrix, F_X, F_Y, U_dagger):
    """
    结合两个基组通道的梯度，求解变分参数的演化导数
    """
    # 融合梯度：F = F_X + U_dagger * F_Y
    F_total = F_X + jnp.dot(U_dagger, F_Y)
    
    # 求解线性方程组 S * theta_dot = -i * F_total
    # 为防止 S 的小奇异值带来数值不稳定性，通常引入微小的正则化扰动 (S + epsilon * I)
    epsilon = 1e-4
    S_reg = S_matrix + epsilon * jnp.eye(S_matrix.shape[0])
    theta_dot = -1j * jnp.linalg.solve(S_reg, F_total)
    return theta_dot

4. 关键引用文献与局限性评论

4.1 关键参考文献

[20] C. Chen et al., Nature 616, 691 (2023)：本工作的直接物理源头。该实验利用里德堡原子阵列首次在二维偶极 XY 模型中观测到了连续对称性破缺。本论文通过 TNS-tVMC 经典模拟对其结论进行了关键性修正和深度补充。
[17] S. Sorella, Phys. Rev. B 64, 024512 (2001)：随机重构（SR）方法的经典文献。该工作奠定了现代变分蒙特卡洛参数优化的数学基础，其等价于量子几何流方法和信息几何中的自然梯度下降法。
[23] J. Haegeman et al., Phys. Rev. Lett. 107, 070601 (2011)：将含时变分原理（TDVP）引入张量网络的开创性工作。本论文正是将 TDVP 与蒙特卡洛采样融合，开发了适用于大尺度 2D 长程系统的动力学演化方法。
[18] A. Sinibaldi et al., Quantum 7, 1131 (2023) 与 [19] L. Gravina et al., Quantum 9, 1803 (2025)：提出了投影变分蒙特卡洛（p-tVMC）框架，为本论文成功解决从直积初态出发演化时的数学病态提供了核心技术方案。

4.2 本项工作的局限性与潜在挑战

尽管自适应基组 TNS-tVMC 极大地拓宽了二维长程量子系统的模拟边界，但在深水区应用中，它依然存在以下不容忽视的局限性：

1. 零方差原理（Zero-variance Principle）的失效

在标准的固定基组变分蒙特卡洛中，当变分态 $\psi_\boldsymbol{\theta}$ 趋近于哈密顿量 $H$的精确基态时，局部能量 $H_{\text{loc}}(\mathbf{s})$ 会退化为一个常数（即基态能量 $E_0$）。这意味着在其附近，局部能量的涨落（方差）会趋近于 0，使得变分梯度估算极其精准稳定。然而，在自适应基组方法中，由于哈密顿量被拆分为不相 commute 的两部分 $H_X$ 和 $H_Y$，基态并不是它们各自的本征态。因此，在个别通道采样时，即使变分态完全收敛至真实的全局基态，其子通道的局部能量方差也绝不为零。这导致在临近基态的优化精细阶段，该算法需要显着更多的采样样本数 $N_s$ 才能压制统计涨落，增加了后期的计算开销。

2. 对阿贝尔对称性（Abelian Symmetries）利用受限

对于具有粒子数守恒或总自旋 $S^z_{\text{tot}}$ 守恒等阿贝尔对称性的系统，传统固定基组 VMC 可通过将马尔可夫链限定在特定的荷扇区（Charge Sector）内进行采样，自然地保证物理对称性。但在自适应基组框架下，由于采样基组需要在 $x$ 方向和 $y$ 方向之间频繁跳转，原先在 $z$ 方向良定义守恒荷在旋转后的基组下不再守恒。这意味着我们无法直接通过采样约束来隐式地满足守恒律。为了维持对称性，必须在张量网络态（TNS）的局部张量中显式地注入高深的群论对称性结构，这极大增加了网络结构设计的复杂度和代码实现的门槛。

3. 张量网络键维度 $D$ 带来的陡峭标度律

虽然该方法成功将格点数 $N$ 的标度率从 $O(N^3)$ 砍到了 $O(N)$，但张量网络自身的收缩复杂度对于变分键维度 $D$ 依然是高度非线性的（在二维网络中通常呈 $O(D^6)$ 至 $O(D^{10})$ 甚至更高的幂次攀升）。这意味着一旦系统在长时间演化后积累了极其深度的量子纠缠，需要更大的 $D$（例如 $D \ge 8$）才能精确描述时，张量收缩将重新成为主导计算瓶颈，限制了该方法向更长演化时间的推进。

5. 前沿深度补充：经典与量子模拟的交响乐

5.1 为何该自适应基组技术专属于张量网络（TNS）而非神经网络（NQS）？

在变分多体物理领域，神经网络量子态（NQS，如受限玻尔兹曼机 RBM 或自回归神经网络）常与张量网络态（TNS）同台竞技。然而，自适应基组技术在底层数学结构上与 TNS 存在天然的完美契合，却极难移植到 NQS 中。原因在于以下物理及数学机制：

基组变换的局域性：将 $x$ 基组转变为 $y$ 基组的算符 $U = \otimes_i u_i$ 是单体局域幺正变换。在张量网络中，由于网络是由一连串局域物理指标构成的，施加局域幺正变换仅仅意味着对每个局域张量的物理脚做一个简单的矩阵乘法： $$T'_{s_i \ldots} = \sum_{s'_i} U_{s_i, s'_i} T_{s'_i \ldots}$$ 这个操作完全不改变张量网络的拓扑结构，也不增加键维度，更不需要重新优化或重构网络参数。
神经网络的全局黑箱瓶颈：神经网络量子态（NQS）的波函数振幅是通过将完整的自旋构型 $\mathbf{s}$ 输入网络、通过多层复杂的全局非线性权重映射得到的。当在 $x$ 基组和 $y$ 基组之间跳转时，如果直接对输入向量进行幺正旋转，其对应的输出振幅将涉及极其复杂的积分和多重网络前向传播过程。NQS 无法像张量网络那样在局部通过改变指标基组来轻松完成基组旋转。因此，本论文提出的 $O(N)$ 算法可以说是张量网络方法在二维长程量子体系模拟中对神经网络方法的一次“维度压制”。

5.2 偶极 XY 模型中的二维连续对称性破缺与物理意义

本工作模拟的 $10 \times 10$ 偶极 XY 模型不仅是一个基准测试体系，更蕴含着深刻的量子场论与凝聚态物理价值。根据著名的 Mermin-Wagner 定理，在二维具有连续对称性的系统（如 XY 模型的 $U(1)$ 连续对称性）中，在有限温度下由于强烈的热涨落，长程有序是被严格禁止的。然而，在零温（基态）下，或者当系统具有长程相互作用时，情况会发生根本性的转变。

长程偶极相互作用（衰减指数 $\alpha = 3$，等于系统空间维度 $d = 2$）处于一个极其微妙的临界边缘：

它能够增强涨落之间的相干性，克服局域涨落带来的无序效应，从而在有限温度下稳定住一个真正的连续对称性破缺相（即自发产生全局磁化定向）。
在这种长程作用下制备的反铁磁状态，其动力学行为不再能用简单的局域自旋波理论描述。自旋激发（Magnon）会展现出非局域的瞬时传播特性，甚至伴随着非平凡的量子动力学临界指数。

陈佳林、向涛和吴贤涛的工作恰逢其时，提供了一套完全可控的、无近似的经典变分方案。这使得我们无需完全依赖昂贵且易受环境噪声干扰的里德堡硬件，便能在经典计算机上精确地计算出该动力学过程中的各种关联格林函数、动力学结构因子，甚至能进一步探索系统淬火动力学中的信息传播速度。这种经典与量子的深度融合、协同共生，代表了当前量子科技革命中最令人兴奋的发展方向。