量子伊辛模型数值模拟：QMC与张量网络方法实践

1. 量子多体系统数值方法概述

在凝聚态物理研究中，量子伊辛模型作为最简单的格点模型之一，却蕴含着丰富的物理现象。这个看似简单的模型可以描述从铁磁相变到拓扑量子计算等各种物理现象。然而，随着系统尺寸增大，量子多体问题的复杂度呈指数级增长，这使得解析求解变得几乎不可能。此时，数值模拟方法就成为了不可或缺的研究工具。

量子蒙特卡洛(QMC)算法诞生于上世纪80年代，最初是为了解决经典统计力学中的采样问题。经过几十年的发展，QMC已经形成了包括世界线蒙特卡洛、连续时间蒙特卡洛等多种变体。其核心思想是利用随机采样来近似计算高维积分，这对于求解量子多体系统的配分函数特别有效。在量子伊辛模型研究中，QMC最大的优势在于能够精确处理有限温度效应，这对于研究相变行为至关重要。

张量网络(TTN)方法则源于量子信息科学的发展。1992年，White提出的密度矩阵重整化群(DMRG)算法可以视为张量网络的雏形。TTN通过将量子态表示为一系列低秩张量的收缩，巧妙地规避了希尔伯特空间维度灾难。特别值得注意的是，TTN在描述具有长程纠缠的量子态时表现出色，这正好弥补了QMC在处理强关联系统时的不足。

2. 量子伊辛模型的理论框架

2.1 模型哈密顿量

2+1维横场量子伊辛模型的哈密顿量可表示为：

H = -JΣ<ij>σ_i^zσ_j^z - hΣ_iσ_i^x

其中第一项表示自旋间的铁磁相互作用(J>0)，第二项为横向磁场项。这个看似简单的模型却展现出丰富的相变行为：当温度T=0时，随着磁场强度h的变化，系统会在临界点hc处发生量子相变；在有限温度下，还存在从有序到无序的热力学相变。

2.2 相变特征

铁磁相(FM)的特征是自发对称性破缺，表现为非零的磁化强度<σ^z>≠0。而顺磁相(PM)则保持对称性，<σ^z>=0。在临界点附近，系统会展现出普适的标度行为，各种物理量呈现幂律发散。理解这些相变行为的关键在于准确计算序参量、关联函数等物理量，这正是数值方法的用武之地。

3. 量子蒙特卡洛实现细节

3.1 算法选择与实现

在具体实现中，我们采用了ALPS库中的loop算法。这种算法的独特之处在于它通过非局域更新有效克服了临界 slowing down问题。具体实现时需要注意：

1. 采用周期边界条件减小有限尺寸效应
2. 每个温度点进行至少10^6次蒙特卡洛步以保证收敛
3. 使用并行计算加速采样过程

关键提示：loop更新中建议采用改进的Mersenne Twister随机数发生器，避免相关性导致的采样偏差。

3.2 淬火能量计算

淬火过程的能量计算如公式(S1)所示，关键在于准确估计初始态密度矩阵ρ_i在终态哈密顿量H_f下的期望值。实际操作中：

1. 先对初始系统(hi,Ti)进行充分热化
2. 固定构型后，计算其在H_f下的能量值
3. 重复采样10^5次获取统计平均值

3.3 二分法温度确定

温度搜索采用经典的二分算法，但需要注意：

1. 初始温度区间(T1,T2)要足够宽，确保包含解
2. 每次迭代都需要重新进行QMC模拟计算能量
3. 收敛标准设为|Emid-Eq|<0.01J

表1展示了典型参数下的收敛过程：

4. 张量网络方法实现

4.1 空间映射策略

将2D系统映射到1D链是关键步骤。我们采用蛇形编码：

1. 按行优先顺序编号格点
2. 相邻行采用相反方向编号
3. 保留最近邻相互作用信息

这种映射虽然会引入一些长程相互作用，但保持了原系统的拓扑性质。

4.2 网络结构与参数

TTN采用二叉树结构，具体参数设置：

• 初始bond dimension χ=64
• 截断误差阈值ε=10^-6
• 时间步长δt=0.05/J

经验之谈：实际计算中发现χ=150已经能获得很好收敛，继续增大χ对精度提升有限但显著增加计算成本。

4.3 时间演化算法

采用单张量TDVP算法进行时间演化：

1. 将哈密顿量表示为矩阵乘积算子(MPO)
2. 在每个时间步进行局部更新
3. 动态调整bond dimension保持截断误差

表2比较了不同参数下的计算精度：

5. 结果分析与讨论

5.1 有限尺寸效应

如图S1所示，系统尺寸对终态温度Tf有显著影响。我们发现：

1. 对于L>20的系统，Tf基本收敛
2. PM→FM转变在热力学极限下依然存在
3. 冷却淬火的效果随尺寸增大更明显

5.2 动力学相图

图S2展示了hi=2.25时的相图特征：

1. 相边界位置随尺寸增大趋于稳定
2. PM→FM转变区域随尺寸增大而缩小
3. 大淬火情形下有限尺寸效应更显著

5.3 方法比较

QMC和TTN各有优劣：

• QMC在计算热力学量时更高效精确
• TTN在实时动力学模拟中更具优势
• 两者结合可以提供更完整的物理图像

6. 实际计算中的经验技巧

6.1 QMC加速技巧

1. 采用多步更新策略：先进行局部更新再全局更新
2. 使用GPU加速能量计算
3. 并行化多个温度点的模拟

6.2 TTN优化建议

1. 初始态制备采用逐步增加χ的策略
2. 时间演化时动态调整δt
3. 定期检查纠缠熵增长情况

6.3 常见问题排查

1. QMC不收敛：检查随机数种子，增加热化步数
2. TTN精度差：尝试不同的映射顺序
3. 内存不足：采用分批计算策略

7. 扩展应用与展望

这套方法体系可以推广到其他量子多体系统研究。例如：

1. 加入次近邻相互作用研究挫折系统
2. 推广到更高自旋情形
3. 应用于非平衡稳态研究

在实际研究中，我们发现结合量子机器学习技术可以进一步提升计算效率。例如用神经网络参数化波函数，或者用机器学习预测最优模拟参数。