Matrix Product States, kurz MPS, gehören zu den wichtigsten Werkzeugen der modernen numerischen Quantenphysik. Sie ermöglichen es, bestimmte Quantenzustände mit sehr vielen Freiheitsgraden so darzustellen, dass ihre Beschreibung nicht zwangsläufig mit der vollen exponentiellen Größe des Hilbertraums wachsen muss. Besonders leistungsfähig sind MPS bei eindimensionalen Quantensystemen mit lokalen Wechselwirkungen und begrenzter Verschränkung.

Das zentrale Problem lässt sich einfach formulieren: Ein System aus vielen Quantenteilchen besitzt einen extrem großen Zustandsraum. Bereits ein Register aus Qubits benötigt für eine vollständige klassische Beschreibung eine Zahl von Amplituden, die exponentiell mit der Zahl der Qubits wächst. Für ein System aus N Qubits beträgt die Dimension des Hilbertraums

\(2^N\)

und ein allgemeiner reiner Zustand kann geschrieben werden als

\(|\psi\rangle = \sum_{i_1,\ldots,i_N} c_{i_1\ldots i_N}|i_1,\ldots,i_N\rangle.\)

Die Matrix-Product-State-Darstellung setzt genau an dieser Stelle an. Statt sämtliche Koeffizienten des Zustands direkt zu speichern, wird der große Koeffiziententensor in eine Kette kleinerer Tensoren zerlegt. Entscheidend ist dabei nicht nur mathematische Kompression. Die Methode nutzt eine physikalische Eigenschaft vieler relevanter Systeme: Ihre Verschränkung ist wesentlich strukturierter als die eines beliebigen Zustands im Hilbertraum.

MPS sind deshalb nicht einfach eine technische Näherung. Sie stellen eine Verbindung zwischen der physikalischen Struktur eines Vielteilchensystems, seiner Verschränkung und seiner numerischen Berechenbarkeit her. Diese Verbindung erklärt, warum Verfahren wie die Density Matrix Renormalization Group, Time-Evolving Block Decimation und der Time-Dependent Variational Principle so erfolgreich bei eindimensionalen Quantensystemen eingesetzt werden können.

Quantenzustände vieler Teilchen

Zustandsraum eines Quantensystems

Ein Quantensystem wird durch einen Zustand in einem Hilbertraum beschrieben. Für ein einzelnes Qubit genügt eine zweidimensionale Basis, beispielsweise

\(|0\rangle,\quad |1\rangle.\)

Ein allgemeiner reiner Qubit-Zustand besitzt die Form

\(|\psi\rangle = \alpha |0\rangle + \beta |1\rangle,\)

wobei für einen normierten Zustand gilt

\(|\alpha|^2 + |\beta|^2 = 1.\)

Bei mehreren Quantensystemen entsteht der Gesamtzustandsraum durch Tensorprodukte. Aus zwei Qubits wird ein vierdimensionaler Hilbertraum, aus drei Qubits ein acht-dimensionaler und aus N Qubits ein Raum der Dimension

\(2^N.\)

Dieses Wachstum ist eine direkte Folge der Quantenmechanik und keine Besonderheit numerischer Verfahren.

Zusammengesetzte Quantensysteme

Für N lokale Freiheitsgrade mit lokaler Dimension d ergibt sich eine Produktbasis

\(|i_1\rangle \otimes |i_2\rangle \otimes \cdots \otimes |i_N\rangle.\)

Üblicherweise wird dies verkürzt geschrieben als

\(|i_1,i_2,\ldots,i_N\rangle.\)

Der allgemeinste Zustand lautet

\(|\psi\rangle = \sum_{i_1,\ldots,i_N} c_{i_1\ldots i_N}|i_1,i_2,\ldots,i_N\rangle.\)

Der Koeffizient

\(c_{i_1\ldots i_N}\)

ist damit kein gewöhnlicher Vektor mehr, sondern ein Tensor mit N Indizes. Dieser Tensor enthält die vollständige Information über den Zustand.

Exponentielle Skalierung

Wenn jeder lokale Freiheitsgrad d mögliche Zustände besitzt, muss ein beliebiger Zustand grundsätzlich

\(d^N\)

komplexe Amplituden enthalten. Für Qubits gilt d gleich zwei. Schon bei einigen Dutzend Qubits wird eine direkte Speicherung sehr aufwendig. Bei einigen hundert Qubits ist eine vollständige klassische Darstellung prinzipiell außerhalb praktisch verfügbarer Ressourcen.

Dieses exponentielle Wachstum ist einer der Gründe für das Interesse an Quantencomputern. Gleichzeitig stellt es die klassische Simulation von Quantensystemen vor enorme Schwierigkeiten.

Physikalisch relevante Zustände bilden eine besondere Teilmenge

Der gesamte Hilbertraum ist riesig, doch reale Vielteilchensysteme bewegen sich nicht zwangsläufig beliebig darin. Grundzustände lokaler Hamiltonoperatoren, schwach angeregte Zustände und viele Zustände eindimensionaler Systeme weisen spezielle Korrelations- und Verschränkungsstrukturen auf.

Genau diese Struktur macht eine komprimierte Darstellung möglich. MPS nutzen nicht aus, dass der Hilbertraum kleiner wäre, sondern dass viele physikalisch interessante Zustände nur einen kleinen und strukturierten Teil dieses Raumes belegen.

Mathematische Grundlagen der Matrix Product States

Vom Koeffiziententensor zur Tensor-Kette

Ein allgemeiner Vielteilchenzustand enthält einen Koeffiziententensor

\(c_{i_1 i_2 \ldots i_N}.\)

Bei einer MPS-Darstellung wird dieser Tensor in kleinere lokale Tensoren zerlegt. Für offene Randbedingungen ergibt sich eine Struktur der Form

\(c_{i_1 i_2 \ldots i_N} = A^{[1]i_1}A^{[2]i_2}\cdots A^{[N]i_N}.\)

Damit lautet der Zustand

\(|\psi\rangle = \sum_{i_1,\ldots,i_N} A^{[1]i_1}A^{[2]i_2}\cdots A^{[N]i_N}|i_1,\ldots,i_N\rangle.\)

Die Faktoren sind im Allgemeinen Matrizen. Nur am linken und rechten Rand können sie als Zeilen- beziehungsweise Spaltenvektoren betrachtet werden.

Physikalische und virtuelle Indizes

Jeder lokale MPS-Tensor besitzt mindestens einen physikalischen Index. Dieser beschreibt den lokalen Zustand eines Teilchens oder Gitterplatzes. Zusätzlich besitzt ein Tensor virtuelle Indizes, die ihn mit seinen Nachbarn verbinden.

Für einen inneren Tensor kann man beispielsweise schreiben

\(A^{[n]i_n}_{\alpha_{n-1},\alpha_n}.\)

Der Index

\(i_n\)

ist der physikalische Index. Die Indizes

\(\alpha_{n-1},\alpha_n\)

sind virtuelle oder Bond-Indizes.

Die virtuellen Indizes besitzen keine direkte Bedeutung als messbare lokale Freiheitsgrade. Sie transportieren vielmehr die Korrelationen und Verschränkungsinformationen durch das Tensor-Netzwerk.

Bond Dimension

Die Dimension eines virtuellen Index wird Bond Dimension genannt. Häufig wird sie mit D oder mit dem griechischen Buchstaben Chi bezeichnet. Sie bestimmt, wie viel Information zwischen zwei benachbarten Bereichen des Systems übertragen werden kann.

Eine größere Bond Dimension erlaubt die Darstellung stärker verschränkter Zustände. Gleichzeitig steigen Speicherbedarf und Rechenaufwand.

Für ein MPS mit lokaler Dimension d, Systemgröße N und ungefähr konstanter Bond Dimension D liegt der Speicherbedarf typischerweise in der Größenordnung

\(O(NdD^2).\)

Dies steht im deutlichen Gegensatz zur vollständigen Zustandsdarstellung mit

\(O(d^N).\)

Die Effizienz hängt allerdings entscheidend davon ab, ob D mit wachsender Systemgröße klein gehalten werden kann.

Offene Randbedingungen

Bei offenen Randbedingungen beginnt und endet die Tensor-Kette an festen Rändern. Die erste und letzte Bond Dimension beträgt eins. Dadurch lässt sich die MPS-Struktur besonders effizient berechnen und optimieren.

Formal kann man schreiben

\(D_0 = D_N = 1.\)

Damit ergibt die vollständige Kontraktion der virtuellen Indizes einen einzelnen komplexen Koeffizienten für jede physikalische Konfiguration.

Periodische Randbedingungen

Bei periodischen Randbedingungen wird das letzte Tensorobjekt wieder mit dem ersten verbunden. Ein Zustand kann dann etwa als Spur eines Matrixprodukts geschrieben werden:

\(|\psi\rangle = \sum_{i_1,\ldots,i_N} \mathrm{Tr}\left(A^{[1]i_1}\cdots A^{[N]i_N}\right)|i_1,\ldots,i_N\rangle.\)

Physikalisch ist diese Form für Ringgeometrien natürlich. Numerisch ist sie jedoch häufig aufwendiger als eine offene Kette, weil die günstige Randstruktur verloren geht.

Herleitung über Schmidt-Zerlegung und Singular Value Decomposition

Schmidt-Zerlegung

Eine zentrale mathematische Grundlage der MPS ist die Schmidt-Zerlegung. Wird ein Quantensystem in zwei Teilbereiche A und B zerlegt, kann jeder reine Zustand geschrieben werden als

\(|\psi\rangle = \sum_{\alpha=1}^{r} \lambda_\alpha |\alpha\rangle_A |\alpha\rangle_B.\)

Die nichtnegativen Größen

\(\lambda_\alpha\)

sind die Schmidt-Koeffizienten. Ihre Anzahl r ist der Schmidt-Rang.

Der Schmidt-Rang gibt an, wie komplex die Verschränkung über die betrachtete Systemgrenze hinweg ist.

Sukzessive Zerlegung eines Vielteilchenzustands

Ausgehend vom vollständigen Koeffiziententensor kann zunächst der erste physikalische Index vom Rest getrennt werden. Der Tensor wird dazu als Matrix interpretiert und mit einer Singular Value Decomposition zerlegt:

\(M = U S V^\dagger.\)

Der Faktor U wird dem ersten MPS-Tensor zugeordnet. Das Produkt aus S und dem verbleibenden Faktor wird anschließend weiter zerlegt. Dieser Vorgang wird Schritt für Schritt über die gesamte Kette wiederholt.

Auf diese Weise lässt sich grundsätzlich jeder endliche Vielteilchenzustand exakt als MPS darstellen, sofern ausreichend große Bond Dimensionen zugelassen werden.

Schmidt-Rang und Bond Dimension

Die notwendige Bond Dimension an einer bestimmten Trennstelle muss mindestens so groß sein wie der dortige Schmidt-Rang. Ist der Zustand stark verschränkt, kann dieser Rang sehr groß werden.

Eine exakte MPS-Darstellung ist deshalb nicht automatisch effizient. Effizienz entsteht erst dann, wenn die relevanten Schmidt-Koeffizienten auf eine relativ kleine Anzahl beschränkt sind.

Trunkierung

Bei numerischen Berechnungen werden häufig kleine Schmidt-Koeffizienten verworfen. Angenommen, die Koeffizienten sind nach Größe sortiert:

\(\lambda_1 \geq \lambda_2 \geq \cdots.\)

Dann können nur die größten D Werte beibehalten werden. Der verworfene Anteil lässt sich beispielsweise über ein Trunkierungsgewicht quantifizieren:

\(\epsilon_{\mathrm{trunc}} = \sum_{\alpha>D} \lambda_\alpha^2.\)

Eine geringe Summe bedeutet, dass nur wenig Zustandsgewicht entfernt wurde.

Die MPS-Methode bietet dadurch einen klaren Mechanismus, Genauigkeit gegen Rechenaufwand abzuwägen.

Verschränkung als Schlüssel zur Effizienz

Quantenverschränkung

Quantenverschränkung beschreibt Korrelationen, die sich nicht auf unabhängige lokale Zustände zurückführen lassen. Ein Produktzustand besitzt keine Verschränkung zwischen seinen Teilsystemen. Ein verschränkter Zustand kann dagegen nicht in einzelne lokale Faktoren zerlegt werden.

Ein einfaches Beispiel ist der Bell-Zustand

\(|\Phi^+\rangle = \frac{1}{\sqrt{2}}\left(|00\rangle + |11\rangle\right).\)

Keines der beiden Qubits besitzt für sich genommen einen reinen Zustand, obwohl der Gesamtzustand rein ist.

Verschränkungsentropie

Die Verschränkung eines reinen bipartiten Zustands kann über die von-Neumann-Entropie des reduzierten Dichteoperators charakterisiert werden:

\(S = -\mathrm{Tr}\left(\rho_A \log \rho_A\right).\)

Mit den Schmidt-Koeffizienten ergibt sich

\(S = -\sum_\alpha \lambda_\alpha^2 \log\left(\lambda_\alpha^2\right).\)

Zusammenhang mit der Bond Dimension

Ein MPS mit Bond Dimension D kann über eine bestimmte Trennstelle nur eine begrenzte Verschränkungsentropie darstellen. Es gilt

\(S \leq \log D.\)

Diese Beziehung erklärt unmittelbar, warum MPS besonders gut für schwach oder moderat verschränkte Zustände funktionieren.

Steigt die Verschränkungsentropie stark an, muss auch die Bond Dimension wachsen, um die Information ohne große Fehler darzustellen.

Area Law

Viele Grundzustände lokaler, gapped Hamiltonoperatoren erfüllen ein sogenanntes Area Law. Die Verschränkung zwischen einem Teilgebiet und seiner Umgebung wächst dabei nicht mit dessen Volumen, sondern mit der Größe der gemeinsamen Grenze.

In einer eindimensionalen Kette besteht eine solche Grenze nur aus wenigen Schnittstellen. Deshalb kann die Verschränkungsentropie für viele relevante Grundzustände begrenzt bleiben.

Diese physikalische Eigenschaft liefert eine der wichtigsten Erklärungen für den Erfolg von MPS bei eindimensionalen Vielteilchensystemen.

Kritische Systeme

An einem quantenkritischen Punkt kann die Verschränkung stärker wachsen. In vielen eindimensionalen kritischen Systemen zeigt sie ein logarithmisches Verhalten mit der betrachteten Systemgröße.

Dadurch wird eine größere Bond Dimension notwendig. MPS bleiben häufig weiterhin nützlich, verlieren jedoch einen Teil ihrer außergewöhnlichen Effizienz.

Kanonische Formen von Matrix Product States

Gauge-Freiheit

Die MPS-Darstellung eines Zustands ist nicht eindeutig. Zwischen zwei benachbarten Tensoren kann eine invertierbare Matrix X und ihre inverse Matrix eingefügt werden:

\(A^{[n]}A^{[n+1]} = \left(A^{[n]}X\right)\left(X^{-1}A^{[n+1]}\right).\)

Der physikalische Zustand verändert sich dadurch nicht. Diese Freiheit wird Gauge-Freiheit genannt.

Linkskanonische Form

In einer linkskanonischen Darstellung erfüllen die lokalen Tensoren eine Orthogonalitätsbedingung der Form

\(\sum_i \left(A^i\right)^\dagger A^i = I.\)

Dadurch verhalten sich die bereits kontrahierten linken Bereiche wie orthonormale Basiszustände.

Rechtskanonische Form

Entsprechend gilt in einer rechtskanonischen Darstellung

\(\sum_i A^i\left(A^i\right)^\dagger = I.\)

Gemischte kanonische Form

Bei vielen Algorithmen werden die Tensoren links von einem bestimmten Gitterplatz linkskanonisch und rechts davon rechtskanonisch gewählt. Dazwischen liegt das Orthogonalitätszentrum.

Diese Darstellung vereinfacht Optimierungen, Normberechnungen und die Analyse der Schmidt-Koeffizienten erheblich.

Berechnung physikalischer Observablen

Norm eines MPS

Für einen Zustand wird zunächst die Norm

\(\langle\psi|\psi\rangle\)

berechnet. In einer geeigneten kanonischen Form kann diese Berechnung stark vereinfacht werden.

Erwartungswerte

Der Erwartungswert eines Operators O ist

\(\langle O\rangle = \frac{\langle\psi|O|\psi\rangle}{\langle\psi|\psi\rangle}.\)

Bei einem MPS muss dafür nicht der vollständige Zustandsvektor konstruiert werden. Stattdessen werden die lokalen Tensoren und Operatoren schrittweise kontrahiert.

Transfermatrizen

Aus den MPS-Tensoren lassen sich Transfermatrizen aufbauen. Sie beschreiben, wie Informationen durch das Tensor-Netzwerk übertragen werden.

Für einen lokalen MPS-Tensor kann eine Transferstruktur beispielsweise in der Form

\(E = \sum_i A^i \otimes \left(A^i\right)^*\)

auftreten.

Die Eigenwerte einer solchen Transfermatrix liefern unter anderem Informationen über Korrelationslängen.

Korrelationsfunktionen

Zwei-Punkt-Korrelationen besitzen die Form

\(C_{ij} = \langle O_i O_j\rangle - \langle O_i\rangle\langle O_j\rangle.\)

MPS erlauben eine effiziente Berechnung solcher Größen, solange die Bond Dimension beherrschbar bleibt.

Matrix Product Operators

Operatoren als Tensor-Netzwerke

Das MPS-Konzept kann von Zuständen auf Operatoren erweitert werden. Ein Matrix Product Operator, kurz MPO, stellt einen großen Operator als Produkt lokaler Tensoren dar.

Ein allgemeiner Operator kann geschrieben werden als

\(O = \sum_{\{i\},\{j\}} O_{i_1\ldots i_N,j_1\ldots j_N}|i_1,\ldots,i_N\rangle\langle j_1,\ldots,j_N|.\)

Bei einer MPO-Darstellung wird der Koeffiziententensor des Operators analog zu einem MPS faktorisiert.

Hamiltonoperatoren als MPO

Viele lokale Hamiltonoperatoren lassen sich mit kleinen MPO-Bond-Dimensionen darstellen. Ein einfaches Beispiel einer eindimensionalen Spin-Kette ist

\(H = J\sum_n \vec{S}_n\cdot\vec{S}_{n+1}.\)

Die kompakte MPO-Struktur ermöglicht es, den Hamiltonoperator effizient auf ein MPS anzuwenden oder Erwartungswerte zu berechnen.

Bedeutung für numerische Verfahren

MPS und MPO ergänzen sich direkt: Der Zustand wird als Tensor-Kette gespeichert, während der Hamiltonoperator oder andere Observablen ebenfalls als Tensor-Ketten dargestellt werden. Dadurch lassen sich viele Berechnungen vollständig innerhalb der Tensor-Netzwerk-Struktur durchführen.

Zusammenhang zwischen MPS und DMRG

Density Matrix Renormalization Group

Die Density Matrix Renormalization Group, kurz DMRG, wurde ursprünglich als Renormierungsverfahren für eindimensionale stark korrelierte Systeme entwickelt. Später wurde deutlich, dass ihr außergewöhnlicher Erfolg eng mit der MPS-Struktur zusammenhängt.

Aus heutiger Sicht kann DMRG als Variationsoptimierung innerhalb der Menge von Matrix Product States verstanden werden.

Variationsprinzip

Für einen Hamiltonoperator H erfüllt die Grundzustandsenergie

\(E_0 \leq \frac{\langle\psi|H|\psi\rangle}{\langle\psi|\psi\rangle}\)

für jeden zulässigen Testzustand.

DMRG sucht innerhalb einer MPS-Klasse nach dem Zustand, der diesen Energieerwartungswert minimiert.

Lokale Optimierung

Statt alle Tensoren gleichzeitig zu optimieren, wird jeweils nur ein Tensor oder ein Paar benachbarter Tensoren verändert, während die übrigen festgehalten werden.

Dadurch wird aus einer globalen Optimierungsaufgabe eine Folge kleinerer Eigenwertprobleme.

Sweeps

Die Optimierung bewegt sich wiederholt von links nach rechts und anschließend zurück. Ein solcher Durchlauf wird Sweep genannt.

Nach mehreren Sweeps konvergieren Energie und lokale Observablen im Idealfall gegen stabile Werte.

One-Site- und Two-Site-DMRG

Beim One-Site-DMRG wird jeweils ein einzelner Tensor optimiert. Dieses Verfahren ist effizient, kann jedoch leichter in ungünstigen Variationsräumen stecken bleiben.

Beim Two-Site-DMRG werden zwei benachbarte Tensoren zusammengeführt und gemeinsam optimiert. Anschließend erfolgt eine SVD, über die gleichzeitig die Bond Dimension angepasst und gegebenenfalls trunkierte Zustandsinformation entfernt werden kann.

Typische Anwendungen

DMRG ist besonders erfolgreich bei eindimensionalen Modellen wie Spin-Ketten, Hubbard-Modellen, fermionischen Gittersystemen und weiteren stark korrelierten Systemen.

Die enge Verbindung von DMRG und MPS ist heute konzeptionell entscheidend: DMRG optimiert nicht einfach eine abstrakte reduzierte Basis, sondern effektiv einen strukturierten Tensor-Netzwerk-Zustand.

Zeitentwicklung mit Matrix Product States

Zeitabhängige Schrödinger-Gleichung

Die Dynamik eines geschlossenen Quantensystems folgt der zeitabhängigen Schrödinger-Gleichung

\(i\hbar\frac{\partial}{\partial t}|\psi(t)\rangle = H|\psi(t)\rangle.\)

Für einen zeitunabhängigen Hamiltonoperator ergibt sich formal

\(|\psi(t)\rangle = e^{-iHt/\hbar}|\psi(0)\rangle.\)

Das Problem besteht darin, den Zeitentwicklungsoperator für ein großes Vielteilchensystem effizient anzuwenden.

Time-Evolving Block Decimation

TEBD zerlegt die Zeitentwicklung für lokale Hamiltonoperatoren in lokale Gatter. Dazu wird der Hamiltonoperator beispielsweise in zwei Gruppen nicht überlappender Terme aufgeteilt:

\(H = H_{\mathrm{even}} + H_{\mathrm{odd}}.\)

Für ein kleines Zeitintervall kann eine Trotter-Zerlegung verwendet werden:

\(e^{-iH\Delta t} \approx e^{-iH_{\mathrm{even}}\Delta t}e^{-iH_{\mathrm{odd}}\Delta t} + O(\Delta t^2).\)

Höhere Trotter-Ordnungen können den Zeitdiskretisierungsfehler reduzieren.

Nach Anwendung eines lokalen Zwei-Site-Gatters wird der betroffene Teil des MPS mittels SVD wieder zerlegt. Falls notwendig, wird die Bond Dimension durch Trunkierung reduziert.

Time-Dependent Variational Principle

Der Time-Dependent Variational Principle, kurz TDVP, geht anders vor. Die exakte zeitliche Änderung des Zustands wird auf den Tangentialraum der MPS-Mannigfaltigkeit projiziert.

Schematisch lässt sich dies ausdrücken als

\(\frac{d}{dt}|\psi(A)\rangle = -iP_T H|\psi(A)\rangle,\)

wobei

\(P_T\)

die Projektion auf den zulässigen Tangentialraum bezeichnet.

TDVP hält die Entwicklung damit unmittelbar innerhalb einer vorgegebenen MPS-Struktur.

TEBD und TDVP

TEBD ist besonders natürlich für Hamiltonoperatoren mit lokalen Nachbarwechselwirkungen. TDVP ist flexibler in der Behandlung bestimmter Hamiltonstrukturen und kann wichtige Erhaltungseigenschaften besitzen.

Die Wahl zwischen beiden Methoden hängt vom Problem, von der gewünschten Genauigkeit und von der Entwicklung der Verschränkung ab.

Wachstum der Verschränkung

Die größte praktische Schwierigkeit vieler Echtzeitberechnungen ist nicht die Zeitdiskretisierung, sondern das Wachstum der Verschränkung.

Nach einem globalen Quench kann die Verschränkungsentropie ungefähr linear mit der Zeit wachsen:

\(S(t) \propto t.\)

Da ein MPS nur ungefähr

\(S \leq \log D\)

darstellen kann, muss die notwendige Bond Dimension in solchen Situationen sehr schnell anwachsen. Dies setzt der erreichbaren Simulationszeit eine praktische Grenze.

MPS als Tensor-Netzwerk

Grafische Interpretation

Tensor-Netzwerke können grafisch dargestellt werden. Ein Tensor wird als Knoten gezeichnet, während seine Indizes als Kanten erscheinen. Werden zwei Indizes kontrahiert, verbindet man die entsprechenden Kanten.

Ein MPS bildet dadurch eine eindimensionale Kette von Tensoren. Jeder Tensor besitzt einen nach außen gerichteten physikalischen Index und virtuelle Verbindungen zu seinen Nachbarn.

Tensor-Kontraktion

Die Berechnung eines Zustandskoeffizienten entspricht der Kontraktion aller virtuellen Indizes bei festgelegten physikalischen Indizes.

Der ursprüngliche hochdimensionale Koeffiziententensor wird also nicht vollständig aufgebaut. Er wird nur bei Bedarf aus der lokalen Tensorstruktur rekonstruiert.

Beziehung zu anderen Tensor-Netzwerken

MPS bilden die natürliche Tensor-Netzwerk-Struktur für eindimensionale Systeme. Für höhere Dimensionen oder andere Verschränkungsmuster existieren weitere Architekturen.

Projected Entangled Pair States erweitern die Idee auf zweidimensionale und höherdimensionale Gitter. Tree Tensor Networks verwenden baumartige Strukturen. MERA ergänzt hierarchische Ebenen und spezielle Entangling- beziehungsweise Disentangling-Strukturen.

Die Wahl des Tensor-Netzwerks sollte daher zur Geometrie und zur erwarteten Verschränkungsstruktur des Problems passen.

Matrix Product States in der Quantentechnologie

Klassische Simulation von Quantensystemen

MPS spielen eine wichtige Rolle bei der klassischen Simulation von Quantenhardware. Solange die erzeugten Zustände nur begrenzte eindimensionale Verschränkung besitzen, können sie wesentlich effizienter simuliert werden als mit einem vollständigen Zustandsvektor.

Simulation von Qubit-Ketten

Eine lineare Anordnung von Qubits passt unmittelbar zur MPS-Struktur. Einzelne Qubit-Gatter verändern nur lokale Tensoren. Benachbarte Zwei-Qubit-Gatter können durch Zusammenführen, Anwenden des Gatters und anschließende SVD verarbeitet werden.

Dadurch lassen sich Quantenschaltungen simulieren, ohne grundsätzlich alle

\(2^N\)

Amplituden explizit zu speichern.

Validierung von Quantenprozessoren

Für kleine und mittelgroße Quantensysteme können MPS-basierte Rechnungen als klassische Referenz dienen. Experimentelle Resultate können mit Tensor-Netzwerk-Simulationen verglichen werden, sofern die Schaltung nicht zu starke und räumlich zu komplexe Verschränkung erzeugt.

Damit sind MPS für Benchmarking, Fehlersuche und die Untersuchung realer Quantenexperimente relevant.

Hybride Quantenalgorithmen

MPS können außerdem als klassische Komponente hybrider Verfahren dienen. Ein MPS kann beispielsweise einen parametrisierten Quantenzustand approximieren, Ausgangszustände vorbereiten oder Ergebnisse einer Quantenschaltung klassisch nachbilden.

Die Methode ist damit nicht auf traditionelle Festkörperphysik beschränkt, sondern hat direkte Berührungspunkte mit Quantencomputing und Quantensimulation.

Simulation von Quantenschaltkreisen mit MPS

Ausgangszustand

Ein Produktzustand lässt sich besonders einfach als MPS mit Bond Dimension eins darstellen. Für N Qubits im Zustand

\(|0\rangle^{\otimes N}\)

sind keine virtuellen Korrelationen erforderlich.

Ein-Qubit-Gatter

Ein lokales Gatter U wirkt nur auf den physikalischen Index des entsprechenden MPS-Tensors:

\(\widetilde{A}^{j} = \sum_i U_{ji}A^i.\)

Die Bond Dimension verändert sich dadurch nicht.

Zwei-Qubit-Gatter

Ein Zwei-Qubit-Gatter zwischen benachbarten Plätzen kann Verschränkung erzeugen. Die beiden Tensoren werden zunächst zu einem gemeinsamen Objekt kontrahiert. Danach wird das Gatter angewendet.

Der resultierende Tensor wird anschließend wieder durch SVD in zwei Tensoren zerlegt.

Neue nichtverschwindende Singularwerte können dabei zu einer größeren Bond Dimension führen.

Nicht benachbarte Gatter

Gatter zwischen weit voneinander entfernten Qubits sind in einer MPS-Struktur schwieriger. Eine Möglichkeit besteht in SWAP-Gattern, die Qubits vorübergehend nebeneinander bringen.

Alternativ können komplexere Kontraktionsstrategien verwendet werden. In beiden Fällen steigt jedoch häufig der Rechenaufwand.

Wann MPS-Schaltungssimulation effizient bleibt

Entscheidend ist nicht allein die Zahl der Qubits. Eine große Schaltung kann unter Umständen effizient simulierbar bleiben, wenn ihre Verschränkung über jede Trennstelle gering bleibt.

Umgekehrt kann bereits eine deutlich kleinere Schaltung schwierig werden, wenn sie starke, globale Verschränkung erzeugt.

Die praktische Komplexität einer MPS-Simulation hängt daher wesentlich von der Verschränkungsstruktur der Schaltung ab.

Rechenaufwand und Skalierung

Speicherbedarf

Der vollständige Zustandsvektor benötigt bei lokaler Dimension d Speicher proportional zu

\(d^N.\)

Ein typisches MPS benötigt dagegen ungefähr

\(NdD^2\)

komplexe Zahlen.

Ist D unabhängig von N oder wächst nur langsam, ergibt sich daraus ein fundamentaler numerischer Vorteil.

Typische Tensoroperationen

Viele Standardoperationen skalieren polynomial mit D. Häufig treten Kosten in der Größenordnung

\(O(D^3)\)

pro lokalem Schritt auf, wobei die genaue Skalierung von der konkreten Operation, der lokalen Dimension und den MPO-Strukturen abhängt.

Bond Dimension als praktische Schlüsselgröße

Die reine Zahl der Gitterplätze ist bei einer MPS-Berechnung häufig weniger entscheidend als die notwendige Bond Dimension.

Ein sehr langes, aber schwach verschränktes eindimensionales System kann leichter behandelbar sein als ein kürzeres System mit stark wachsender Verschränkung.

Genauigkeit und Kosten

Durch Erhöhung der Bond Dimension lässt sich die Variationsklasse erweitern. Dadurch können Grundzustandsenergien und Observablen genauer bestimmt werden.

Der Preis dafür sind höherer Speicherverbrauch und stärker wachsende Rechenzeiten.

Praktische MPS-Rechnungen erfordern deshalb stets eine Konvergenzanalyse bezüglich D, Trunkierungsfehlern und numerischen Toleranzen.

Vorteile von Matrix Product States

Effiziente Darstellung relevanter Zustände

Der wichtigste Vorteil von MPS ist die Möglichkeit, viele physikalisch relevante eindimensionale Quantenzustände mit polynomialem statt exponentiellem Speicherbedarf darzustellen.

Direkter Zugang zur Verschränkung

Über Singularwerte und Bond Dimension lässt sich die Verschränkungsstruktur unmittelbar analysieren. Dadurch besitzt MPS nicht nur numerischen, sondern auch konzeptionellen Wert.

Kontrollierbare Approximation

Die Trunkierung kleiner Singularwerte liefert ein systematisches Verfahren zur Zustandskompression. Der dabei entstehende Fehler kann quantitativ überwacht werden.

Effiziente Observablen

Lokale Erwartungswerte und Korrelationsfunktionen lassen sich über Tensor-Kontraktionen bestimmen, ohne den vollständigen Hilbertraum aufzubauen.

Verbindung zu etablierten Algorithmen

DMRG, TEBD, TDVP und viele weitere Verfahren lassen sich natürlich innerhalb des MPS-Rahmens formulieren. Dadurch bildet MPS eine gemeinsame Sprache für zahlreiche Methoden der Vielteilchenphysik.

Grenzen und Herausforderungen

Stark verschränkte Zustände

MPS verlieren ihren Vorteil, wenn die notwendige Bond Dimension sehr stark wächst. Ein beliebiger Quantenzustand kann zwar formal als MPS dargestellt werden, doch im ungünstigsten Fall wird die Bond Dimension exponentiell groß.

Volumengesetz der Verschränkung

Erfüllt ein Zustand ein Volume Law, wächst die Verschränkungsentropie proportional zur Größe des betrachteten Teilgebietes:

\(S \propto L.\)

Dann muss für eine exakte oder sehr genaue MPS-Darstellung ungefähr

\(D \propto e^S\)

wachsen. Der ursprüngliche Kompressionsvorteil verschwindet damit schnell.

Langzeitdynamik

Bei realer Zeitentwicklung steigt die Verschränkung nach Quenches häufig stark an. MPS können daher frühe und mittlere Zeitbereiche hervorragend simulieren, während sehr lange Zeiten unzugänglich werden können.

Höhere Dimensionen

MPS sind geometrisch eindimensional. Ein zweidimensionales Gitter kann zwar als lange eindimensionale Kette angeordnet werden, doch dadurch entstehen effektive Wechselwirkungen über große Abstände und eine stark erhöhte Verschränkung über bestimmte Schnitte.

Für zweidimensionale Systeme sind deshalb Strukturen wie PEPS häufig natürlicher, wenngleich auch numerisch anspruchsvoller.

Numerische Fehler

MPS-Berechnungen können verschiedene Fehlerquellen enthalten: endliche Bond Dimension, SVD-Trunkierung, Trotterfehler, iterative Eigenwertfehler und begrenzte numerische Präzision.

Eine wissenschaftlich belastbare Rechnung muss diese Beiträge kontrollieren und Konvergenztests durchführen.

MPS und verwandte Tensor-Netzwerk-Ansätze

Tensor Trains

In der numerischen Mathematik ist eine nahezu identische Faktorisierungsstruktur als Tensor Train bekannt. MPS und Tensor Trains verwenden dieselbe grundlegende Idee: Ein hochdimensionaler Tensor wird in eine lineare Folge kleiner Tensoren zerlegt.

Der Unterschied liegt hauptsächlich in der historischen Entwicklung, Terminologie und typischen Anwendung.

Projected Entangled Pair States

Projected Entangled Pair States, kurz PEPS, übertragen die virtuelle Bond-Struktur auf mehrdimensionale Gitter.

Ein Tensor kann dort virtuelle Verbindungen in mehrere Raumrichtungen besitzen. Dadurch lässt sich die Geometrie höherdimensionaler Systeme direkter abbilden.

Die Tensor-Kontraktion ist bei PEPS jedoch deutlich schwieriger als bei MPS.

Tree Tensor Networks

Tree Tensor Networks ordnen Tensoren in einer Baumstruktur an. Sie können hierarchische Korrelationen effizient repräsentieren und besitzen keine geschlossenen Schleifen im Netzwerk.

MERA

Die Multiscale Entanglement Renormalization Ansatz verwendet eine hierarchische Struktur, die speziell für Skalenabhängigkeit und kritische Systeme entwickelt wurde.

MERA kann Verschränkung über verschiedene Längenskalen explizit organisieren und ist daher konzeptionell besonders interessant für kritische Vielteilchensysteme.

Kein universell bestes Tensor-Netzwerk

Die passende Netzwerkstruktur hängt vom physikalischen Problem ab. MPS sind außergewöhnlich effizient für eindimensionale Systeme mit geeigneter Verschränkung. Andere Geometrien oder Korrelationsstrukturen können andere Tensor-Netzwerke erfordern.

Beispiel: Eindimensionale Spin-Kette

Lokale Freiheitsgrade

Betrachten wir eine Kette aus Spin-ein-halb-Teilchen. Jeder Gitterplatz besitzt zwei Basiszustände:

\(|\uparrow\rangle,\quad |\downarrow\rangle.\)

Die lokale Dimension beträgt daher

\(d=2.\)

Produktzustand

Ein vollständig polarisierter Zustand

\(|\psi\rangle = |\uparrow\uparrow\cdots\uparrow\rangle\)

ist nicht verschränkt. Er kann exakt mit Bond Dimension

\(D=1\)

dargestellt werden.

Verschänkter Zustand

Wird eine Wechselwirkung eingeschaltet, kann sich ein verschränkter Zustand bilden. Ein typischer Hamiltonoperator ist das isotrope Heisenberg-Modell

\(H = J\sum_{n=1}^{N-1}\left(S_n^xS_{n+1}^x + S_n^yS_{n+1}^y + S_n^zS_{n+1}^z\right).\)

Der Grundzustand lässt sich mit DMRG als MPS approximieren.

DMRG-Berechnung

Man startet mit einem MPS einer gewählten Bond Dimension. Anschließend werden lokale Tensoren sukzessive so optimiert, dass die Energie

\(E = \frac{\langle\psi|H|\psi\rangle}{\langle\psi|\psi\rangle}\)

sinkt.

Nach mehreren Sweeps erhält man einen angenäherten Grundzustand.

Physikalische Größen

Aus diesem Zustand können anschließend Energien, Magnetisierungen und Spin-Korrelationen berechnet werden.

Eine lokale Magnetisierung kann beispielsweise über

\(\langle S_n^z\rangle\)

bestimmt werden.

Eine Zwei-Punkt-Korrelation lautet etwa

\(\langle S_i^z S_j^z\rangle.\)

Zusätzlich kann direkt die Verschränkungsentropie über die Schmidt-Koeffizienten einer Trennstelle untersucht werden.

Dieses Beispiel zeigt den wesentlichen Vorteil von MPS: Zustandsdarstellung, Grundzustandsbestimmung, Observablen und Verschränkungsanalyse können innerhalb desselben mathematischen Rahmens durchgeführt werden.

Physikalische und technologische Bedeutung

Struktur statt vollständiger Zustandsinformation

Matrix Product States verdeutlichen eine grundlegende Einsicht der Quantenphysik: Die theoretische Größe des Hilbertraums ist nicht automatisch gleichbedeutend mit der tatsächlich benötigten Beschreibungskomplexität.

Physikalische Systeme besitzen häufig lokale Wechselwirkungen und strukturierte Korrelationen. MPS machen diese Struktur explizit nutzbar.

Verbindung von Verschränkung und Berechenbarkeit

Der eigentliche Kern der Methode liegt in der Verbindung zwischen Verschränkung und numerischer Komplexität.

Ist die Verschränkung über alle relevanten Schnitte begrenzt, kann auch die Bond Dimension begrenzt bleiben. Dann lassen sich Systeme behandeln, deren vollständige Zustandsvektoren praktisch nicht gespeichert werden könnten.

Bedeutung für Quantencomputer

MPS liefern zugleich ein wichtiges Kriterium für klassische Simulierbarkeit. Eine große Zahl von Qubits allein garantiert noch keine klassische Unzugänglichkeit.

Wenn ein Quantenschaltkreis nur begrenzte Verschränkung erzeugt, kann eine MPS-Simulation trotz großer Qubit-Zahl effizient bleiben.

Umgekehrt kann eine zunehmende Verschränkung die klassische Simulation sehr schnell erschweren.

Werkzeug und theoretisches Konzept

MPS sind daher mehr als eine numerische Datenstruktur. Sie liefern einen konzeptionellen Rahmen, um Quantenzustände nach ihrer Verschränkungsstruktur zu ordnen und zu verstehen.

In der Vielteilchenphysik, Quanteninformation und Quantentechnologie gehören sie deshalb zu den grundlegenden Methoden moderner numerischer Forschung.

Fazit

Matrix Product States stellen Vielteilchenzustände als Kette lokaler Tensoren dar. Statt einen exponentiell großen Koeffiziententensor vollständig zu speichern, werden die relevanten Korrelationen über virtuelle Bond-Indizes zwischen benachbarten Tensoren organisiert.

Die zentrale Größe ist die Bond Dimension. Sie bestimmt, wie viel Verschränkung über eine Systemgrenze dargestellt werden kann und wie hoch der numerische Aufwand einer Berechnung wird.

Der Zusammenhang

\(S \leq \log D\)

macht deutlich, warum die Verschränkungsstruktur eines Quantenzustands für die Effizienz entscheidend ist.

Besonders geeignet sind MPS für eindimensionale Systeme, deren relevante Zustände ein Area Law oder vergleichbar schwache Verschränkung erfüllen. In diesem Bereich ermöglichen sie sehr präzise Simulationen großer Quantensysteme.

Die Density Matrix Renormalization Group kann als Variationsoptimierung über MPS verstanden werden. TEBD und TDVP ermöglichen zeitabhängige Simulationen. Matrix Product Operators ergänzen die Methode um eine kompakte Darstellung von Hamiltonoperatoren und Observablen.

Auch für die Quantentechnologie sind MPS relevant. Sie dienen zur klassischen Simulation von Qubit-Ketten, zur Analyse von Quantenschaltungen, zur Berechnung stark korrelierter Quantensysteme und zur Validierung bestimmter Quantenexperimente.

Die Methode besitzt jedoch klare Grenzen. Wenn Verschränkung stark wächst, muss die Bond Dimension ebenfalls wachsen. Bei Zuständen mit ausgeprägtem Volume Law oder bei langer Echtzeitentwicklung kann der Rechenaufwand dadurch praktisch unbeherrschbar werden.

Die eigentliche Stärke von Matrix Product States liegt deshalb nicht darin, beliebige Quantensysteme effizient zu simulieren. Ihre Stärke liegt darin, die Struktur physikalisch relevanter, begrenzt verschränkter Quantenzustände systematisch auszunutzen. Genau deshalb gehören MPS heute zu den wichtigsten Darstellungen in der numerischen Quantenphysik und zu den grundlegenden Werkzeugen moderner Tensor-Netzwerk-Methoden.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die wissenschaftliche Literatur zu Matrix Product States umfasst mehrere eng miteinander verbundene Entwicklungslinien: finit korrelierte Zustände, die Density Matrix Renormalization Group, die formale Theorie von MPS, Verschränkungs- und Area-Law-Resultate sowie Algorithmen für Grundzustände und Zeitentwicklung. Für eine wissenschaftliche Abhandlung sollten historische Primärarbeiten, mathematische Grundlagen und moderne Übersichtsartikel miteinander kombiniert werden.

Grundlegende Primärliteratur zu Matrix Product States

  • M. Fannes, B. Nachtergaele, R. F. Werner: Finitely Correlated States on Quantum Spin Chains, Communications in Mathematical Physics, 1992.
    • Eine der mathematischen Grundlagenarbeiten für die spätere MPS-Theorie. Die Autoren untersuchen finit korrelierte Zustände in eindimensionalen Quantenspinketten und entwickeln damit eine Struktur, die eng mit der heutigen Formulierung von Matrix Product States verbunden ist. Die Arbeit eignet sich besonders zur wissenschaftlichen Fundierung der Abschnitte über lokale Tensorstrukturen, endliche virtuelle Dimensionen und Korrelationen.
  • Steven R. White: Density Matrix Formulation for Quantum Renormalization Groups, Physical Review Letters, 1992.
    • Die grundlegende Arbeit zur Density Matrix Renormalization Group (DMRG). Obwohl die ursprüngliche Darstellung noch nicht in der heute üblichen MPS-Sprache erfolgt, bildet sie den algorithmischen Ausgangspunkt für einen wesentlichen Teil der modernen MPS-Methodik. Die Quelle sollte insbesondere für die historische Entwicklung, die Reduktion relevanter Zustandsräume und die spätere Interpretation von DMRG als MPS-Variationsverfahren herangezogen werden.
  • Stellan Östlund, Stefan Rommer: Thermodynamic Limit of Density Matrix Renormalization, Physical Review Letters, 1995.
    • Diese Arbeit stellt eine entscheidende Verbindung zwischen DMRG und Matrix-Product-Zuständen her. Sie zeigt, dass die im thermodynamischen Grenzfall entstehenden Zustände als Matrix-Product-Zustände formuliert werden können. Für eine Abhandlung über MPS ist sie besonders wertvoll, um den Übergang von der ursprünglichen DMRG-Idee zur expliziten Tensor-Netzwerk-Sichtweise historisch und fachlich korrekt darzustellen.
  • David Pérez-García, Frank Verstraete, Michael M. Wolf, J. Ignacio Cirac: Matrix Product State Representations, Quantum Information and Computation, 2007.
    • Eine zentrale theoretische Referenz zur mathematischen Struktur von MPS. Behandelt werden unter anderem die Freiheit verschiedener MPS-Darstellungen, kanonische Formen, Translationssymmetrie und die systematische Charakterisierung der MPS-Repräsentation. Die Arbeit ist besonders für Abschnitte über Gauge-Freiheit, kanonische Formen, virtuelle Indizes und mathematische Eigenschaften geeignet.

Spezialisierte Arbeiten zu Verschränkung, Area Laws und MPS-Approximation

  • Frank Verstraete, J. Ignacio Cirac: Matrix Product States Represent Ground States Faithfully, Physical Review B, 2006.
    • Die Arbeit untersucht quantitativ, unter welchen Bedingungen MPS Grundzustände eindimensionaler Quantenspinsysteme präzise approximieren können. Sie ist besonders wichtig für die fachliche Begründung, warum MPS bei vielen eindimensionalen Vielteilchensystemen trotz des exponentiell großen Hilbertraums effizient funktionieren.
  • Matthew B. Hastings: An Area Law for One-Dimensional Quantum Systems, Journal of Statistical Mechanics: Theory and Experiment, 2007.
    • Eine grundlegende theoretische Arbeit über das Area Law der Verschränkungsentropie in gapped eindimensionalen Quantensystemen. Sie liefert einen wichtigen theoretischen Unterbau für das Verständnis der Effizienz von MPS und sollte für die Verbindung zwischen Verschränkung, spektraler Lücke und komprimierbarer Zustandsdarstellung verwendet werden.
  • Norbert Schuch, Michael M. Wolf, Frank Verstraete, J. Ignacio Cirac: Entropy Scaling and Simulability by Matrix Product States, Physical Review Letters, 2008.
    • Diese Arbeit präzisiert den Zusammenhang zwischen Entropieskalierung und effizienter MPS-Simulierbarkeit. Sie ist besonders wertvoll, weil sie verdeutlicht, dass ein einfaches Area-Law-Argument allein nicht jede Frage der effizienten MPS-Approximation beantwortet. Für eine anspruchsvolle Abhandlung eignet sie sich zur differenzierten Diskussion der Grenzen von MPS.
  • Jens Eisert, Marcus Cramer, Martin B. Plenio: Colloquium: Area Laws for the Entanglement Entropy, Reviews of Modern Physics, 2010.
    • Ein umfassender Überblick über Area Laws, Verschränkungsentropie und deren Bedeutung für die effiziente Beschreibung von Vielteilchensystemen. Die Arbeit eignet sich als Hintergrundliteratur für die theoretische Erklärung, warum Tensor-Netzwerke und insbesondere MPS physikalisch relevante Teilbereiche des Hilbertraums effizient erfassen können.

Spezialisierte Arbeiten zu Simulation und Zeitentwicklung

  • Guifré Vidal: Efficient Classical Simulation of Slightly Entangled Quantum Computations, Physical Review Letters, 2003.
    • Diese Arbeit verbindet begrenzte Verschränkung unmittelbar mit der klassischen Simulierbarkeit von Quantensystemen. Für den quantentechnologischen Kontext ist sie besonders wichtig, weil sie zeigt, dass nicht allein die Zahl der Qubits, sondern vor allem die erzeugte Verschränkungsstruktur über den klassischen Simulationsaufwand entscheidet.
  • Guifré Vidal: Efficient Simulation of One-Dimensional Quantum Many-Body Systems, Physical Review Letters, 2004.
    • Eine Schlüsselarbeit für die zeitabhängige Tensor-Netzwerk-Simulation und die Entwicklung der Time-Evolving Block Decimation. Sie eignet sich zur Erklärung der Anwendung lokaler Zeitentwicklungsoperatoren, der anschließenden Tensorzerlegung und der Rolle wachsender Verschränkung bei dynamischen Simulationen.
  • Jutho Haegeman, J. Ignacio Cirac, Tobias J. Osborne, Iztok Pižorn, Henri Verschelde, Frank Verstraete: Time-Dependent Variational Principle for Quantum Lattices, Physical Review Letters, 2011.
    • Die grundlegende Arbeit zum Time-Dependent Variational Principle im MPS-Kontext. Sie stellt einen alternativen Ansatz zur Trotter-basierten Zeitentwicklung bereit und ist die zentrale Primärquelle für Abschnitte über TDVP, Tangentialräume der MPS-Mannigfaltigkeit und Echtzeit- beziehungsweise Imaginärzeitentwicklung.
  • Jutho Haegeman, Christian Lubich, Ivan Oseledets, Bart Vandereycken, Frank Verstraete: Unifying Time Evolution and Optimization with Matrix Product States, Physical Review B, 2016.
    • Die Arbeit entwickelt TDVP zu einem einheitlichen Rahmen für Zeitentwicklung und Variationsoptimierung weiter. Sie ist besonders relevant für eine vertiefte Darstellung moderner MPS-Algorithmen, für langreichweitige Hamiltonoperatoren und für den konzeptionellen Zusammenhang zwischen DMRG und zeitabhängigen Variationsmethoden.

Umfassende Übersichtsarbeiten

  • Frank Verstraete, Valentin Murg, J. Ignacio Cirac: Matrix Product States, Projected Entangled Pair States, and Variational Renormalization Group Methods for Quantum Spin Systems, Advances in Physics, 2008.
    • Ein umfangreicher Überblick über MPS, PEPS und Variations-Renormierungsverfahren. Die Arbeit ist besonders nützlich, um MPS innerhalb der größeren Familie von Tensor-Netzwerk-Verfahren einzuordnen und die Verbindung zwischen Verschränkung, Variationsansätzen und Spinmodellen systematisch darzustellen.
  • Ulrich Schollwöck: The Density-Matrix Renormalization Group in the Age of Matrix Product States, Annals of Physics, 2011.
    • Eine der wichtigsten umfassenden Referenzen zur Verbindung von DMRG und MPS. Die Arbeit erläutert die praktische MPS-Formulierung von DMRG, kanonische Formen, Grundzustandsoptimierung und dynamische Verfahren. Sie eignet sich sowohl als theoretische Hintergrundquelle als auch als Grundlage für algorithmische Abschnitte einer Abhandlung.
  • Roman Orús: A Practical Introduction to Tensor Networks: Matrix Product States and Projected Entangled Pair States, Annals of Physics, 2014.
    • Eine zugängliche, dennoch wissenschaftlich fundierte Einführung in Tensor-Netzwerke. Besonders geeignet ist die Arbeit zur Erläuterung der grafischen Tensor-Notation, der MPS-Grundstruktur, von PEPS sowie grundlegender numerischer Algorithmen. Sie kann als Bindeglied zwischen formaler Primärliteratur und verständlicher methodischer Darstellung verwendet werden.
  • J. Ignacio Cirac, David Pérez-García, Norbert Schuch, Frank Verstraete: Matrix Product States and Projected Entangled Pair States: Concepts, Symmetries, Theorems, Reviews of Modern Physics, 2021.
    • Eine moderne und sehr umfassende Referenz zur theoretischen Struktur von MPS und PEPS. Behandelt werden unter anderem Symmetrien, fundamentale Sätze der MPS-Theorie, Verschränkungsstrukturen, Phasen von Quantenzuständen und die mathematischen Grundlagen von Tensor-Netzwerken. Für eine aktuelle wissenschaftliche Einordnung gehört diese Arbeit zu den wichtigsten Sekundärquellen.

Bücher und Monographien

Bücher und monographieartige Werke sind besonders geeignet, um die in einzelnen Fachartikeln verteilten mathematischen, physikalischen und numerischen Grundlagen zusammenzuführen. Für Matrix Product States sind Werke zu Tensor-Netzwerken, DMRG, Quanteninformation und Vielteilchenphysik besonders relevant.

Standardwerke zu Tensor-Netzwerken und DMRG

  • Timo Felser, Simone Montangero (Hrsg.): Introduction to Tensor Network Methods: From Many-Body Quantum Systems to Machine Learning, Springer, 2026.
    • Die aktuelle zweite Ausgabe behandelt Tensor-Netzwerk-Methoden von den mathematischen Grundlagen bis zur konkreten Implementierung. Eigene Kapitel beschäftigen sich mit Matrix Product States, numerischen Renormierungsverfahren, symmetrischen Tensor-Netzwerken und Nichtgleichgewichtsprozessen. Das Werk eignet sich besonders für methodische und anwendungsorientierte Teile einer modernen Abhandlung.
  • Ingo Peschel, Matthias Kaulke, Xiaoqun Wang, Karen Hallberg (Hrsg.): Density-Matrix Renormalization – A New Numerical Method in Physics, Springer, 1999.
    • Eine frühe monographieartige Sammlung zur DMRG mit Beiträgen führender Forscher des Gebiets. Das Werk dokumentiert sowohl die algorithmische Entwicklung als auch physikalische Anwendungen und enthält bereits direkte Bezüge zu Matrix-Product-Zuständen. Es ist besonders für die historische Entwicklung und die Verbindung zwischen DMRG und MPS geeignet.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen, Isaac L. Chuang: Quantum Computation and Quantum Information, 10th Anniversary Edition, Cambridge University Press, 2010.
    • Das Standardwerk zur Quanteninformation liefert die notwendigen Grundlagen zu Qubits, zusammengesetzten Hilberträumen, Schmidt-Zerlegung, Dichteoperatoren, Verschränkung und Quantenschaltungen. Es behandelt MPS nicht als Hauptthema, eignet sich jedoch hervorragend zur Absicherung der quanteninformationstheoretischen Grundlagen, auf denen die MPS-Darstellung aufbaut.

Hintergrundliteratur zu Vielteilchensystemen und kritischen Phänomenen

  • Subir Sachdev: Quantum Phase Transitions, 2. Auflage, Cambridge University Press, 2011.
    • Dieses Standardwerk liefert den physikalischen Hintergrund zu Quantenphasen, kritischen Punkten, Spinmodellen und langreichweitigen Quantenkorrelationen. Es ist besonders nützlich, wenn MPS im Zusammenhang mit kritischen Systemen, Grundzuständen, Quantenmagnetismus und der Zunahme von Verschränkung diskutiert werden.

Online-Ressourcen und Datenbanken

Online-Ressourcen ergänzen die klassische Fachliteratur insbesondere bei der praktischen Umsetzung von MPS-Algorithmen, der Suche nach aktueller Forschung und der Überprüfung bibliografischer Angaben. Sie sollten in einer wissenschaftlichen Abhandlung nicht als Ersatz für begutachtete Primärliteratur, sondern als Recherche-, Lern- und Implementierungswerkzeuge eingesetzt werden.

Vorlesungsnotizen und Monographie-nahe Ressourcen

  • Tensor Network Community: TensorNetwork.org, Open-Source-Übersichtsressource, fortlaufend.
    • TensorNetwork.org ist eine gemeinschaftlich gepflegte Fachressource zu Tensor-Netzwerk-Theorie, Algorithmen und Software. Die MPS-Darstellung, Tensor-Diagrammnotation und Anwendungen in der Quantenphysik werden anschaulich zusammengeführt. Die Ressource eignet sich besonders zur begrifflichen Orientierung und zur Überprüfung von Notationskonventionen.

Lern- und Forschungsplattformen

  • ITensor Project: ITensorMPS.jl Documentation, ITensor Project, fortlaufend.
    • Die Dokumentation bietet eine praxisnahe Implementierung von MPS, Matrix Product Operators und DMRG. Besonders wertvoll sind die Tutorials zu Bond-Dimension, Sweeps, Trunkierungsgrenzen, Grundzustandsberechnungen und der praktischen Arbeit mit MPS. Für eine Abhandlung kann sie verwendet werden, um algorithmische Beschreibungen anhand einer etablierten Softwareumgebung zu überprüfen.
  • ITensor Project: DMRG Tutorial, ITensorMPS.jl Documentation, fortlaufend.
    • Das DMRG-Tutorial zeigt konkret, wie ein Hamiltonoperator als MPO aufgebaut, ein MPS initialisiert und anschließend durch DMRG optimiert wird. Es ist besonders hilfreich für die praktische Erklärung von Sweeps, maximalen Bond-Dimensionen, Trunkierungsgrenzen und Grundzustandsenergien.
  • TeNPy Developers: TeNPy Matrix Product State Documentation, TeNPy Project, fortlaufend.
    • TeNPy ist eine etablierte Python-Bibliothek für Tensor-Netzwerk-Simulationen. Die MPS-Dokumentation beschreibt endliche und unendliche MPS, kanonische Formen, Singularwerte, Bond-Dimensionen und Erwartungswerte. Die Quelle eignet sich vor allem zur technischen Kontrolle von Implementierungsdetails und algorithmischen Begriffen.

Fachjournale und Verlage

  • American Physical Society: APS Journals, American Physical Society, fortlaufend.
    • Die APS-Journalplattform umfasst unter anderem Physical Review Letters, Physical Review A, Physical Review B, Physical Review Research, PRX Quantum und Reviews of Modern Physics. Ein großer Teil der grundlegenden und modernen MPS-Literatur wurde in diesen Zeitschriften veröffentlicht. Die Plattform ist daher eine zentrale Quelle für begutachtete Primär- und Übersichtsarbeiten.
  • Springer Nature: SpringerLink Physics and Quantum Science, Springer Nature, fortlaufend.
    • SpringerLink bietet Zugriff auf Fachbücher, Monographien, Konferenzbände und Zeitschriften aus mathematischer Physik, Vielteilchenphysik, Quanteninformation und numerischen Methoden. Besonders für DMRG, Tensor-Netzwerke und mathematische Grundlagen ist die Plattform eine wichtige Ergänzung zur Zeitschriftenliteratur.

Literatur- und Forschungsdatenbanken

  • arXiv: Quantum Physics Archive, Cornell University, fortlaufend.
    • arXiv ist für die MPS- und Tensor-Netzwerk-Forschung besonders wichtig, da zahlreiche grundlegende Arbeiten dort als frei zugängliche Preprints verfügbar sind. Die Datenbank eignet sich zur Recherche neuer Entwicklungen, sollte bei bereits begutachteten Arbeiten jedoch möglichst zusammen mit der endgültigen Journalversion und dem DOI verwendet werden.
  • Crossref: Crossref Metadata Search, Crossref, fortlaufend.
    • Crossref eignet sich zur Überprüfung von DOI, Autorennamen, Titeln und bibliografischen Metadaten wissenschaftlicher Artikel und Bücher. Für einen professionellen wissenschaftlichen Anhang ist die Datenbank besonders nützlich, um Quellenangaben vor der Veröffentlichung auf formale Genauigkeit zu kontrollieren.
Antiquarks

Antiquarks

Ein Antiquark ist die Antiteilchen-Version eines Quarks, einer fundamentalen Einheit der Materie. Quarks und Antiquarks gehören zur Familie der Fermionen...

Post-Quanten-Kryptografie (PQC)

Post-Quanten-Kryptografie (PQC)

...

Cryo-CMOS (kryogene CMOS-Technologie)

Cryo-CMOS (kryogene CMOS-Technologie)

...

Tau-Positron

Tau-Positron

...

Kontroll-Qubits

Kontroll-Qubits

...

CCZ-Gatter (Controlled-Controlled-Z)

CCZ-Gatter (Controlled-Controlled-Z)

...