来源论文: https://arxiv.org/abs/2607.00991v1 生成时间: Jul 02, 2026 13:05

0. 执行摘要

当前量子材料研究面临一个核心挑战：理解介观乃至宏观尺度下的量子现象，往往需要处理包含数十亿甚至更多原子的系统。传统的计算方法，特别是基于矩阵表示的紧束缚模型，由于其计算成本随系统尺寸呈多项式增长，在面对如此大规模系统时变得不可行，严重阻碍了对莫尔超晶格、准晶体等复杂结构中新奇物理的探索。为了解决这一瓶颈，由Tiago V. C. Antão及其团队开发的TensorBinding.jl提供了一个统一的张量网络解决方案。该框架将一个拥有N个（N=2^L）站点的系统映射到一个L赝自旋站点的多体问题，并利用张量网络算法进行求解。其核心在于利用“量化张量交叉插值”（Quantics Tensor Cross Interpolation, QTCI）技术，将任意形式的跳跃函数（包括长程、空间调制和层间耦合）高效地压缩为张量网络表示，从而避免了显式矩阵存储和对角化。TensorBinding.jl能够以极低的内存消耗和计算时间，在工作站级别的硬件上实现对数十亿站点系统的光谱函数、动量空间谱、实空间拓扑不变量、实时动力学、自洽平均场计算以及激子多体物理等多种物理量的精确计算。这一创新性的方法为研究超大尺度量子物质提供了一个灵活且高效的计算平台，显著拓宽了我们理解和设计复杂量子材料的能力，并且以开源形式发布，极大地促进了社区的协同发展。

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

理解介观和宏观尺度下的量子现象是当前凝聚态物理领域面临的关键挑战。许多新奇的量子材料，如莫尔超晶格、准晶体、奥布里-安德烈-哈珀（Aubry-André-Harper）模型以及分形结构，其核心物理并非仅由微观晶胞决定，而是深刻依赖于长波长调制、非周期性序和新出现的超结构。在这些系统中，有限尺寸效应的抑制至关重要，这意味着计算模型必须足够大，才能准确捕捉其调制的拓扑性质、光谱特征以及关联电子结构。特别是对于需要精细处理的莫尔超晶格，其晶胞可包含数千到数百万个原子，而准周期系统则完全缺乏平移对称性，传统方法往往力不从心。

这种对大尺度模型的需求不仅限于静态性质的计算，对于非平衡态性质和激发态的计算尤为严峻。例如，在时间依赖场驱动下的系统，其实时动力学模拟在每一步都需要进行昂贵的对角化操作；莫尔双层材料中的激子束缚涉及电子-空穴关联，这要求处理远超单粒子体系的双粒子希尔伯特空间；非厄米系统中的空间调制增益或损耗，以及非互易跳跃，同样需要大尺度实空间结构才能充分捕捉其光谱和动力学特性。传统紧束缚计算方法（无论密集矩阵还是稀疏矩阵）通常依赖于哈密顿量的显式矩阵表示，其内存和计算成本随系统尺寸呈多项式增长，对于数十亿甚至更多站点的系统而言，变得无法承受。这种计算瓶颈严重制约了物理学家在跨越多个长度尺度上解析物理可观测量的能力，使得许多前沿研究问题难以通过传统手段攻克。

1.2 理论基础

TensorBinding.jl的理论基础建立在张量网络（Tensor Networks, TN）及其在多体物理中的应用上，特别是矩阵乘积算符（Matrix Product Operators, MPO）和矩阵乘积态（Matrix Product States, MPS）。张量网络通过利用低秩张量结构来压缩多体希尔伯特空间中的量子态或算符，从而显著降低了计算复杂性，使其能够处理传统方法无法企及的巨大系统。

核心思想是将一个包含N个物理站点的紧束缚哈密顿量（其中N通常为2^L，L为对数尺寸）映射到一个由L个赝自旋站点组成的一维链上的多体问题。在这个映射中，每个赝自旋站点都带有一个局部的物理指标，用于索引自由度，并与相邻站点通过虚拟（或称“键”）指标进行连接。一个多指标张量M的MPS表示形式为：

$$M^{\sigma_1 \sigma_2 ... \sigma_L} = \sum_{i,j,k,...,m,l} A^{i\sigma_1} B^{j\sigma_2}_i C^{k\sigma_3}_j ... M^{l\sigma_{L-1}}_m N^{\sigma_L}_l$$

其中，$\sigma_\alpha$ 是物理指标，而 $i,j,k,...$ 是虚拟指标。类似地，一个多指标张量算符O的MPO表示形式为：

$$O^{\sigma'_1 \sigma'_2 ... \sigma'_L}_{\sigma_1 \sigma_2 ... \sigma_L} = \sum_{i,j,k,...,m,l} A^{i\sigma'_1}_{\sigma_1} B^{j\sigma'_2}_{i\sigma_2} C^{k\sigma'_3}_{j\sigma_3} ... M^{l\sigma'_{L-1}}_{m\sigma_{L-1}} N^{\sigma'_L}_{l\sigma_L}$$

这里的MPO表示同时包含未加撇和已加撇的物理指标。虚拟指标的维度，即键维（bond dimension）$\chi$，控制着算符或状态的“复杂度”。对于可压缩的实空间结构紧束缚哈密顿量，这种编码方式通常使得键维保持在一个较小的常数（例如，几十到几十个），且与系统尺寸N无关。这种特性是张量网络方法能够处理数十亿站点系统的关键。

**量化张量交叉插值（Quantics Tensor Cross Interpolation, QTCI）**是实现高效张量网络表示的另一核心技术。QTCI是一种受量子启发的主动学习算法，它允许张量网络方法被重新用于编码指数级经典的函数。该算法通过将实空间站点索引$i$编码为二进制表示（例如，$i = (\sigma_1 \sigma_2 ... \sigma_L)_2$），然后将这些离散的物理量转化为L个赝自旋的基态表示，从而将任意复杂的跳跃函数（包括长程、空间调制和扭曲层耦合）压缩为张量网络。QTCI避免了显式构建完整的稀疏矩阵，使得即使是具有复杂空间依赖性的哈密顿量也能以紧凑的张量网络形式表示。

算符的张量网络构建：紧束缚哈密顿量可以分解为对角线上的在位（on-site）贡献和连接不同站点的跳跃（hopping）贡献。在位势$V(i)$通过QTCI被压缩为对角MPO，其最大键维由$V(i)$的光滑性决定，几乎与系统尺寸N无关。跳跃项，特别是第n近邻跳跃，通过“位移张量”（shift tensor）$\hat{S}^{(n)}$来构建。该算符实现了在赝自旋表示中的所需位移，本质上是二进制加法，包括进位传播。$\hat{S}^{(n)}$的键维与N无关。空间调制的跳跃幅度$t_{i,i+n}(i)$通过将位移MPO与编码$t_{i,i+n}(i)$的对角MPO相乘来引入。所有这些操作都完全在MPO代数框架内完成，确保了高效性和可扩展性。

1.3 技术难点

  1. 超大尺度哈密顿量表示与内存管理：传统的哈密顿量显式矩阵表示（无论是稠密还是稀疏）在数十亿甚至更多站点的系统规模下，其内存消耗呈多项式增长，很快达到兆兆字节（Terabytes）甚至拍字节（Petabytes）级别，导致计算无法进行。如何以可扩展的方式表示哈密顿量是首要挑战。TensorBinding.jl通过MPO表示将内存消耗降低到对数尺度，但关键在于保持键维在可控范围内。
  2. 复杂跳跃函数的压缩与精度：实际量子材料中的跳跃函数可能具有长程、空间调制、非互易性甚至扭曲层耦合等复杂特性。将这些函数高效且准确地压缩为张量网络表示，同时避免显式构建整个矩阵，是一个技术难点。QTCI的引入解决了这一问题，但其精度和效率依赖于函数的“可压缩性”和所选的交叉点数量。
  3. 高维晶格的映射与边界条件处理：将二维（甚至三维）晶格映射到一维赝自旋链上时，必须小心处理空间维度的映射（如行主序编码）以及随之产生的周期性边界条件问题。例如，在一维链上，简单的位移操作可能会导致跨越晶格行边界的“虚假”连接。如何通过掩码MPO（masking MPO）有效抑制这些非物理连接，同时保持算法通用性，是重要挑战。
  4. 辅助自由度的整合：除了位置自由度，许多量子材料还具有自旋、子晶格、层或Nambu（BdG）等内部自由度。如何将这些辅助自由度无缝地整合到张量网络表示中，使其能够处理拓扑绝缘体中的自旋轨道耦合、超导系统中的Nambu结构或莫尔异质结构中的层索引，同时不显著增加计算复杂度，也是一个难点。
  5. 多样化物理观测量的高效计算：除了哈密顿量表示，如何在不进行显式对角化的情况下，完全在张量网络代数框架内高效计算各种物理观测量（如光谱函数、拓扑不变量、实时动力学、关联效应等）是另一个核心难点。这需要开发针对MPO/MPS的特定算法，例如基于Chebyshev多项式展开的KPM、量子傅里叶变换MPO、以及用于自洽场计算的MPO代数。
  6. 键维增长的控制：在张量网络计算中，特别是MPO-MPO乘积或时间演化过程中，键维倾向于增长。如果键维增长过快，计算成本将迅速上升，甚至超过传统方法。因此，需要有效的截断策略（如迭代奇异值分解）来控制键维，同时保持计算精度。

1.4 方法细节

TensorBinding.jl框架的核心策略是将在N个站点上定义的紧束缚哈密顿量映射到L个赝自旋站点（N=2^L）的多体希尔伯特空间中。这一映射是实现大规模计算的关键。其方法细节可分为哈密顿量构建、高维映射、辅助自由度整合和物理量计算几个方面。

1.4.1 哈密顿量表示与构建

紧束缚哈密顿量通常可写为以下一般形式：

$$H = \sum_{i,j,\alpha,\beta} t_{ij}^{\alpha\beta} c_i^{\dagger \alpha} c_j^{\beta} + \sum_{i,\alpha,\beta} V_i^{\alpha\beta} c_i^{\dagger \alpha} c_i^{\beta} + h.c.$$

其中 $i,j$ 为晶格站点索引，$\alpha,\beta$ 为内部自由度（如子晶格、自旋、轨道或Nambu指数）。该哈密顿量可分解为结构上不同的两类项：

  1. 在位贡献 ($V_i^{\alpha\beta} c_i^{\dagger \alpha} c_i^{\beta}$)：这些项在实空间站点基底下是对角的。TensorBinding.jl利用QTCI将这些对角MPO高效压缩，其最大键维主要由$V(i)$函数的平滑性决定，且几乎与系统尺寸N无关。
  2. 跳跃贡献 ($t_{ij}^{\alpha\beta} c_i^{\dagger \alpha} c_j^{\beta}$)：这些项连接不同站点对。关键构件是“位移张量”（shift tensor）$\hat{S}^{(n)}$，它实现了赝自旋表示中的位移操作，相当于将站点$i$映射到$i+n$。位移张量的构建涉及到二进制加法中的进位传播，其键维$\chi$与N无关。对于第n近邻跳跃，完整的MPO表示为：
$$\hat{H}_{hop}^{(n)} = \hat{T}_n \hat{S}^{(n)} + [\hat{S}^{(n)}]^{\dagger} \hat{T}_n^{\dagger}$$

其中，$\hat{T}_n$是一个对角MPO，用于编码空间调制的跳跃幅度$t_{i,i+n}(i)$。通过与$\hat{S}^{(n)}$相乘，即可构建完整的跳跃算符。所有这些构建均完全在MPO代数框架内完成，避免了显式矩阵操作。

1.4.2 高维晶格映射

对于高维晶格（例如二维 $N_x \times N_y = 2^{L_x} \times 2^{L_y}$ 站点），TensorBinding.jl采用行主序（row-major）编码将其映射到一维赝自旋链上：

$$n(i_x, i_y) = i_x + i_y 2^{L_x}$$

这种映射使得晶格位移 $(\Delta_x, \Delta_y)$ 在一维链上等效为移位 $q = \Delta_x + \Delta_y 2^{L_x}$。然而，直接应用位移张量会导致“虚假”的周期性边界条件，即一维链末端站点连接到下一行的起始站点。为了抑制这些非物理的环绕（wrap-around）连接，框架引入了掩码MPO $M = \mathbf{1} - P_{boundary}$。$P_{boundary}$是一个投影算符，用于投影到那些导致非物理连接的边界列站点。例如，对于水平跳跃，需要抑制右边缘的环绕；对于跨行的垂直跳跃，需要抑制左边缘的环绕。这些掩码MPO由单赝自旋投影算符的张量积构成，键维为1，不增加计算开销。

1.4.3 辅助自由度的整合

许多物理问题需要考虑除位置以外的内部自由度，例如自旋、子晶格、层或Nambu（BdG）指数。TensorBinding.jl通过在张量链的一端附加一个额外的、daux维的辅助站点来整合这些自由度。这个辅助站点通过一个键维为1的键连接到现有链，使得哈密顿量的每个项都能在扩展空间中精确分解为$H_{ext} = \hat{O}_{aux} \otimes \hat{H}_{pos}$。框架支持多种辅助类型：

  • 自旋（Spin）：$d=2$（基态 $|\uparrow\rangle, |\downarrow\rangle$）。
  • Nambu电子-空穴（BdG）：$d=2$（基态 $c^\dagger |\Omega\rangle, c|\Omega\rangle$）。
  • 层索引：任意维度。
  • 子晶格索引：例如六角晶格 $d=2$，kagomé或Lieb晶格 $d=3$。

通过这种模块化结构，可以将不同的辅助张量核预先或后置到现有张量链上，以适应不同的应用需求。例如，一个自旋分辨模型，带有塞曼场，其动能项可以表示为 $H_{kin} = \mathbf{1} \otimes H_{hop}$，塞曼场项为 $H_{zeeman} = \hat{\sigma}_z \otimes V$。超导BdG哈密顿量则通过Nambu粒子-空穴层进一步封装。

1.4.4 物理量计算

TensorBinding.jl的强大之处在于其能够完全在张量网络代数框架内计算多样化的物理观测量，避免了昂贵的显式对角化操作。

  1. 实空间和动量空间光谱函数：利用**核多项式方法（Kernel Polynomial Method, KPM）**结合Chebyshev多项式展开来实现。KPM算法将谱函数表示为Chebyshev多项式$T_n(\hat{H})$的线性组合。TensorBinding.jl实现了三种KPM路径：

    • MPO模式：每个$T_n(\hat{H})$都存储为MPO，用于计算空间分辨的局域量。
    • 对角模式：仅提取每个$T_n(\hat{H})$的对角线元素，以单次遍历生成空间分辨的局域态密度（LDOS）MPO。
    • MPS模式：将参考态$|\psi_0\rangle$传播为$|\phi_n\rangle = T_n(\hat{H})|\psi_0\rangle$，适用于键维增长可能难以控制的特定情况。

    动量分辨光谱函数 $A(k,\omega)$ 通过结合KPM算符与量子傅里叶变换MPO（Quantum Fourier Transform, QFT MPO） $\hat{U}_{QFT}$ 实现。QFT MPO将位置空间基态 $|i\rangle$ 映射到动量空间基态 $|k\rangle$。最终 $A(k,\omega) = \langle k| \hat{U}_{QFT} \hat{A}(\omega) \hat{U}_{QFT} |k\rangle$。

  2. 实空间拓扑不变量：拓扑不变量如Chern数通常在倒空间计算，但对于准晶体和无序系统，需要纯粹的实空间公式。核心是构建零温下的基态投影算符 $P = \Theta(\hat{H} - \varepsilon_F)$。TensorBinding.jl提供了KPM-based Chebyshev展开、McWeeny纯化和SP2纯化等策略来构建$P$。通过$P$，可以计算二维Chern标记 $C(r)$ 和一维缠绕数密度 $W(r)$。为了保持MPO键维紧凑，位置算符 $\hat{x}, \hat{y}$ 需要正则化为有界、光滑的函数（如 $A \sin(x/A)$）。

  3. 非厄米系统：对于非厄米紧束缚模型，框架将其映射到一个能量依赖的厄米辅助问题，并通过改进的KPM算法进行求解。这允许计算非厄米谱响应和固定复能量下的空间分辨LDOS。

  4. 非平衡态动力学：TensorBinding.jl支持两种实时演化方法：

    • 时间依赖变分原理（TDVP）：直接在MPS流形上积分Schrödinger方程，每步控制键维。
    • 四阶Runge-Kutta（RK4）方案：通过MPO算符的算术运算，演化单粒子密度矩阵 $\hat{\rho}(t)$ 的von Neumann方程 $\frac{d\hat{\rho}}{dt} = -i[\hat{H}(t), \hat{\rho}]$。这可用于计算时间依赖的电流、粒子密度和高次谐波。

  5. 自洽平均场计算：解决关联驱动的不稳定性（如莫尔系统中的自发磁序）通过哈特里-福克（Hartree-Fock）型自洽场循环实现。框架支持一般的密度-密度两体相互作用，并可构建哈特里（直通）和福克（交换）自能MPO。自旋向上和自旋向下的密度矩阵会迭代至收敛。

  6. 双粒子激子关联态：TensorBinding.jl还支持计算激子束缚态。激子被视为电子-空穴对，其形成涉及双粒子希尔伯特空间。Bethe-Salpeter哈密顿量以交错式双粒子MPO的形式构建，电子-空穴相互作用$U(r_e, r_h)$通过QTCI压缩。然后通过KPM MPS路径访问激子谱函数，从而获得束缚态和连续谱信息。

这些方法细节共同构成了TensorBinding.jl的强大功能，使其能够以空前的尺度和精度处理复杂的量子材料问题。

2. 关键 benchmark 体系，计算所得数据，性能数据

TensorBinding.jl的性能和功能通过一系列关键benchmark体系得到充分验证，这些体系涵盖了从简单的1D链到复杂的空间调制哈密顿量、非厄米系统以及关联多体问题。下图清晰展示了该方法在内存、计算时间和物理洞察力方面的显著优势。

2.1 1D 紧束缚链模型：可扩展性基准

论文图2展示了TensorBinding.jl在处理一维紧束缚链模型时的基准测试结果，该模型包含 N=2^L 个站点，具有在位势 V(ri) 和跳跃项 tn(ri)。

映射方式 (图2a, 2b)：一个 N=2^3=8 站点的实空间链被映射到一个 L=3 赝自旋链上。这种映射使得哈密顿量可以被编码为一个3核的MPO。这一巧妙的编码策略是实现大规模计算的基础。

内存成本 (图2c)：

  • MPO KPM (TensorBinding.jl)：MPO 表示的哈密顿量存储成本随着站点数量 N 呈对数增长。这意味着即使对于高达 10^12 站点的系统，内存需求也仅在吉字节（GB）范围内，完全可以在标准工作站上处理。
  • 稀疏矩阵 KPM (Sparse KPM)：稀疏矩阵存储成本呈多项式增长。对于 10^12 站点的系统，内存需求将达到约 10^21 字节 (泽字节, ZB)，这远超现有任何硬件的能力，是不可行的。
  • 精确对角化 (Exact diag)：稠密矩阵的存储成本更高，通常呈 N^2 甚至 N^3 增长，对于 10^12 站点而言，需求将达到 10^25 字节 (尧字节, YB)，更是天方夜谭。

这张图清晰地揭示了传统方法在内存方面的根本性限制。对于 10^12 站点的系统，MPO 方法将内存需求从尧字节级别降低到吉字节级别，实现了约 16 个数量级的内存节省，这是其处理超大规模系统的核心优势。

计算时间 (图2d)：

  • MPO KPM (TensorBinding.jl)：对于 10^12 站点的系统，通过 TensorBinding.jl 实现的 MPO KPM 方法计算局域态密度（LDOS）仅需几秒钟。这展示了其卓越的计算效率。
  • 稀疏矩阵 KPM (Sparse KPM)：对于 10^12 站点的系统，稀疏矩阵 KPM 方法的计算时间将高达数年甚至数十年。
  • 精确对角化 (Exact diag)：对于 10^12 站点的系统，精确对角化方法计算时间将高达数十亿年。

与内存成本类似，计算时间基准也突显了 TensorBinding.jl 在超大规模系统上的绝对优势。在传统方法需要天文数字般的时间尺度时，MPO KPM 能够以近乎实时的速度完成计算。这种惊人的性能提升是其对物理学研究的深远影响的关键。

2.2 空间调制 Haldane 模型：拓扑和能带结构

论文图3展示了在蜂窝晶格上具有空间调制次近邻跳跃幅度的 Haldane 模型 (t2(x) = t2 cos(2πα/λ)) 的单粒子观测结果。模型参数为 t1 = 1, t2 = 0.3t1, φ = π/2, M = 0，调制周期 λ = Nx/2，其中 Nx = Ny = 2^12。

  • 实空间 Chern 标记 C(r) (图3a)：计算结果清晰地显示出由 C = ±1 交替的条纹，其周期为 λ/2。这直接揭示了模型中并存的拓扑和非拓扑区域，其畴结构由调制周期决定。这一结果对于在实空间中识别局部拓扑相至关重要，是倒空间方法无法直接提供的。
  • 零频率 LDOS (A(r, ω=0)) (图3b)：在拓扑和非拓扑相之间的畴壁处，LDOS 强度出现明显的峰值。这表明手性边缘态局域在这些内部畴壁处，与拓扑相变紧密相关。
  • 能带结构 A(k, ω) (图3c)：虽然模型保留了 Haldane 模型的狄拉克锥拓扑结构，但在超晶格波矢处出现了微能带折叠（mini-band folding）现象，这反映了超晶格周期性对能带结构的调制影响。
  • 频率分辨 LDOS (A(ω)/A_max) (图3d)：分别在体材料（bulk）和畴壁边缘（domain-wall edge）处评估了频率分辨 LDOS。结果显示出体材料的带隙谱和在带隙中穿过体带隙的分散手性边缘支。这进一步证实了边界模式的拓扑起源。

这些结果综合展示了 TensorBinding.jl 能够精确捕捉复杂空间调制系统中，宏观尺度下的拓扑性质和其对电子结构的影响，远超传统方法。

2.3 1D Aubry-Andre-Harper 链与调制损耗：非厄米动力学

论文图4展示了在具有三角调制损耗 γ(x)（x遵循三角模式）的 1D Aubry-Andre-Harper (AAH) 链（N=2^20 站点）中的非厄米观测结果。模型参数为 t = 1, VAAH = 0.5t, γ0 = 0.2t。

  • 复能量平面上的谱权重 A(Re z, Im z) (图4a)：非厄米 KPM 算法计算的谱权重显示，态主要分布在下半平面，虚部能量编码了模式依赖的衰减率。这对于理解非厄米系统中的能量耗散和寿命至关重要。
  • 对角密度 ⟨x|ρ(t)|x⟩ 的时空演化 (图4b)：通过 RK4 求解器，从半填充基态演化而来。结果显示，粒子权重在无损耗区域 (x0 = N/4, γ = 0) 逐渐累积，而在高损耗区域 (x1 = 3N/8, γ = 2γ0) 则衰减。这直观地展示了空间异质性对粒子分布和衰减动力学的影响。
  • 单粒子波包动力学 |⟨x|ψ(t)⟩| (图4c)：TDVP 方法用于比较厄米链和有损链中的波包动力学。结果突出了衰减的强位置依赖性，并展示了 TensorBinding.jl 处理跨整个系统宽度的多尺度波包演化的能力。

这些结果强调了 TensorBinding.jl 在非厄米系统中的强大功能，它能够处理大规模系统中的损耗和增益效应，并准确模拟其动力学行为和谱性质。

2.4 空间调制系统中的平均场 Hubbard 和激子可观测值

论文图5展示了在具有空间调制跳跃 t(x) = t0 + tamp cos(8πx/Nx)（tamp = 0.5t0, U = 5.5t0）的 2D 方形晶格（Lx = Ly = 12 (2^24 站点）中的平均场 Hubbard 模型和激子计算结果。

  • 平均场 Hubbard 磁化强度 |mi| (图5a)：模拟结果显示，系统发展出与跳跃调制对齐的条纹序。磁矩最强的区域集中在跳跃增强的区域，清晰揭示了关联效应与空间调制之间的耦合，以及由此产生的对称破缺磁序。
  • 自旋求和光谱函数 A(k, ω) (图5b)：通过 KPM 从收敛的磁密度矩阵计算而来，显示了有序态的准粒子能带以及在费米能级处的关联驱动带隙。这对于理解关联体系的电子结构和相变机制至关重要。

激子计算：针对包含 N=2^20 电子-空穴对的 1D 系统，具有非公度在位调制 V(x) = V0 cos(2πx/λ)（V0 = 1.5|t|）和 Hubbard 相互作用 U = 6|t|。

  • 激子局域态密度 ρ(x, ω) (图5c)：结果显示，束缚态谱权重出现在散射连续谱以下，并在空间中周期性调制。非公度调制导致了莫尔微能带（moiré minibands）的出现，表现为 LDOS 中的周期性重复。这表明 TensorBinding.jl 能够捕捉莫尔系统中的激子物理，包括空间分辨的激子特征。
  • 总激子态密度 (图5d)：散射连续谱和束缚区贡献被分别解析，确认了连续谱边缘下方离散的束缚态流形。这提供了激子能谱的详细信息，对于理解光-物质相互作用和激子输运至关重要。

总而言之，这些基准测试体系及其计算所得的数据和性能指标有力证明了 TensorBinding.jl 作为一个统一的张量网络框架，在处理超大规模、复杂调制、非厄米以及关联量子系统方面，具有无与伦比的性能和广泛的应用潜力。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

TensorBinding.jl 的设计哲学在于提供一个灵活、高效且统一的框架，使得研究人员能够以可扩展的方式解决各种紧束缚模型。其核心实现依赖于Julia语言及其高性能的科学计算生态系统。

3.1 实现语言与生态系统

TensorBinding.jl 使用 Julia 语言开发，Julia以其高性能、多重分派（multiple dispatch）和出色的包生态系统而闻名，非常适合科学计算和张量网络算法的实现。该框架的核心构建在 ITensors 生态系统之上，特别是 ITensors.jl 库，它提供了基础的张量网络数据结构和算法，例如MPO和MPS的表示、收缩、截断等操作。ITensors.jl为 TensorBinding.jl 提供了坚实的基础，使其能够继承其高效和并行计算能力。

另一个关键的依赖是 QuanticsTCI.jl，它是实现“量化张量交叉插值”（QTCI）算法的库。QTCI是TensorBinding.jl能够高效压缩任意复杂函数（如空间调制的跳跃项和在位势）的关键。它将传统的函数插值问题转化为张量网络问题，极大地减少了存储和计算成本，尤其是在处理高维或复杂函数时。

3.2 哈密顿量构建细节

TensorBinding.jl 提供了多种灵活的方式来构建哈密顿量，以适应不同的物理模型和研究需求：

  1. 预置哈密顿量：框架内置了一系列常见的一维和二维晶格模型的哈密顿量，包括：

    • 一维链（1D chains）
    • SSH模型（Su-Schrieffer-Heeger models）
    • Aubry-André-Harper准晶体（quasicrystals）
    • 二维方形（square）、三角（triangular）、蜂窝（honeycomb）、kagomé、Lieb和dice晶格。 这些预置的结构可以直接调用，极大地简化了模型设置。

  2. 动态添加跳跃项：研究人员可以动态添加任意第n近邻跳跃（nth-nearest-neighbor hoppings）。跳跃幅度可以是：

    • 均匀的（uniformly）：所有相关键上的跳跃幅度相同。
    • 依赖于键方向的（by bond direction）：跳跃幅度随其方向而变化。
    • 依赖于站点的（by site）：跳跃幅度随始发或终止站点的位置而变化。
    • 完全依赖于位置和方向的（full position-and-direction dependence）：最通用的情况，跳跃幅度由一个与位置和方向相关的函数决定。这些复杂函数通过QTCI压缩成张量网络，从而高效地表示。 这使得编码复杂相位调制（例如 Haldane 模型的次近邻跳跃）变得轻而易举，而无需修改底层的 MPO 对象结构。

  3. 辅助自由度的集成：TensorBinding.jl 采用模块化的“可变操作”（mutable operations）来集成内部自由度，如自旋、Nambu（BdG）、层或子晶格索引。这通过将额外的索引块附加到MPO核心实现，并在整个辅助索引结构中进行跟踪（详见附录C）。例如：

    • T-结（T-junctions）：通过专用的 dim-3 分支索引支持，用于研究多终端几何结构，如Majorana编织协议和多线拓扑网络。
    • 扭曲多层材料：利用专用的QTCI压缩构造函数支持指数衰减层间耦合，使得莫尔系统能够在传统矩阵方法无法企及的尺度上构建。 这种设计不仅增强了模型的表现力，还使得不同物理情景能够通过组合不同的辅助自由度轻松构建。

3.3 物理量计算算法实现

框架内所有物理量的计算都完全在张量网络代数框架内完成，无需显式对角化。

  1. 光谱函数：使用核多项式方法（KPM），通过Chebyshev多项式展开来实现。提供了三种模式：
    • MPO模式：存储完整的 $T_n(H)$ MPO。
    • 对角模式：仅提取 $T_n(H)$ 的对角线元素。
    • MPS模式：传播参考态 $|\psi_0\rangle$。哈密顿量的能量范围缩放利用DMRG算法高效完成。
  2. 动量分辨光谱：结合 KPM 算符与**量子傅里叶变换 MPO（QFT MPO）**实现。QFT MPO 本身是 TensorBinding.jl 的原生特性。
  3. 实空间拓扑不变量：基态投影算符 $P$ 通过 KPM Chebyshev 展开、McWeeny 纯化或 SP2 纯化方法构建。为保持MPO键维紧凑，位置算符 $\hat{x}, \hat{y}$ 进行了正则化处理。
  4. 非厄米系统：通过映射到能量依赖的厄米辅助问题并使用修正的 KPM 算法求解。
  5. 实时动力学：
    • TDVP：用于直接在MPS流形上积分 Schrödinger 方程。
    • RK4：用于通过 MPO 算术演化密度矩阵的 von Neumann 方程。
  6. 自洽平均场：Hartree 和 Fock 自能都被表示为 MPO，并在自洽循环中迭代更新密度矩阵。
  7. 激子物理：构建交错式双粒子 MPO 来表示 Bethe-Salpeter 哈密顿量，并通过 QTCI 压缩电子-空穴相互作用。

3.4 软件包和开源仓库链接

TensorBinding.jl 是一个完全开源的项目，其源代码托管在 GitHub 上，并提供详细的文档和示例，方便用户学习和使用。

3.5 复现指南

为了复现论文中展示的结果，用户可以遵循以下步骤：

  1. 安装 Julia：确保您的系统上安装了最新稳定版本的 Julia。可以从 Julia 官方网站 https://julialang.org/downloads/ 下载并安装。
  2. 克隆 TensorBinding.jl 仓库：
    git clone https://github.com/TensorBinding/TensorBinding.jl.git
cd TensorBinding.jl
  3. 进入 Julia 环境并安装依赖：
    julia
pkg> activate .
pkg> instantiate
    这将安装 TensorBinding.jl 及其所有依赖项，包括 ITensors.jl 和 QuanticsTCI.jl。
  4. 运行示例代码：仓库中包含一个 examples/manuscript_files 文件夹，其中包含用于复现论文中图表的所有脚本。例如，要运行某个示例：
    julia --project=. examples/manuscript_files/run_haldane_model.jl
    建议仔细阅读每个示例脚本的代码和注释，以了解具体的模型设置、计算参数和可观测量的提取方法。
  5. 查阅文档：TensorBinding.jl 的文档通常会提供更详细的API使用说明和高级功能示例，用户可以通过访问GitHub仓库页面或编译本地文档来获取最新信息。

通过遵循上述指南，研究人员可以轻松地搭建 TensorBinding.jl 的工作环境，并复现论文中的关键结果，进一步探索和开发新的量子材料计算应用。

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

TensorBinding.jl 的工作建立在张量网络、量子多体物理以及计算物理的多个前沿领域之上。以下是一些关键引用文献及其在该工作中的作用：

  1. 张量网络/MPO/MPS 基础：

    • [49] M. Fishman, S. White, and E. Stoudenmire, The itensor software library for tensor network calculations, SciPost Physics Codebases 10.21468/scipostphyscodeb.4 (2022). ITensors.jl 是 TensorBinding.jl 的基石，提供了构建和操作MPO和MPS的核心功能。
    • [51] U. Schollwöck, The density-matrix renormalization group, Rev. Mod. Phys. 77, 259 (2005). DMRG是MPS的先驱，该理论对于理解张量网络的压缩原理至关重要。
    • [75] I. V. Oseledets, Tensor-train decomposition, SIAM Journal on Scientific Computing 33, 2295 (2011). 张量列分解（Tensor-train decomposition），是MPS/MPO的一种更通用形式，为高效张量运算提供了理论基础。

  2. 量化张量交叉插值 (QTCI)：

    • [76] M. K. Ritter, Y. Núñez Fernández, M. Wallerberger, J. von Delft, H. Shinaoka, and X. Waintal, Quantics tensor cross interpolation for high-resolution parsimonious representations of multivariate functions, Phys. Rev. Lett. 132, 056501 (2024). QTCI是 TensorBinding.jl 能够将复杂函数（如跳跃幅度）高效压缩成MPO的关键技术。
    • [77] Y. Núñez Fernández, M. K. Ritter, M. Jeannin, J.-W. Li, T. Kloss, T. Louvet, S. Terasaki, O. Parcollet, J. von Delft, H. Shinaoka, and X. Waintal, Learning tensor networks with tensor cross interpolation: New algorithms and libraries, SciPost Physics 18, 10.21468/scipostphys.18.3.104 (2025). 进一步阐述了QTCI算法及其应用，支持了 TensorBinding.jl 的核心功能。

  3. 紧束缚模型/莫尔/准晶体：

    • [14] Y. Sun, M. Niedermeier, T. V. C. Antão, A. O. Fumega, and J. L. Lado, Self-consistent tensor network method for correlated super-moiré matter beyond one billion sites, Phys. Rev. Res. 7, 043288 (2025). 本论文的作者们在超莫尔关联材料上的先前工作，是 TensorBinding.jl 开发的直接驱动力之一，展示了张量网络处理超大莫尔结构的潜力。
    • [4] T. V. C. Antão, Y. Sun, A. O. Fumega, and J. L. Lado, Tensor network method for real-space topology in quasicrystal chern mosaics, Phys. Rev. Lett. 136, 156601 (2026). 本论文作者团队在准晶体Chern标记上的工作，是实空间拓扑不变量计算的直接前身。
    • [29] Y. Li, Z. Zhan, X. Kuang, Y. Li, and S. Yuan, Tbplas: A tight-binding package for large-scale simulation, Computer Physics Communications 285, 108632 (2023). 比较了现有的大规模紧束缚计算包，突显了 TensorBinding.jl 解决其局限性的能力。

  4. 核多项式方法 (KPM)：

    • [96] A. Weiße, G. Wellein, A. Alvermann, and H. Fehske, The kernel polynomial method, Rev. Mod. Phys. 78, 275 (2006). KPM是计算光谱函数和态密度的标准方法，TensorBinding.jl 通过MPO实现了KPM的高效版本。

  5. 量子傅里叶变换 MPO (QFT MPO)：

    • [79] A. Moustaj, Y. Sun, T. V. C. Antão, and J. L. Lado, Tensor network approach to momentum-resolved spectroscopy in nonperiodic super-moiré systems, Phys. Rev. Res. 8, 023282 (2026). 本论文作者团队在非周期系统动量分辨谱上的工作，直接利用了QFT MPO，是本论文相关章节的基础。

  6. 非厄米 KPM：

    • [39] Y. Sun, J. L. Lado, and G. Chen, Real-space spectral functions of three-dimensional billion-size topological non-hermitian matter with tensor networks (2026). 本论文作者团队在非厄米拓扑材料上的工作，是 TensorBinding.jl 处理非厄米系统的基础。

  7. 时间演化 (TDVP, RK4)：

    • [53] S. Paeckel, T. Köhler, A. Swoboda, S. R. Manmana, U. Schollwöck, and C. Hubig, Time-evolution methods for matrix-product states, Annals of Physics 411, 167998 (2019). 阐述了MPS时间演化的方法，如TDVP，是 TensorBinding.jl 实时动力学计算的基础。

  8. 激子：

    • [31] A. Moustaj, Y. Sun, T. V. C. Antão, L. Eek, and J. L. Lado, Tensor-network methodology for super-moiré excitons beyond one billion sites (2026). 本论文作者团队在超莫尔激子上的工作，展示了张量网络处理双粒子激子问题的能力。

4.2 对这项工作局限性的评论

尽管 TensorBinding.jl 在大规模紧束缚哈密顿量计算方面取得了显著的突破，但任何计算方法都存在其固有的局限性，理解这些局限性对于合理评估其适用范围至关重要：

  1. 键维（Bond Dimension）的增长：

    • 核心制约因素：张量网络方法的计算成本（尤其是收缩操作）通常与键维 $\chi$ 的三次方（或更高次方）成比例。该方法有效性的关键在于哈密顿量或密度矩阵必须具有“可压缩性”，即可以用较小的键维精确表示。如果系统的物理性质过于复杂，例如存在密集无序、许多竞争的跳跃范围或大量复杂或不连续的特征，键维可能会急剧增长。当 $\chi$ 变得过大时，张量网络方法的计算优势将减弱，甚至可能不如传统的稀疏矩阵方法。
    • 物理背景：键维通常与量子纠缠熵相关联。高度纠缠的系统（例如量子自旋液体、临界系统）往往需要更大的键维来描述，这会增加计算负担。

  2. 光谱分辨率的限制：

    • KPM 的光谱分辨率受到 Chebyshev 矩数量 $N_{cheb}$ 和相关 KPM 展宽的限制。获得更精细的能量分辨率通常需要更多的迭代，这可能导致键维增加，从而增加计算成本。在某些情况下，可能需要权衡分辨率和计算效率。

  3. 当前方法的适用范围：

    • 单粒子/平均场/双粒子限制：目前，TensorBinding.jl 框架主要适用于单粒子物理、平均场理论（如 Hartree-Fock）或最多双粒子（少数粒子）问题。这意味着它不适用于解决强关联多体问题，例如量子自旋液体、分数量子霍尔效应（fractional Chern insulators）或近藤物理（Kondo physics），这些问题需要更高级的多体方法（如DMRG直接应用于哈密顿量本身以寻找基态，而不是作为中间步骤）。

  4. 特定观测量的高成本：

    • 虽然许多观测量可以在张量网络框架内高效计算，但某些情况下，如果需要高精度的原子分辨实空间LDOS图，或者需要重建完整的动量空间MPO，成本仍然可能很高。例如，在“MPO模式”下存储完整的 $T_n(H)$ MPO，如果其键维增长，可能会消耗大量内存和计算资源。

  5. 推广性的潜在挑战：

    • 尽管 TensorBinding.jl 在设计上强调模块化和通用性，但在处理某些极其复杂或新颖的晶格几何、高维度（例如超越3D）或具有非常规内部自由度的系统时，仍然可能需要额外的掩码MPO、索引映射或算法优化，以确保效率。

  6. 与其他计算包的比较：

    • TensorBinding.jl 定位为解决超大尺度 spatially structured 模型的补充工具。对于中小尺度系统、输运计算和通用稀疏矩阵工作流，Kwant [43]、PythTB [44]、Pyqula [46]、KITE [47] 或 TBPLaS [29] 等传统软件包仍然是自然的选择。

综上所述，TensorBinding.jl 是一项强大的进步，但在将其应用于具体问题时，理解其键维约束、物理适用范围和计算成本权衡至关重要。

5. 其他你认为必要的补充

5.1 传统计算方法的局限性与张量网络方法的优势

传统紧束缚计算方法，无论是基于稠密矩阵还是稀疏矩阵，都面临着固有且不可逾越的局限性，尤其是在处理超大规模系统时。例如，对于一个包含 N 个站点的系统，哈密顿量的稠密矩阵表示需要 $N^2$ 的内存和 $N^3$ 的计算时间（例如进行对角化）。即使采用稀疏矩阵方法，内存和计算复杂度通常也呈 $N$ 的多项式增长（例如 $N$ 或 $N \log N$），在站点数达到 10^12 量级时，仍然会达到兆兆字节（Terabytes）甚至尧字节（Yottabytes）的内存需求和数十亿年的计算时间，这在物理上是不可行的。这正是 TensorBinding.jl 所要解决的核心问题。

张量网络方法，特别是MPO表示，通过利用量子多体系统中固有的（或在真实材料中常见的）局部纠缠或低秩结构，将系统描述的复杂性从 N 的多项式依赖降低到系统大小 L 的对数依赖（N = 2^L）。这种指数级的压缩使得内存消耗从 YB 级别降低到 GB 级别，计算时间从数十亿年降低到几秒钟，如图2所示。这不仅是一个性能上的提升，更重要的是，它开启了一个全新的计算范式，使得以前被认为无法求解的超大规模问题现在可以在标准工作站上进行研究。

此外，与稀疏矩阵 KPM 方法相比，张量网络 KPM 具有显著优势。稀疏矩阵 KPM 通常只能访问单个向量（例如 $|v\rangle = T_n(H)|a\rangle$）的性质，而 TensorBinding.jl 中的 MPO KPM 能够显式计算哈密顿量本身的 Chebyshev 多项式 $T_n(H)$，并允许通过张量网络收缩一次性访问整个系统的光谱信息，而无需单独对每个站点或动量进行计算。这对于需要全局或空间分辨信息的分析（如 Chern 标记）至关重要。

5.2 对未来发展的展望

TensorBinding.jl 不仅仅是一个已完成的工具，它还是一个持续发展中的、充满潜力的研究平台。论文在“展望”一节（第V节）中详细阐述了未来的几个活跃开发方向，预示着该框架将进一步拓宽其应用范围：

  1. 拓扑泵（Topological Pumps）：通过密度矩阵MPO的循环绝热演化，可以计算周期性驱动或准晶体大尺度模型中的量子化电荷输运可观测值。这将为探索非平衡态拓扑相变提供新工具。
  2. 谷 Chern 标记（Valley Chern Markers）：为具有破缺反演对称性的莫尔异质结构定制。通过将谷投影算符（例如 $P_{K/K'} = (1 \pm V)/2$）集成到 Chern 标记的表达式中，可以实现空间分辨的谷拓扑分析，这对于理解谷电子学至关重要。
  3. 准粒子干涉（Quasiparticle Interference, QPI）：通过在系统中引入点状杂质 $V_{imp} = V_0 |r_0\rangle \langle r_0|$，然后计算诱导 LDOS 调制的傅里叶变换 $δA(q,\omega)$，可以模拟扫描隧道显微镜（STM）中的QPI信号。这有助于识别材料中的散射机制和费米面结构。
  4. 集体激发（Collective Excitations）：通过随机相位近似（RPA）重求粒子-空穴泡图到所有阶次，可以捕捉集体电荷和自旋激发。TensorBinding.jl 正在实现电荷和磁激发通道，这将使得对材料响应函数的计算成为可能。
  5. Krylov-based 谱求解器：除了 KPM，Krylov-based 谱求解器（如 Haydock 递推）提供了另一种计算谱信息的方法，正在积极集成到MPO框架中，有望进一步提高灵活性和效率。
  6. 莫尔 Floquet 哈密顿量：压缩莫尔 Floquet 哈密顿量将使其能够研究周期性驱动莫尔系统中的时间依赖拓扑和非平衡态现象。
  7. 输运性质：未来可能扩展到计算大尺度系统中的输运性质，这对于器件应用至关重要。
  8. 少数粒子物理：研究莫尔或准晶体系统中的少数粒子（如双激子、三激子）的物理学。这将推动 TensorBinding.jl 成为一个更全面的实空间工具包，覆盖从单粒子到少数粒子量子问题的广泛范围。

5.3 量子启发算法的兴起：QTCI 的关键作用

TensorBinding.jl 之所以能够实现这些突破，很大程度上得益于量子启发算法（Quantum-inspired algorithms）的最新发展，特别是量化张量交叉插值（Quantics Tensor Cross Interpolation, QTCI）。QTCI 是一种量子启发式主动学习算法，它有效地将张量网络方法重新用于编码指数级经典的函数。在此之前，张量网络主要用于量子多体物理中的纠缠态表示。QTCI 的出现，使得张量网络能够处理更广泛的经典问题，例如：

  • 偏微分方程 (PDEs) 的求解 [56, 57]。
  • 流体动力学 模拟 [58, 59]。
  • 计算化学中的波函数表示 [60-63]。
  • 多体图解法和杂质求解器 [64-66]。
  • 机器学习 [67-69]。
  • 量子计算模拟 [70-73]。

这些应用表明，QTCI 提供了一种通用的压缩框架，能够将复杂的高维函数表示为紧凑的张量网络，从而显著降低了计算复杂性。将这一思想引入紧束缚问题，意味着原本需要显式存储和对角化的哈密顿量，现在可以被高效压缩和操作，从而极大地扩展了可处理的系统规模。QTCI 使得 TensorBinding.jl 能够构建和处理具有复杂空间依赖性的哈密顿量，这是传统方法无法做到的。

5.4 广泛影响与重要性

TensorBinding.jl 的发布具有深远的科学和技术意义：

  1. 开启新的计算范式：它为实空间凝聚态物理学开辟了一个全新的计算范式，使得研究人员能够以前所未有的尺度（数十亿原子）研究材料。这对于理解莫尔超晶格、准晶体以及空间调制拓扑相中的新奇量子现象至关重要。
  2. 解决长期存在的瓶颈：传统方法在处理大尺度问题时面临的内存和计算瓶颈是凝聚态物理学中的一个长期挑战。TensorBinding.jl 通过其张量网络方法成功克服了这一挑战，使得许多曾经无法触及的研究领域（如超莫尔结构、准晶体 Chern 标记、非厄米系统、大规模激子问题）成为可能。
  3. 灵活的研究框架：作为一个开源的 Julia 包，TensorBinding.jl 提供了一个高度模块化和可扩展的框架。研究人员可以轻松地修改或扩展现有模型，添加新的物理量，甚至开发新的张量网络算法。这种灵活性将极大地促进社区合作和新理论的发展。
  4. 支持前沿实验：该方法能够计算局域能带结构和动量分辨谱等观测量，这对于解释和指导量子扭曲显微镜（quantum twisting microscope）等前沿实验结果具有直接意义。
  5. 推动量子材料设计：通过对大尺度系统的精确模拟，科学家可以更深入地理解量子材料中物理现象的起源和相互作用，从而为新型量子材料的设计和优化提供理论指导。

总之，TensorBinding.jl 不仅是计算技术的一大进步，更是量子材料研究领域的一个重要里程碑，它为探索介观和宏观尺度下的量子世界提供了前所未有的工具。