Die Sequentially Truncated Higher-Order Singular Value Decomposition (ST-HOSVD) ist ein numerisches Verfahren zur strukturierten Kompression mehrdimensionaler Tensoren. Sie erweitert das Prinzip der Singulärwertzerlegung auf Datenstrukturen mit mehreren Dimensionen und reduziert deren Komplexität durch eine schrittweise, kontrollierte Rangbeschränkung.

Das charakteristische Merkmal der ST-HOSVD besteht darin, dass die Tensor-Moden nacheinander verarbeitet werden. Nach jeder Trunkierung wird der aktuelle Tensor auf einen kleineren Unterraum projiziert. Die nachfolgenden Berechnungen arbeiten deshalb nicht mehr mit dem ursprünglichen, sondern mit einem bereits reduzierten Tensor.

Dieses Vorgehen unterscheidet die ST-HOSVD von der konventionellen Truncated Higher-Order Singular Value Decomposition (T-HOSVD), bei der die modenspezifischen Faktormatrizen unabhängig voneinander aus dem ursprünglichen Tensor bestimmt werden.

Das Ergebnis ist eine Tucker-Darstellung, die aus einem komprimierten Kerntensor und mehreren Faktormatrizen besteht. Die ursprünglichen Daten lassen sich daraus näherungsweise rekonstruieren. Die Genauigkeit wird durch die gewählten multilinearen Ränge und die bei der Trunkierung verworfenen Singulärwerte bestimmt.

Für die Quantentechnologie ist dieses Verfahren besonders dort interessant, wo quantenmechanische Zustände, Wellenfunktionen oder Operatoren als hochdimensionale Tensoren auf klassischen Rechnern verarbeitet werden. Allerdings hängt die tatsächliche Komprimierbarkeit entscheidend von der mathematischen Struktur dieser Tensoren ab.

Wissenschaftlicher Hintergrund

Die mathematische Grundlage der ST-HOSVD bildet die Higher-Order Singular Value Decomposition (HOSVD). Lieven De Lathauwer, Bart De Moor und Joos Vandewalle formulierten im Jahr 2000 eine systematische multilineare Erweiterung der klassischen Singulärwertzerlegung.

Im Jahr 2012 veröffentlichten Nick Vannieuwenhoven, Raf Vandebril und Karl Meerbergen die Arbeit „A New Truncation Strategy for the Higher-Order Singular Value Decomposition“. Darin entwickelten sie die ST-HOSVD als alternative Strategie zur Berechnung einer abgeschnittenen Tucker-Zerlegung.

Die Veröffentlichung zeigte, dass eine sequenzielle Verarbeitung die Anzahl der notwendigen Rechenoperationen erheblich reduzieren kann. Zugleich bleiben mathematische Fehlerabschätzungen erhalten, die eine kontrollierte Approximation ermöglichen.

Die ST-HOSVD ist damit keine eigenständige physikalische Theorie und auch kein Quantenalgorithmus. Sie ist ein Verfahren der numerischen multilinearen Algebra, dessen mathematische Eigenschaften für verschiedene Bereiche der wissenschaftlichen Datenverarbeitung genutzt werden können.

Zielsetzung und wissenschaftliche Einordnung

Im Mittelpunkt dieser Abhandlung stehen die mathematische Konstruktion der ST-HOSVD, ihre algorithmischen Eigenschaften, ihre Fehlergrenzen und ihre Bedeutung für die rechnerische Behandlung quantenmechanischer Systeme.

Besondere Aufmerksamkeit gilt der Unterscheidung zwischen allgemeiner Tensorapproximation und physikalisch sinnvoller Zustandskompression. Eine Verringerung des Speicherbedarfs allein bedeutet noch nicht, dass alle relevanten Eigenschaften eines Quantensystems ausreichend genau erhalten bleiben.

Ebenso muss zwischen grundsätzlich möglichen Anwendungen und etablierten Methoden der Quantensimulation unterschieden werden. Diese Abgrenzung ist entscheidend, um das tatsächliche Potenzial der ST-HOSVD sachlich zu bewerten.

Mathematische Grundlagen

Tensoren und multilineare Algebra

Ein Tensor ist eine mathematische Datenstruktur, deren Elemente durch mehrere Indizes beschrieben werden. Skalare können als Tensoren nullter Ordnung, Vektoren als Tensoren erster Ordnung und Matrizen als Tensoren zweiter Ordnung aufgefasst werden.

Ein Tensor der Ordnung d besitzt entsprechend d Indizes und kann allgemein geschrieben werden als:

\(\mathcal{A}\in\mathbb{C}^{n_1\times n_2\times\cdots\times n_d}\)

Die Größen n₁ bis nₐ beziehungsweise die durch den jeweiligen Index bezeichneten Dimensionen bestimmen die Anzahl der Einträge entlang jeder Mode. Für einen Tensor der Ordnung d beträgt die Gesamtzahl seiner Elemente:

\(N=\prod_{k=1}^{d}n_k\)

Bei gleicher Dimensionsgröße n ergibt sich:

\(N=n^d\)

Diese Beziehung verdeutlicht das zentrale Problem hochdimensionaler Berechnungen: Der Speicherbedarf wächst exponentiell mit der Tensorordnung, sofern die vollständige Darstellung verwendet wird.

Eine wesentliche Operation der multilinearen Algebra ist die Modenentfaltung. Dabei wird ein Tensor entlang einer ausgewählten Mode in eine Matrix umgeordnet.

Die Entfaltung entlang der k-ten Mode besitzt die Dimensionen:

\(A_{(k)}\in\mathbb{C}^{n_k\times\prod_{j\neq k}n_j}\)

Diese Darstellung macht es möglich, bekannte Verfahren der Matrixalgebra auf einzelne Dimensionen eines Tensors anzuwenden.

Ebenso grundlegend ist das Modenprodukt. Es beschreibt die Multiplikation eines Tensors mit einer Matrix entlang einer bestimmten Mode. Auf diese Weise kann eine einzelne Dimension transformiert, reduziert oder erweitert werden, ohne die übrigen Indizes unmittelbar zu verändern.

In der Quantenmechanik treten häufig komplexwertige Tensoren auf, weil Zustandsamplituden komplexe Zahlen sind. Die multilinearen Zerlegungsverfahren müssen deshalb komplexe Konjugation und unitäre beziehungsweise spaltenorthonormale Transformationen korrekt berücksichtigen.

Die Singulärwertzerlegung als Ausgangspunkt

Die klassische Singular Value Decomposition (SVD) zerlegt eine Matrix in zwei unitäre beziehungsweise orthonormale Faktoren und eine Diagonalmatrix nichtnegativer Singulärwerte.

\(A=U\Sigma V^\dagger\)

Dabei enthält U die linken Singulärvektoren, V die rechten Singulärvektoren und die Matrix Σ die Singulärwerte. Das Symbol für die adjungierte Matrix bezeichnet die komplex konjugierte Transposition.

Die Singulärwerte sind absteigend geordnet:

\(\sigma_1\geq\sigma_2\geq\cdots\geq\sigma_q\geq 0\)

Die SVD beschreibt, in welchen orthogonalen Richtungen die wesentlichen Anteile einer Matrix liegen. Große Singulärwerte kennzeichnen stark vertretene Komponenten, während kleine Singulärwerte einen geringeren Beitrag zur quadratischen Gesamtnorm leisten.

Eine Rang-r-Approximation entsteht, indem nur die führenden r Singulärwerte und die zugehörigen Singulärvektoren berücksichtigt werden:

\(A_r=\sum_{i=1}^{r}\sigma_i u_i v_i^\dagger\)

Der quadratische Approximationsfehler in der Frobeniusnorm lautet:

\(||A-A_r||_F^2=\sum_{i=r+1}^{q}\sigma_i^2\)

Nach dem Satz von Eckart und Young ist diese abgeschnittene SVD eine beste Rang-r-Approximation bezüglich der Frobeniusnorm und der Spektralnorm.

Diese Optimalität gilt unmittelbar für Matrizen. Bei Tensoren höherer Ordnung ist die Situation komplexer, weil mehrere Rangbedingungen gleichzeitig berücksichtigt werden müssen.

Higher-Order Singular Value Decomposition

Die HOSVD überträgt die Grundidee der SVD auf Tensoren höherer Ordnung. Hierfür werden die einzelnen Moden entfaltet und jeweils geeignete orthonormale Faktormatrizen berechnet.

Die resultierende Tucker-Darstellung lautet:

\(\mathcal{A}=\mathcal{S}\times_1 U^{(1)}\times_2 U^{(2)}\cdots\times_d U^{(d)}\)

Der Kerntensor S enthält die Koeffizienten innerhalb der gewählten multilinearen Basis. Die Matrizen U beschreiben die Transformationen der einzelnen Moden.

Bei der vollständigen HOSVD kann der Tensor bis auf numerische Rundungsfehler exakt rekonstruiert werden. Eine Datenkompression entsteht erst, wenn die Dimensionen des Kerntensors durch Trunkierung eingeschränkt werden.

Anders als die Diagonalmatrix einer gewöhnlichen SVD ist der Kerntensor einer HOSVD im Allgemeinen nicht diagonal. Seine Einträge beschreiben Wechselwirkungen zwischen den ausgewählten Richtungen verschiedener Moden.

Die HOSVD besitzt nützliche Orthogonalitäts- und Strukturmerkmale. Allerdings liefert das einfache Abschneiden ihrer Faktormatrizen im Allgemeinen nicht die beste Tucker-Approximation für vorgegebene multilineare Ränge.

Truncated HOSVD

Die T-HOSVD beschränkt die einzelnen Moden auf vorgegebene Zielränge. Für jede Mode werden die dominanten linken Singulärvektoren ihrer Entfaltung ausgewählt.

Dadurch entstehen Faktormatrizen mit den Dimensionen:

\(U^{(k)}\in\mathbb{C}^{n_k\times r_k}\)

Die Zielränge erfüllen:

\(1\leq r_k\leq n_k\)

Der komprimierte Kerntensor besitzt anschließend die Dimensionen:

\(\mathcal{G}\in\mathbb{C}^{r_1\times r_2\times\cdots\times r_d}\)

Der entscheidende Nachteil der konventionellen T-HOSVD besteht darin, dass jede Faktormatrix aus einer Entfaltung des ursprünglichen Tensors berechnet wird. Selbst wenn der erste Verarbeitungsschritt bereits eine starke Dimensionsreduktion ermöglichen würde, profitieren spätere SVD-Berechnungen davon zunächst nicht.

Genau an diesem Punkt setzt die ST-HOSVD an. Sie führt die einzelnen Projektionen sofort aus und verwendet den verkleinerten Zwischentensor für die weiteren Berechnungen.

Funktionsweise und Algorithmus der ST-HOSVD

Grundprinzip der sequenziellen Trunkierung

Die ST-HOSVD konstruiert eine Tucker-Niedrigrangapproximation, indem sie die Tensor-Moden nacheinander verarbeitet. Nach jeder berechneten Teilraumprojektion wird der aktuelle Tensor verkleinert.

Der Algorithmus arbeitet somit nicht mit voneinander unabhängigen Entfaltungen des ursprünglichen Tensors. Jede neue Modenzerlegung hängt von den Projektionen ab, die in den vorhergehenden Schritten ausgeführt wurden.

Sei der ursprüngliche Tensor:

\(\mathcal{A}\in\mathbb{C}^{n_1\times\cdots\times n_d}\)

Nach der ersten Trunkierung, beispielsweise entlang der ersten Mode, entsteht:

\(\mathcal{B}^{(1)}=\mathcal{A}\times_1(U^{(1)})^\dagger\)

Die erste Dimension wird dabei von n₁ auf r₁ reduziert. Alle übrigen Dimensionen bleiben zunächst erhalten.

Die zweite Modenzerlegung erfolgt bereits auf diesem kleineren Tensor. Nach ihrer Projektion ergibt sich:

\(\mathcal{B}^{(2)}=\mathcal{B}^{(1)}\times_2(U^{(2)})^\dagger\)

Dieses Verfahren wird fortgesetzt, bis sämtliche vorgesehenen Moden verarbeitet wurden.

Die grundlegende Effizienzsteigerung entsteht aus der Verkleinerung der Matrizen, auf denen spätere Singulärwertzerlegungen ausgeführt werden. Je früher starke Rangreduktionen erfolgen, desto größer kann dieser Effekt ausfallen.

Mathematische Darstellung

Die ST-HOSVD erzeugt eine approximative Tucker-Zerlegung:

\(\mathcal{A}\approx\widehat{\mathcal{A}}=\mathcal{G}\times_1U^{(1)}\times_2U^{(2)}\cdots\times_dU^{(d)}\)

Der Kerntensor G wird durch die sukzessive Projektion in die ausgewählten Teilräume gebildet.

Für eine beliebige Verarbeitungsreihenfolge kann diese als Permutation der Moden dargestellt werden:

\(\pi=(\pi_1,\pi_2,\ldots,\pi_d)\)

Der Ausgangspunkt lautet:

\(\mathcal{B}^{(0)}=\mathcal{A}\)

Im Verarbeitungsschritt j wird die aktuelle Tensorentfaltung entlang der Mode k untersucht, wobei gilt:

\(k=\pi_j\)

Aus der Singulärwertzerlegung dieser Entfaltung werden die führenden linken Singulärvektoren ausgewählt. Sie bilden die Faktormatrix der betreffenden Mode.

Der neue Zwischentensor ergibt sich durch:

\(\mathcal{B}^{(j)}=\mathcal{B}^{(j-1)}\times_k(U^{(k)})^\dagger\)

Nach Abschluss aller Schritte ist der letzte Zwischentensor der komprimierte Kerntensor:

\(\mathcal{G}=\mathcal{B}^{(d)}\)

Für die Faktormatrizen gilt die Spaltenorthonormalität:

\((U^{(k)})^\dagger U^{(k)}=I_{r_k}\)

Damit wird jeder Modenschritt zu einer orthogonalen Projektion auf einen geeigneten niedrigdimensionalen Teilraum.

Die Rekonstruktion erfolgt durch Rücktransformation des Kerntensors mit den Faktormatrizen. Dabei muss die Reihenfolge der Moden den tatsächlich verarbeiteten Tensorindizes entsprechen.

Algorithmischer Ablauf im Detail

Eine ST-HOSVD mit vorgegebenen multilinearen Rängen lässt sich in sechs wesentliche Berechnungsschritte gliedern.

  1. Festlegung des Eingabetensors, der Zielränge und der Modenreihenfolge.
  2. Entfaltung des aktuellen Zwischentensors entlang der ausgewählten Mode.
  3. Berechnung der führenden linken Singulärvektoren dieser Entfaltung.
  4. Zusammenstellung der entsprechenden Faktormatrix.
  5. Projektion des Zwischentensors auf den ausgewählten Teilraum.
  6. Wiederholung bis zur vollständigen Berechnung des Kerntensors.

Die Besonderheit liegt in der unmittelbaren Durchführung des fünften Schrittes. Der projizierte Tensor wird nicht erst am Ende der Zerlegung erzeugt, sondern bildet bereits die Eingabe für den nächsten Verarbeitungsschritt.

Eine vollständige SVD ist hierfür nicht zwingend erforderlich. Wenn nur wenige führende Singulärvektoren benötigt werden, können geeignete Verfahren zur Berechnung einer partiellen SVD eingesetzt werden.

Welche Methode effizient ist, hängt von der Größe der Entfaltung, der erforderlichen Genauigkeit und der numerischen Struktur ab. Für kleine oder mittelgroße Matrizen kann eine direkte SVD sinnvoll sein. Bei sehr großen Matrizen können iterative oder randomisierte Verfahren Vorteile bieten.

Da die Rangbeschränkung in jedem Schritt auf den aktuellen Tensor angewendet wird, unterscheiden sich die resultierenden Faktormatrizen im Allgemeinen von denen einer T-HOSVD.

Diese Unterschiede sind nicht bloß technische Details. Sie beeinflussen sowohl den Berechnungsaufwand als auch die endgültige Approximation.

Einfluss der Modenreihenfolge

Die Reihenfolge der Moden ist ein eigenständiger algorithmischer Parameter. Anders als bei der T-HOSVD werden die einzelnen Singulärvektorräume auf Grundlage zuvor komprimierter Tensoren bestimmt.

Wird zuerst eine Mode verarbeitet, deren Dimension stark reduziert werden kann, verkleinern sich unmittelbar die anschließenden Entfaltungen. Dies kann den Rechenaufwand erheblich senken.

Eine Verarbeitung großer Dimensionen zu Beginn ist jedoch nicht automatisch optimal. Entscheidend ist das Verhältnis zwischen ursprünglicher Dimension, Zielrang, numerischem Rang und Kosten der jeweiligen SVD.

Darüber hinaus kann eine bestimmte Modenreihenfolge den Approximationsfehler stärker reduzieren als eine andere. Eine rein auf Geschwindigkeit ausgerichtete Reihenfolge muss daher nicht zugleich die genaueste sein.

Praktische Auswahlstrategien berücksichtigen beispielsweise die Größen der Moden, erwartete Kompressionsraten und die Verteilung dominanter Singulärwerte.

Bei umfangreichen Anwendungen empfiehlt es sich, mehrere geeignete Reihenfolgen experimentell zu vergleichen. Besonders relevant sind dabei die tatsächliche Laufzeit, der maximale Speicherbedarf und der endgültige Rekonstruktionsfehler.

Die mathematische Fehlergarantie der ST-HOSVD bleibt bei einer beliebigen gültigen Modenreihenfolge erhalten. Der tatsächlich erzielte Fehler kann sich dennoch unterscheiden.

Rangbestimmung und Fehlersteuerung

Die Auswahl der Zielränge bestimmt unmittelbar das Verhältnis zwischen Kompression und Genauigkeit.

Eine Möglichkeit besteht darin, die multilinearen Ränge vorzugeben. Dadurch lässt sich der Speicherbedarf im Voraus abschätzen. Ob die gewünschte Genauigkeit erreicht wird, steht damit jedoch nicht fest.

Alternativ werden die Ränge anhand einer Fehlertoleranz gewählt. Dabei wird geprüft, wie viel quadratische Norm durch das Verwerfen kleiner Singulärwerte verloren geht.

Für einen einzelnen Trunkierungsschritt kann der quadratische Fehlerbeitrag als Summe der verworfenen Singulärwerte geschrieben werden:

\(\delta_j^2=\sum_{i=r_{\pi_j}+1}^{q_j}(\sigma_i^{(j)})^2\)

Die Singulärwerte beziehen sich hierbei auf die Entfaltung des aktuellen Zwischentensors, nicht grundsätzlich auf die Entfaltung des ursprünglichen Tensors.

Eine globale relative Fehlertoleranz kann durch folgende Bedingung ausgedrückt werden:

\(\frac{||\mathcal{A}-\widehat{\mathcal{A}}||_F}{||\mathcal{A}||_F}\leq\varepsilon\)

Eine mögliche Strategie besteht darin, jedem Verarbeitungsschritt ein Teilbudget des gesamten quadratischen Fehlerbudgets zuzuweisen.

Bei einer gleichmäßigen Verteilung und d tatsächlich trunkierten Moden kann beispielsweise gefordert werden:

\(\delta_j^2\leq\frac{\varepsilon^2}{d}||\mathcal{A}||_F^2\)

Eine solche gleichmäßige Zuteilung ist einfach, aber nicht immer besonders wirtschaftlich. Adaptive Verfahren können das verfügbare Fehlerbudget abhängig vom Singulärwertspektrum und den bereits entstandenen Fehlerbeiträgen verteilen.

Mathematische Eigenschaften und Fehleranalyse

Orthogonalität und Projektionsstruktur

Die ST-HOSVD beruht auf Projektionen in orthonormale Teilräume. Jede Faktormatrix enthält orthonormale Spalten, sodass eine wohldefinierte orthogonale Projektion auf den ausgewählten Modenunterraum entsteht.

Der Projektor der k-ten Mode lautet:

\(P_k=U^{(k)}(U^{(k)})^\dagger\)

Er erfüllt die Eigenschaften:

\(P_k^\dagger=P_k,\qquad P_k^2=P_k\)

Diese Bedingungen beschreiben eine selbstadjungierte, idempotente Projektion.

Da die Modenprojektionen auf unterschiedlichen Tensorindizes wirken, können sie miteinander vertauscht werden, sobald ihre Faktormatrizen feststehen.

Ihre Berechnung ist jedoch nicht vertauschbar: Die gewählten Faktormatrizen hängen bei der ST-HOSVD davon ab, welche Projektionen vorher durchgeführt wurden.

Diese Unterscheidung erklärt, warum die endgültige Approximation von der Verarbeitungsreihenfolge abhängen kann, obwohl die abschließenden Projektionen auf verschiedenen Moden kommutieren.

Die Orthogonalitätsstruktur ermöglicht außerdem eine präzise Zerlegung des gesamten quadratischen Approximationsfehlers in Beiträge der einzelnen Schritte.

Exakte Fehlerzerlegung

Bei exakt ausgeführten orthogonalen Projektionen setzt sich der quadratische Rekonstruktionsfehler aus den quadratischen Normen der nacheinander verworfenen Komponenten zusammen.

\(||\mathcal{A}-\widehat{\mathcal{A}}||_F^2=\sum_{j=1}^{d}\delta_j^2\)

Die einzelnen Fehlerbeiträge sind aufgrund der verschachtelten Projektionsstruktur orthogonal zueinander. Deshalb werden die quadratischen Fehler addiert und nicht einfach die Beträge der Einzelfehler.

Diese Beziehung ist für die praktische Fehlersteuerung besonders wichtig. Sie gestattet, den gesamten Trunkierungsfehler bereits während der Berechnung zu verfolgen.

In realen Implementierungen entstehen zusätzlich Rundungsfehler und gegebenenfalls Fehler durch approximative SVD-Verfahren. Die angegebene Identität beschreibt zunächst die mathematisch exakte Projektionsrechnung.

Für einen fairen Vergleich zwischen unterschiedlichen Algorithmen sollte der tatsächliche Rekonstruktionsfehler nach Möglichkeit unabhängig überprüft werden.

Fehlergrenzen und Quasioptimalität

Die ST-HOSVD besitzt eine garantierte Fehlerabschätzung in Bezug auf die Singulärwertspektren der ursprünglichen Modenentfaltungen.

Bezeichnet der Index k eine ursprüngliche Tensor-Mode, ergibt sich die obere Schranke:

\(||\mathcal{A}-\widehat{\mathcal{A}}||_F^2\leq\sum_{k=1}^{d}\sum_{i=r_k+1}^{q_k}(\sigma_i(A_{(k)}))^2\)

Damit ist der Fehler der ST-HOSVD durch dieselbe grundlegende obere Schranke begrenzt wie der Fehler der konventionellen T-HOSVD mit denselben multilinearen Rängen.

Sei die beste mögliche Approximation innerhalb der vorgegebenen multilinearen Rangbeschränkung definiert durch:

\(E_{\mathrm{opt}}=\min_{\mathrm{rank}_{\mathrm{ml}}(\mathcal{X})\leq(r_1,\ldots,r_d)}||\mathcal{A}-\mathcal{X}||_F\)

Dann gilt für die ST-HOSVD die bekannte Quasioptimalitätsabschätzung:

\(||\mathcal{A}-\widehat{\mathcal{A}}||_F\leq\sqrt{d}\,E_{\mathrm{opt}}\)

Diese Grenze ist eine Worst-Case-Abschätzung. Sie bedeutet nicht, dass der tatsächliche Fehler regelmäßig um den Faktor der Quadratwurzel aus d über dem Optimum liegt.

In vielen praktischen Fällen ist der Fehler deutlich kleiner. Die ST-HOSVD kann sogar einen geringeren Rekonstruktionsfehler als die T-HOSVD erzielen, obwohl beide Verfahren derselben allgemeinen Fehlergrenze unterliegen.

Eine Garantie, dass die ST-HOSVD die global beste Tucker-Niedrigrangapproximation berechnet, existiert jedoch nicht.

Numerische Stabilität

Die numerische Zuverlässigkeit der ST-HOSVD hängt wesentlich von der Qualität der verwendeten Singulärwertzerlegungen und Tensoroperationen ab.

Stabile SVD-Implementierungen berechnen die relevanten Singulärräume mit kontrollierten Rundungsfehlern. Die orthogonalen Projektionen selbst sind bezüglich der Frobeniusnorm nicht normvergrößernd.

Problematisch können nahezu gleiche Singulärwerte in der Nähe der Trunkierungsgrenze sein. In diesem Fall ist der ausgewählte Unterraum unter kleinen Datenänderungen möglicherweise empfindlich, obwohl sich der eigentliche Approximationsfehler nur geringfügig verändert.

Eine zusätzliche Schwierigkeit entsteht, wenn sehr kleine Singulärwerte zuverlässig von numerischem Rauschen unterschieden werden müssen.

Bei komplexwertigen Quantendaten ist die korrekte Verwendung adjungierter Matrizen unverzichtbar. Eine gewöhnliche Transposition anstelle der komplex konjugierten Transposition würde die mathematische Projektionsstruktur im Allgemeinen verletzen.

Für belastbare Ergebnisse sollten deshalb sowohl die Orthogonalität der Faktormatrizen als auch der tatsächlich erreichte Rekonstruktionsfehler überprüft werden.

Rechenaufwand, Speicherbedarf und Implementierung

Rechnerische Komplexität

Der Rechenaufwand einer ST-HOSVD wird maßgeblich durch die Singulärwertzerlegungen der nacheinander entstehenden Modenentfaltungen bestimmt.

Für eine dichte Matrix mit m Zeilen und n Spalten besitzt eine übliche vollständige beziehungsweise ökonomische SVD eine arithmetische Komplexität in der Größenordnung:

\(O(mn\min(m,n))\)

Bei der ST-HOSVD verändert sich die Größe der zu zerlegenden Matrix nach jedem erfolgreichen Kompressionsschritt.

Für eine Modenreihenfolge von eins bis d besitzt die Entfaltung im k-ten Schritt die Dimensionen:

\(n_k\times\left(\prod_{j=1}^{k-1}r_j\right)\left(\prod_{j=k+1}^{d}n_j\right)\)

Die bereits verarbeiteten Dimensionen treten nur noch mit ihren reduzierten Zielrängen auf.

Die konventionelle T-HOSVD verwendet dagegen für jede Mode eine Entfaltung des ursprünglichen Tensors. Dadurch kann sie erheblich größere Matrizen verarbeiten müssen.

Der Effizienzvorteil der ST-HOSVD ist besonders ausgeprägt, wenn frühe Moden stark komprimiert werden. Sind die Zielränge dagegen nahezu so groß wie die Ausgangsdimensionen, fällt der Vorteil entsprechend geringer aus.

Die tatsächliche Laufzeit hängt außerdem von Speicherbandbreite, Matrixanordnung, SVD-Methode, Parallelisierung und verwendeter Hardware ab. Eine pauschale Beschleunigung um einen festen Faktor lässt sich deshalb nicht angeben.

Speicherbedarf und Kompressionsverhältnis

Der Speicherbedarf einer vollständigen Tensorrepräsentation entspricht der Anzahl sämtlicher Tensorelemente.

Für eine Tucker-Darstellung müssen der Kerntensor und alle Faktormatrizen gespeichert werden.

Die dafür benötigte Anzahl komplexer oder reeller Skalare beträgt:

\(N_{\mathrm{Tucker}}=\prod_{k=1}^{d}r_k+\sum_{k=1}^{d}n_kr_k\)

Das theoretische Kompressionsverhältnis ergibt sich zu:

\(K=\frac{\prod_{k=1}^{d}n_k}{\prod_{k=1}^{d}r_k+\sum_{k=1}^{d}n_kr_k}\)

Ein Beispiel verdeutlicht die Größenordnung. Ein Tensor vierter Ordnung mit jeweils 64 Elementen pro Mode besitzt insgesamt 16.777.216 Einträge.

Werden sämtliche Zielränge auf zwölf begrenzt, umfasst der Kerntensor nur noch 20.736 Einträge. Die vier Faktormatrizen benötigen zusammen weitere 3.072 Einträge.

Die Tucker-Repräsentation enthält damit 23.808 Skalare. Das rechnerische Kompressionsverhältnis beträgt ungefähr 705 zu eins.

Dieses Verhältnis beschreibt ausschließlich den Speichergewinn. Es sagt nichts darüber aus, ob die Approximation für den betreffenden Tensor ausreichend genau ist.

Für einen beliebigen Tensor kann die Wahl dieser niedrigen Ränge erhebliche Informationsverluste verursachen. Die Speicherersparnis ist daher immer zusammen mit dem Rekonstruktionsfehler zu bewerten.

Praktische Implementierung

Eine effiziente Implementierung der ST-HOSVD benötigt leistungsfähige Operationen für Modenentfaltungen, Singulärwertzerlegungen und Modenprodukte.

Bei dichten Tensoren stehen vor allem drei technische Aspekte im Vordergrund: die Vermeidung unnötiger Datenkopien, die Verwendung optimierter linearer Algebra und die Kontrolle des temporären Speicherbedarfs.

Die Umordnung eines Tensors in eine Matrix kann abhängig vom Speicherlayout ohne zusätzliche Datenkopie möglich sein. In anderen Fällen ist eine tatsächliche Umorganisation der Daten erforderlich, die bei großen Tensoren erhebliche Kosten verursacht.

Für numerische Berechnungen können etablierte Bibliotheken wie NumPy, SciPy und spezialisierte Tensorbibliotheken eingesetzt werden.

Die Python Tensor Toolbox stellt eine HOSVD-Routine bereit, die standardmäßig eine sequenzielle Trunkierung unterstützt. Sie erlaubt unter anderem die Vorgabe von Zielrängen, Fehlertoleranzen und Modenreihenfolgen.

TensorLy bietet allgemeine Tucker-Zerlegungen und iterative Verfahren wie HOOI. Dabei ist darauf zu achten, dass eine iterative Tucker-Optimierung nicht automatisch einer ST-HOSVD entspricht.

Eine korrekte Softwareauswahl erfordert daher die Prüfung des tatsächlich implementierten Algorithmus und nicht nur seines Funktionsnamens.

Parallelisierung und beschleunigte Verfahren

Die ST-HOSVD besitzt eine sequenzielle Abhängigkeit zwischen ihren Modenschritten. Die Berechnung einer späteren Faktormatrix benötigt den zuvor reduzierten Zwischentensor.

Diese Abhängigkeit begrenzt die Möglichkeit, sämtliche Modenzerlegungen vollständig unabhängig und gleichzeitig auszuführen.

Innerhalb eines einzelnen Schrittes können jedoch Matrixmultiplikationen, SVD-Operationen und Tensor-Kontraktionen parallel berechnet werden.

Grafikprozessoren und Hochleistungsrechner können dabei erhebliche Geschwindigkeitsvorteile bieten, insbesondere bei großen dichten Tensoren.

Weitere Beschleunigungen sind durch partielle oder randomisierte Singulärwertzerlegungen möglich. Solche Verfahren reduzieren häufig den Rechenaufwand, führen aber zusätzliche Approximationsfehler ein, die bei der Fehlerbewertung berücksichtigt werden müssen.

Die ST-HOSVD verkleinert nachfolgende Berechnungen, löst jedoch nicht automatisch das Problem eines bereits zu großen Eingabetensors. Wenn der ursprüngliche Tensor nicht vollständig gespeichert werden kann, werden zusätzliche speicherschonende oder implizite Berechnungsverfahren benötigt.

ST-HOSVD in der Quantentechnologie

Mathematische Darstellung quantenmechanischer Zustände

Die mathematische Beschreibung zusammengesetzter Quantensysteme erfolgt in Tensorprodukträumen. Ein System aus mehreren Teilsystemen besitzt einen Gesamtzustandsraum, dessen Dimension sich aus dem Produkt der lokalen Hilbertraum Dimensionen ergibt.

Für d Teilsysteme lautet der Gesamtzustandsraum:

\(\mathcal{H}=\mathcal{H}_1\otimes\mathcal{H}_2\otimes\cdots\otimes\mathcal{H}_d\)

Ein reiner Quantenzustand kann in einer Produktbasis dargestellt werden:

\(|\psi\rangle=\sum_{i_1,\ldots,i_d}A_{i_1,\ldots,i_d}|i_1\rangle\otimes\cdots\otimes|i_d\rangle\)

Die Koeffizienten bilden einen komplexwertigen Tensor. Jeder Eintrag beschreibt die Wahrscheinlichkeitsamplitude einer bestimmten Basiskonfiguration.

Für ein System aus d Qubits beträgt die Dimension des vollständigen Hilbertraums:

\(\dim(\mathcal{H})=2^d\)

Bei 50 Qubits umfasst der Zustandsvektor bereits mehr als eine Billiarde komplexe Amplituden. Eine vollständige Speicherung ist auf üblichen klassischen Rechnern praktisch nicht mehr realisierbar.

Tensorapproximationen versuchen dieses Problem zu entschärfen, indem sie die Zustandskoeffizienten nicht vollständig speichern, sondern durch strukturierte Faktoren repräsentieren.

Die ST-HOSVD kann hierfür mathematisch verwendet werden, sofern der Koeffiziententensor eine geeignete multilineare Niedrigrangstruktur besitzt.

Wichtig ist jedoch, dass die ST-HOSVD zunächst eine klassische Rechenmethode bleibt. Sie ersetzt keine physikalische Quantendynamik und führt keine Berechnung unmittelbar auf einem Quantenprozessor aus.

Kompression von Quantenzuständen

Die ST-HOSVD nähert den Koeffiziententensor eines Quantenzustands durch einen kleineren Kerntensor und modenspezifische Basistransformationen an.

Damit entsteht ein Zustandsansatz der Form:

\(\widetilde{A}_{i_1,\ldots,i_d}=\sum_{\alpha_1,\ldots,\alpha_d}G_{\alpha_1,\ldots,\alpha_d}\prod_{k=1}^{d}U^{(k)}_{i_k,\alpha_k}\)

Die Indizes der ursprünglichen Basis werden durch kleinere interne Indizes ersetzt. Der Kerntensor enthält die verbleibenden Kopplungen zwischen diesen reduzierten Teilräumen.

Physikalisch entspricht dieses Vorgehen der Auswahl eingeschränkter lokaler Zustandsräume.

Für normierte reine Zustände ist neben dem numerischen Rekonstruktionsfehler insbesondere die Zustandstreue, die sogenannte Fidelity, relevant.

Sie ist definiert durch:

\(F(\psi,\phi)=|\langle\psi|\phi\rangle|^2\)

Wenn ein normierter Zustand orthogonal auf einen Tensorprodukt-Unterraum projiziert und das nicht verschwindende Ergebnis anschließend normiert wird, besteht ein direkter Zusammenhang zwischen der Projektion und der Fidelity.

Für den quadratischen Projektionsfehler gilt dann:

\(\delta^2=||\psi-\widetilde{\psi}||^2\)

Und für die Fidelity zwischen dem ursprünglichen Zustand und dem normierten projizierten Zustand folgt:

\(F=1-\delta^2\)

Diese Beziehung gilt unter den genannten Projektions- und Normierungsbedingungen. Bei allgemeinen approximativen Zustandsdarstellungen muss die Fidelity gesondert bestimmt werden.

Die mathematische Fehlerkontrolle der ST-HOSVD lässt sich damit in geeigneten Fällen unmittelbar auf die Qualität einer quantenmechanischen Zustandsapproximation beziehen.

Allerdings kann auch eine hohe Fidelity für bestimmte empfindliche Observablen oder dynamische Fragestellungen eine zusätzliche Genauigkeitsprüfung erforderlich machen.

Quantensimulation und Vielteilchensysteme

Bei der klassischen Simulation von Quantensystemen muss häufig die zeitliche Entwicklung einer hochdimensionalen Wellenfunktion berechnet werden.

Die zugrunde liegende Dynamik wird durch die zeitabhängige Schrödingergleichung beschrieben:

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

Der Hamiltonoperator H beschreibt die Energien und Wechselwirkungen des Systems.

Bei vielen Freiheitsgraden wächst die Anzahl der benötigten Zustandskoeffizienten sehr schnell. Deshalb werden reduzierte Darstellungen eingesetzt, die nur die numerisch relevanten Anteile der Wellenfunktion berücksichtigen.

Die ST-HOSVD kann in diesem Zusammenhang als Verfahren zur Kompression eines bereits vorliegenden Koeffiziententensors dienen.

Eine mögliche Anwendung besteht darin, nach einem numerischen Berechnungsschritt eine Tucker-Niedrigrangapproximation zu bestimmen, um die weitere Verarbeitung zu vereinfachen.

Dabei müssen jedoch zwei unterschiedliche Fehlerquellen berücksichtigt werden: die Approximation durch die zeitliche Integrationsmethode und die zusätzliche Informationsreduktion durch die Tensortrunkierung.

Wiederholte Kompressionen können Fehler akkumulieren. Eine einzelne kleine Trunkierungsabweichung garantiert daher noch keine langfristig genaue Simulation.

Außerdem muss untersucht werden, ob physikalisch wichtige Größen wie Norm, Energieerwartungswerte oder Symmetrien ausreichend genau erhalten bleiben.

Die ST-HOSVD ist keine eigenständige Methode zur Integration der Schrödingergleichung. Sie kann lediglich als numerischer Bestandteil einer entsprechend konstruierten Simulationsmethode eingesetzt werden.

Tensor-Netzwerke und Quantenverschränkung

Ein wesentlicher Unterschied zwischen Tensorformaten zeigt sich bei der Darstellung von Quantenverschränkung.

Verschränkte Quantenzustände lassen sich nicht allgemein als Produkt unabhängiger Zustände ihrer Teilsysteme beschreiben. Ihre Koeffizienten besitzen Korrelationen, deren Struktur für die Effizienz einer Tensordarstellung entscheidend ist.

Die Tucker-Zerlegung reduziert die einzelnen Modendimensionen, behält jedoch einen Kerntensor, der sämtliche reduzierten Moden miteinander verbindet.

Die Größe dieses Kerntensors wächst mit dem Produkt der multilinearen Ränge.

Für viele Qubits ist dies eine erhebliche Einschränkung. Da jede lokale Qubitdimension nur zwei beträgt, kann eine einzelne lokale Tucker-Mode überhaupt nur auf Rang eins oder zwei reduziert werden.

Ein verschränkter reiner Viel-Qubit-Zustand besitzt häufig in jeder lokalen Modenentfaltung den vollen Rang zwei. In diesem Fall entsteht durch die lokale Tucker-Trunkierung keine verlustfreie Dimensionsreduktion.

Ein besonders anschauliches Beispiel ist der GHZ-Zustand:

\(|\mathrm{GHZ}_d\rangle=\frac{|0\rangle^{\otimes d}+|1\rangle^{\otimes d}}{\sqrt{2}}\)

Seine lokalen Modenentfaltungen besitzen jeweils Rang zwei. Eine exakte Tucker-Darstellung mit getrennten Qubit-Moden benötigt deshalb einen Kerntensor mit exponentiell vielen möglichen Einträgen, wenn dieser als dichter Tensor gespeichert wird.

Der gleiche Zustand lässt sich dagegen durch eine Matrix-Product-State-Darstellung mit kleiner Bindungsdimension kompakt beschreiben.

Dies zeigt, dass eine geeignete Tensor-Netzwerk-Topologie wesentlich wichtiger sein kann als die bloße Reduktion einzelner lokaler Dimensionen.

Matrix Product States (MPS) und Tensor Trains (TT) verwenden kettenförmig verbundene Kerntensoren. Ihre Kompressionsmöglichkeiten hängen von den Rängen der Zerlegungen zwischen verschiedenen Gruppen von Teilsystemen ab.

Die Tucker-Darstellung und die ST-HOSVD nutzen dagegen multilineare Ränge einzelner Moden. Diese Rangbegriffe sind mathematisch verschieden und dürfen nicht miteinander gleichgesetzt werden.

Die ST-HOSVD ist daher kein allgemeiner Ersatz für Matrix-Product-State-Verfahren, insbesondere nicht bei Systemen mit vielen kleinen lokalen Hilberträumen.

Quantenchemie und molekulare Wellenfunktionen

In der Quantenchemie und molekularen Quantendynamik treten Wellenfunktionen auf, die von mehreren elektronischen, vibronischen oder anderen relevanten Freiheitsgraden abhängen.

Werden diese Freiheitsgrade in diskreten Basen dargestellt, entsteht ein hochdimensionaler Koeffiziententensor.

Für solche Probleme können Tucker-artige Darstellungen sinnvoll sein, wenn die ursprünglichen Basisräume größer sind und sich auf kleinere effektive Unterräume reduzieren lassen.

Eine etablierte Methodengruppe ist der Multiconfiguration Time-Dependent Hartree-Ansatz (MCTDH). Er verwendet zeitabhängige Einteilchenfunktionen und einen Konfigurationstensor, um mehrdimensionale Wellenfunktionen effizienter darzustellen.

Die mathematische Verwandtschaft zur Tucker-Zerlegung liegt in der Trennung zwischen modenspezifischen Basisfunktionen und einem Tensor ihrer Kopplungskoeffizienten.

Eine ST-HOSVD kann grundsätzlich zur Analyse, Initialisierung oder Kompression entsprechender Koeffiziententensoren dienen. Daraus folgt jedoch nicht, dass sie automatisch Bestandteil jeder MCTDH-Berechnung ist.

Gerade in quantenchemischen Anwendungen ist außerdem die Wahl der Freiheitsgrade und ihrer Gruppierung entscheidend. Starke Korrelationen können durch geeignete Modenkombinationen besser dargestellt werden als durch eine direkte Trennung sämtlicher physikalischer Koordinaten.

Ein möglicher Nutzen der ST-HOSVD besteht darin, numerisch bedeutende Richtungen in großen Koeffiziententensoren zu identifizieren und daraus kompaktere Repräsentationen abzuleiten.

Ob dies gegenüber speziell entwickelten quantenchemischen Tensorverfahren vorteilhaft ist, muss jedoch anhand der konkreten Problemstruktur untersucht werden.

Kompression von Quantenoperatoren

Nicht nur Quantenzustände, sondern auch Operatoren können tensorförmig repräsentiert werden.

Ein Operator auf einem zusammengesetzten Hilbertraum besitzt für jedes Teilsystem einen Eingangs- und einen Ausgangsindex. Dadurch entsteht eine Tensorstruktur mit doppelt so vielen lokalen Indizes wie bei einem reinen Zustandsvektor.

Für einen allgemeinen Operator kann eine solche Darstellung geschrieben werden als:

\(O_{i_1,\ldots,i_d,j_1,\ldots,j_d}\)

Eine Tensorzerlegung kann versuchen, den für diese Koeffizienten benötigten Speicherbedarf zu verringern.

Die ST-HOSVD eignet sich mathematisch für eine solche Approximation, sofern die Entfaltungen des Operatortensors ausreichend schnell abfallende Singulärwertspektren besitzen.

Eine wichtige Einschränkung betrifft die Erhaltung physikalischer Eigenschaften. Die gewöhnliche Tucker-Trunkierung garantiert nicht automatisch, dass ein approximierter Operator beispielsweise unitär, positiv semidefinit oder vollständig positiv bleibt.

Bei Dichtematrizen sind Hermitizität, Positivität und Spur-Normierung relevant. Werden diese Eigenschaften nicht erhalten, kann das numerische Ergebnis seine unmittelbare physikalische Interpretierbarkeit verlieren.

Daher muss eine Operatorapproximation zusätzlich zu ihrem Frobeniusfehler auf die jeweils erforderlichen algebraischen und physikalischen Bedingungen geprüft werden.

Klassische Berechnung und Quantenalgorithmen

Die Bezeichnung ST-HOSVD enthält keinen Hinweis auf eine quantenmechanische Ausführung. Der Algorithmus verarbeitet zunächst numerische Tensoren durch klassische Matrix- und Tensoroperationen.

Im Bereich des Quantum Computing existieren Forschungsansätze zur quantengestützten linearen Algebra und zu quantenbasierten Tensorverfahren. Diese dürfen jedoch nicht mit der klassischen ST-HOSVD gleichgesetzt werden.

Eine mögliche Quantenbeschleunigung müsste konkrete algorithmische Kosten berücksichtigen. Besonders relevant sind die Vorbereitung der Eingabedaten, die Zugänglichkeit einzelner Tensorinformationen, die Genauigkeitsanforderungen und die Auslesekosten der Ergebnisse.

Selbst wenn eine quantenbasierte Teiloperation unter bestimmten Annahmen schneller ausgeführt werden könnte, folgt daraus nicht automatisch ein Vorteil für die gesamte Tensorzerlegung.

Für die praktische Quantentechnologie ist die ST-HOSVD deshalb vor allem als klassisches Hilfsverfahren zur strukturierten Verarbeitung quantenmechanischer Daten einzuordnen.

Vergleich mit verwandten Tensorzerlegungen

ST-HOSVD gegenüber T-HOSVD

Beide Verfahren berechnen eine Tucker-Niedrigrangapproximation unter Verwendung abgeschnittener Singulärwertzerlegungen.

Der grundlegende Unterschied liegt im Zeitpunkt der Projektion.

Bei der T-HOSVD werden die Faktormatrizen aus den Modenentfaltungen des ursprünglichen Tensors bestimmt. Erst anschließend wird der Kerntensor durch Projektion auf die ausgewählten Teilräume gebildet.

Die ST-HOSVD führt dagegen nach jeder berechneten Faktormatrix sofort eine Projektion aus. Dadurch entstehen kleinere Zwischenprobleme.

Beide Verfahren besitzen dieselbe allgemeine quasioptimale Fehlerabschätzung. Dennoch sind ihre Resultate bei identischen Zielrängen nicht notwendigerweise gleich.

Die ST-HOSVD kann sowohl hinsichtlich der Laufzeit als auch hinsichtlich des tatsächlichen Approximationsfehlers günstiger ausfallen. Eine ausnahmslose Überlegenheit in jedem Problemfall ist daraus jedoch nicht abzuleiten.

ST-HOSVD gegenüber HOOI

Higher-Order Orthogonal Iteration (HOOI) verfolgt einen anderen Ansatz. Das Verfahren optimiert die Tucker-Faktormatrizen wiederholt, indem jeweils ein Modenunterraum bei festgehaltenen übrigen Unterräumen aktualisiert wird.

Dadurch kann HOOI den Rekonstruktionsfehler einer bereits vorhandenen Tucker-Darstellung weiter reduzieren.

Im Gegensatz zur ST-HOSVD benötigt HOOI mehrere Iterationen und damit zusätzliche Tensor-Kontraktionen und Matrixzerlegungen.

Die ST-HOSVD kann deshalb eine geeignete Initialisierung für HOOI liefern. Zunächst wird schnell eine brauchbare Niedrigrangapproximation berechnet, die anschließend iterativ verbessert wird.

Auch HOOI garantiert im Allgemeinen nicht, das globale Minimum des Tucker-Approximationsproblems zu finden. Das Ergebnis kann unter anderem von der Initialisierung abhängen.

Die Kombination beider Verfahren bietet einen praktischen Kompromiss zwischen Berechnungsgeschwindigkeit und Approximationsergebnis.

ST-HOSVD gegenüber Tensor Train und MPS

Das Tensor-Train-Format zerlegt einen hochdimensionalen Tensor in eine Kette kleinerer Kerntensoren.

Für einen Tensor mit d Moden kann eine TT-Darstellung allgemein geschrieben werden als:

\(A_{i_1,\ldots,i_d}=\sum_{\alpha_1,\ldots,\alpha_{d-1}}G^{(1)}_{i_1,\alpha_1}G^{(2)}_{\alpha_1,i_2,\alpha_2}\cdots G^{(d)}_{\alpha_{d-1},i_d}\)

Die internen Indizes verbinden benachbarte Kerntensoren. Ihre Dimensionen werden als TT-Ränge oder, im Kontext von Matrix Product States, als Bindungsdimensionen bezeichnet.

Bei begrenzten Bindungsdimensionen kann der Speicherbedarf linear mit der Anzahl der Moden wachsen, sofern die lokalen Dimensionen ebenfalls begrenzt bleiben.

Die Tucker-Darstellung benötigt dagegen einen zentralen Kerntensor, dessen Größe vom Produkt sämtlicher multilinearer Ränge abhängt.

Deshalb sind TT- und MPS-Verfahren für viele hochgeordnete Tensoren strukturell günstiger.

Die ST-HOSVD bleibt insbesondere dann interessant, wenn vergleichsweise wenige Moden mit großen lokalen Dimensionen vorhanden sind und sich diese deutlich reduzieren lassen.

Kriterien für die Verfahrenswahl

Die Auswahl eines geeigneten Tensorverfahrens sollte nicht allein anhand der Rechengeschwindigkeit erfolgen.

Maßgebliche Kriterien sind die Tensorordnung, die lokalen Dimensionen, die Rangstruktur, der gewünschte Approximationsfehler und die verfügbaren Speicherressourcen.

Für eine schnelle Tucker-Kompression ist die ST-HOSVD häufig eine geeignete Wahl. Wenn eine möglichst kleine Tucker-Fehlernorm benötigt wird, kann eine anschließende iterative Optimierung sinnvoll sein.

Bei sehr vielen gekoppelten Freiheitsgraden sind Tensor-Train-Formate, Matrix Product States oder hierarchische Tensorformate oft angemessener.

Die beste Methode ergibt sich aus der mathematischen Struktur des Problems und nicht aus einer universellen Rangfolge der Algorithmen.

Grenzen und Forschungsperspektiven

Methodische Einschränkungen

Die ST-HOSVD reduziert den Aufwand einer Tucker-Trunkierung, beseitigt jedoch nicht sämtliche grundlegenden Schwierigkeiten hochdimensionaler Tensorrechnung.

Die zentrale Grenze liegt im Tucker-Format selbst. Auch wenn jede einzelne Mode erfolgreich reduziert wird, kann der Kerntensor bei großer Tensorordnung weiterhin exponentiell wachsen.

Für eine effiziente Darstellung müssen die multilinearen Zielränge hinreichend klein sein. Dies ist bei beliebigen Tensoren nicht gewährleistet.

Ein weiterer Nachteil besteht in der Abhängigkeit von der Verarbeitungsreihenfolge. Unterschiedliche Reihenfolgen können verschiedene Approximationsfehler und Berechnungskosten verursachen.

Außerdem liefert das Verfahren keine allgemeine global optimale Tucker-Approximation.

Die ursprünglichen Tensorinformationen müssen für eine direkte ST-HOSVD grundsätzlich verfügbar sein. Wenn die vollständige Eingabe bereits zu groß ist, reicht die spätere Kompression allein nicht aus.

Physikalische Grenzen bei Quantensystemen

In der Quantentechnologie ist die wichtigste Einschränkung die Struktur quantenmechanischer Korrelationen.

Stark verschränkte Zustände können hohe effektive Ränge besitzen. Eine kleine Tucker-Repräsentation ist deshalb nicht generell möglich.

Selbst bei einem niedrigen numerischen Rekonstruktionsfehler muss überprüft werden, ob die relevanten physikalischen Observablen ausreichend genau beschrieben werden.

Darüber hinaus erhält eine gewöhnliche ST-HOSVD-Trunkierung nicht automatisch alle Symmetrien, Erhaltungsgrößen oder strukturellen Bedingungen des ursprünglichen quantenmechanischen Problems.

Für konkrete Anwendungen können daher symmetrieerhaltende Projektionsverfahren, zusätzliche Normierungsbedingungen oder spezielle Tensorformate erforderlich sein.

Adaptive Rang- und Reihenfolgewahl

Ein wichtiger Ansatz zur Verbesserung der ST-HOSVD besteht in der adaptiven Auswahl der multilinearen Ränge.

Statt alle Zielränge vorzugeben, kann die Rangentscheidung auf den tatsächlich beobachteten Singulärwertspektren beruhen.

Ebenso lässt sich die Reihenfolge der Moden anhand geschätzter Berechnungskosten und erwarteter Kompressionseffekte bestimmen.

Ein solches Vorgehen kann die verfügbaren Rechenressourcen gezielter einsetzen. Es erfordert jedoch zusätzliche Entscheidungen und unter Umständen vorbereitende Analysen.

Besonders interessant ist die gemeinsame Optimierung von Rangwahl, Fehlerbudget und Modenreihenfolge, weil diese Größen nicht unabhängig voneinander wirken.

Speicherschonende und hybride Verfahren

Weitere Entwicklungsmöglichkeiten ergeben sich aus randomisierten SVD-Methoden, blockweisen Berechnungen und der Verarbeitung implizit repräsentierter Tensoren.

Für große numerische Probleme kann es vorteilhaft sein, benötigte Tensor-Kontraktionen unmittelbar aus einer bereits vorhandenen strukturierten Darstellung zu berechnen, statt den vollständigen Tensor vorher zu erzeugen.

Auch die Kombination einer schnellen ST-HOSVD mit nachfolgenden Optimierungsverfahren bietet Potenzial.

Im quantentechnologischen Bereich sind insbesondere solche Ansätze relevant, die physikalische Symmetrien berücksichtigen und eine zuverlässige Kontrolle von Zustandsfehlern ermöglichen.

Hybride klassisch-quantenbasierte Verfahren bilden einen weiteren möglichen Forschungsbereich. Ihre tatsächliche Überlegenheit müsste jedoch für konkrete Datenmodelle, Hardwarebedingungen und Fehleranforderungen nachgewiesen werden.

Fazit

Wesentliche Ergebnisse

Die Sequentially Truncated Higher-Order Singular Value Decomposition ist eine mathematisch fundierte Methode zur effizienten Berechnung abgeschnittener Tucker-Zerlegungen.

Ihr entscheidender Vorteil besteht in der sequenziellen Reduktion des Tensors. Jede abgeschlossene Modenprojektion verkleinert das nachfolgende Berechnungsproblem und kann dadurch den Aufwand weiterer Singulärwertzerlegungen reduzieren.

Die ST-HOSVD verfügt über kontrollierbare Approximationsfehler und eine Quasioptimalitätsgarantie. Sie berechnet jedoch nicht grundsätzlich die global beste multilineare Niedrigrangapproximation.

Bedeutung für die Quantentechnologie

Für die Quantentechnologie bietet die ST-HOSVD eine Möglichkeit, geeignete hochdimensionale Zustands- und Operatortensoren auf klassischen Rechnern kompakter darzustellen.

Besonders sinnvoll ist ihr Einsatz, wenn große lokale Basisräume vorliegen und die entsprechenden Moden deutliche Niedrigrangstrukturen besitzen.

Bei Quantensystemen mit vielen stark verschränkten Teilsystemen können dagegen Matrix Product States, Tensor Trains und hierarchische Tensor-Netzwerke wesentlich effizientere Darstellungen ermöglichen.

Abschließende Bewertung

Die ST-HOSVD verbindet eine vergleichsweise einfache algorithmische Struktur mit mathematisch überprüfbaren Fehlergrenzen und potenziell erheblichen Einsparungen bei Rechenaufwand und Speicherbedarf.

Ihre Leistungsfähigkeit beruht jedoch auf der Komprimierbarkeit der vorhandenen Tensorstruktur. Sie überwindet nicht allgemein das exponentielle Wachstum quantenmechanischer Zustandsräume.

Damit ist die ST-HOSVD ein wertvolles Werkzeug der numerischen Tensoralgebra und eine mögliche Komponente quantentechnologischer Simulationsverfahren, deren praktischer Nutzen stets anhand des konkreten mathematischen und physikalischen Problems bewertet werden muss.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die wissenschaftliche Literatur zur Sequentially Truncated Higher-Order Singular Value Decomposition (ST-HOSVD) umfasst die ursprüngliche Entwicklung des Algorithmus, die mathematischen Grundlagen der multilinearen Tensorzerlegung sowie neuere Arbeiten zu randomisierten und parallelen Berechnungsverfahren. Für die Quantentechnologie ist ergänzend Fachliteratur über Tensor-Netzwerke, Quantenverschränkung und die numerische Darstellung quantenmechanischer Vielteilchensysteme relevant. Die folgenden Quellen unterscheiden ausdrücklich zwischen unmittelbarer ST-HOSVD-Forschung und weiterführender Grundlagen- beziehungsweise Spezialliteratur.

Grundlegende Primärliteratur zur ST-HOSVD

  • Vannieuwenhoven, N., Vandebril, R. und Meerbergen, K.: A New Truncation Strategy for the Higher-Order Singular Value Decomposition. SIAM Journal on Scientific Computing, Band 34, Ausgabe 2, Seiten A1027–A1052, 2012.
    • Die zentrale Primärveröffentlichung zur ST-HOSVD. Die Autoren entwickeln die sequenzielle Trunkierungsstrategie als Alternative zur konventionellen T-HOSVD und untersuchen ihre mathematischen Eigenschaften, Fehlerabschätzungen und numerischen Vorteile. Besonders relevant sind die schrittweise Verkleinerung des Kerntensors, die Reduktion des Rechenaufwands und die Auswirkungen der Modenreihenfolge. Diese Arbeit bildet die wichtigste Grundlage für die algorithmische Herleitung, die Fehleranalyse und die wissenschaftliche Bewertung der ST-HOSVD.
  • De Lathauwer, L., De Moor, B. und Vandewalle, J.: A Multilinear Singular Value Decomposition. SIAM Journal on Matrix Analysis and Applications, Band 21, Ausgabe 4, Seiten 1253–1278, 2000.
    • Grundlegende Primärliteratur zur Higher-Order Singular Value Decomposition (HOSVD). Die Arbeit untersucht die multilineare Verallgemeinerung der Matrix-SVD, orthogonale Faktormatrizen, Kerntensoren und strukturelle Eigenschaften der Zerlegung. Sie liefert das mathematische Fundament, auf dem die ST-HOSVD aufbaut. In der Abhandlung eignet sie sich insbesondere zur Erklärung von Modenentfaltungen, multilinearen Transformationen und Tucker-Darstellungen.
  • Tucker, L. R.: Some Mathematical Notes on Three-Mode Factor Analysis. Psychometrika, Band 31, Ausgabe 3, Seiten 279–311, 1966.
    • Historische Grundlagenarbeit zur mehrdimensionalen Faktorenanalyse und zur Entwicklung des später nach Tucker benannten Tensorformats. Sie erläutert den mathematischen Hintergrund der Darstellung mehrdimensionaler Daten durch Faktoren und einen zentralen Kerntensor. Die Quelle ist für die wissenschaftshistorische Einordnung der Tucker-Zerlegung relevant, beschreibt jedoch nicht den später entwickelten ST-HOSVD-Algorithmus.

Spezialisierte Arbeiten zur Tensorapproximation und Fehleranalyse

  • De Lathauwer, L., De Moor, B. und Vandewalle, J.: On the Best Rank-1 and Rank-(R1, R2, ..., Rn) Approximation of Higher-Order Tensors. SIAM Journal on Matrix Analysis and Applications, Band 21, Ausgabe 4, Seiten 1324–1342, 2000.
    • Wichtige mathematische Spezialliteratur zur Niedrigrangapproximation von Tensoren. Die Autoren behandeln Optimierungsprobleme für vorgegebene multilineare Ränge und entsprechende Approximationsverfahren. Diese Arbeit hilft bei der Unterscheidung zwischen einer durch Trunkierung konstruierten Tucker-Approximation und einer optimalen Niedrigrangapproximation. Sie eignet sich besonders zur fachlichen Einordnung der Quasioptimalität und der Grenzen von ST-HOSVD und T-HOSVD.
  • Kolda, T. G. und Bader, B. W.: Tensor Decompositions and Applications. SIAM Review, Band 51, Ausgabe 3, Seiten 455–500, 2009.
    • International anerkannter Übersichtsartikel zur multilinearen Algebra und zu grundlegenden Tensorzerlegungen. Behandelt werden insbesondere Tucker-, HOSVD- und CP-Zerlegungen sowie ihre mathematischen Eigenschaften und Anwendungsgebiete. Als Grundlagenliteratur ist die Veröffentlichung besonders geeignet, um die ST-HOSVD innerhalb der größeren Familie numerischer Tensorverfahren einzuordnen und die verwendeten mathematischen Begriffe einheitlich zu definieren.

Randomisierte, parallele und speichereffiziente ST-HOSVD-Verfahren

  • Minster, R., Saibaba, A. K. und Kilmer, M. E.: Randomized Algorithms for Low-Rank Tensor Decompositions in the Tucker Format. SIAM Journal on Mathematics of Data Science, Band 2, Ausgabe 1, Seiten 189–215, 2020.
    • Unmittelbar relevante Spezialliteratur zur Weiterentwicklung klassischer Tensortrunkierungsverfahren. Die Autoren untersuchen randomisierte Varianten von HOSVD und ST-HOSVD und leiten probabilistische Fehlerabschätzungen her. Zusätzlich behandeln sie adaptive Rangwahl und Verfahren für große beziehungsweise dünn besetzte Tensoren. Die Quelle eignet sich zur Darstellung moderner Beschleunigungsmethoden und zur Diskussion zusätzlicher Approximationsfehler durch randomisierte Berechnungen.
  • Minster, R., Li, Z. und Ballard, G.: Parallel Randomized Tucker Decomposition Algorithms. SIAM Journal on Scientific Computing, Band 46, Ausgabe 2, Seiten A1186–A1213, 2024.
    • Aktuelle Spezialliteratur zur Kombination randomisierter Tensorapproximation mit paralleler Verarbeitung. Im Mittelpunkt stehen strukturierte Zufallsprojektionen, Kommunikationskosten, Skalierbarkeit und probabilistische Fehleranalysen. Diese Arbeit ist besonders relevant für die Einordnung der ST-HOSVD gegenüber modernen Hochleistungsalgorithmen. Sie zeigt, welche zusätzlichen Verfahren für die effiziente Verarbeitung großer Tensoren auf parallelen Rechnersystemen entwickelt wurden.
  • Li, Z., Fang, Q. und Ballard, G.: Parallel Tucker Decomposition with Numerically Accurate SVD. Proceedings of the 50th International Conference on Parallel Processing (ICPP 2021), ACM, 2021.
    • Spezialisierte Forschungsarbeit über die parallele Berechnung von Tucker-Zerlegungen unter Verwendung numerisch genauer Singulärwertzerlegungen. Sie berücksichtigt auch die ST-HOSVD und untersucht Fragen der Parallelisierung und numerischen Effizienz. Die Veröffentlichung ist besonders hilfreich für den Abschnitt über Rechenaufwand, Implementierung und Hochleistungsrechnen.
  • Ballard, G., Klinvex, A. und Kolda, T. G.: TuckerMPI: A Parallel C++/MPI Software Package for Large-Scale Data Compression via the Tucker Tensor Decomposition. ACM Transactions on Mathematical Software, Band 46, Ausgabe 2, Artikel 13, 2020.
    • Softwareorientierte Spezialliteratur zur parallelen Tucker-Kompression sehr großer wissenschaftlicher Datensätze. Die Autoren analysieren Datenverteilung, Speicherorganisation, Rechenkerne und Kommunikationsaufwand. Die Veröffentlichung eignet sich zur praktischen Einordnung großskaliger Implementierungen und zur Erläuterung der Herausforderungen verteilter Tensorberechnung. Sie ist keine quantentechnologische Anwendungsstudie, sondern behandelt die zugrunde liegende numerische Infrastruktur.

Hintergrundliteratur zu Tensor-Netzwerken und Quantensimulation

  • Oseledets, I. V.: Tensor-Train Decomposition. SIAM Journal on Scientific Computing, Band 33, Ausgabe 5, Seiten 2295–2317, 2011.
    • Grundlegende Primärliteratur zur Tensor-Train-Zerlegung. Das Verfahren repräsentiert hochdimensionale Tensoren durch eine Kette kleiner Kerntensoren und bietet damit eine Alternative zum Tucker-Format. Diese Arbeit ist wesentlich für den Vergleich zwischen ST-HOSVD, Tensor Trains und Matrix Product States. Besonders relevant ist die unterschiedliche Skalierung des Speicherbedarfs bei zunehmender Tensorordnung.
  • Schollwöck, U.: The Density-Matrix Renormalization Group in the Age of Matrix Product States. Annals of Physics, Band 326, Ausgabe 1, Seiten 96–192, 2011.
    • Umfassender Fachartikel über Matrix Product States (MPS) und die Density-Matrix Renormalization Group (DMRG). Er erläutert die Darstellung verschränkter Quantenzustände durch Tensor-Netzwerke und die Bedeutung von Bindungsdimensionen für die numerische Simulation. Die Quelle dient zur physikalischen Abgrenzung der ST-HOSVD gegenüber etablierten Simulationsverfahren für quantenmechanische Vielteilchensysteme.
  • Orús, R.: A Practical Introduction to Tensor Networks: Matrix Product States and Projected Entangled Pair States. Annals of Physics, Band 349, Seiten 117–158, 2014.
    • Didaktisch zugängliche und fachlich fundierte Einführung in Tensor-Netzwerke für Quantensysteme. Behandelt werden Matrix Product States, Projected Entangled Pair States und grundlegende numerische Verfahren. Die Arbeit eignet sich besonders zur Erläuterung der unterschiedlichen Tensorstrukturen und ihrer Bedeutung für die Darstellung von Quantenverschränkung. Sie ergänzt die mathematische ST-HOSVD-Literatur um eine quantenphysikalische Perspektive.
  • Meyer, H.-D., Manthe, U. und Cederbaum, L. S.: The Multi-Configurational Time-Dependent Hartree Approach. Chemical Physics Letters, Band 165, Ausgabe 1, Seiten 73–78, 1990.
    • Grundlegende Veröffentlichung zur Multi-Configuration Time-Dependent Hartree-Methode (MCTDH) für die numerische Behandlung mehrdimensionaler quantenmechanischer Wellenfunktionen. Sie ist für den Bezug zwischen Tensorrepräsentationen und molekularer Quantendynamik relevant. Die Arbeit ermöglicht eine fachlich fundierte Diskussion Tucker-artiger Zustandsdarstellungen, ohne die ST-HOSVD mit dem eigenständigen MCTDH-Verfahren gleichzusetzen.

Bücher und Monographien

Die folgenden Standardwerke vertiefen die mathematischen und physikalischen Grundlagen, die zum Verständnis der ST-HOSVD erforderlich sind. Im Vordergrund stehen numerische Tensorrechnung, mehrdimensionale Approximation, Quanteninformation und molekulare Quantendynamik. Die Bücher dienen nicht als unmittelbarer Ersatz für die ursprüngliche ST-HOSVD-Veröffentlichung, sondern zur fundierten Herleitung ihrer mathematischen Voraussetzungen und zur Bewertung ihrer quantentechnologischen Einsatzmöglichkeiten.

Mathematische Standardwerke zur Tensorrechnung

  • Hackbusch, W.: Tensor Spaces and Numerical Tensor Calculus. Zweite Auflage, Springer Series in Computational Mathematics, Band 56, Springer, 2019.
    • Umfassende wissenschaftliche Monographie über Tensorräume, strukturierte Tensorformate und numerische Verfahren für hochdimensionale Probleme. Behandelt werden mathematische Grundlagen, Tensoroperationen, Approximationstechniken und Fragen der rechnerischen Komplexität. Das Werk eignet sich insbesondere zur Vertiefung der mathematischen Fehleranalyse, zur Beschreibung verschiedener Niedrigrangformate und zur Einordnung der ST-HOSVD in die allgemeine numerische Tensorrechnung.
  • Hackbusch, W.: Tensor Spaces and Numerical Tensor Calculus. Erste Auflage, Springer Series in Computational Mathematics, Band 42, Springer, 2012.
    • Die ursprüngliche Ausgabe der Monographie bietet eine systematische mathematische Einführung in Tensorformate und hochdimensionale numerische Berechnungen. Sie ist insbesondere für die historische Entwicklung der modernen Tensorrechnung und die wissenschaftliche Einordnung älterer Veröffentlichungen nützlich. Für die laufende Facharbeit sollte vorzugsweise die erweiterte zweite Auflage verwendet werden; die erste Auflage dient als ergänzende Grundlagen- und Vergleichsquelle.

Standardwerke zur Quanteninformation

  • Nielsen, M. A. und Chuang, I. L.: Quantum Computation and Quantum Information. 10th Anniversary Edition, Cambridge University Press, 2010.
    • International etabliertes Standardwerk der Quanteninformation und des Quantencomputings. Es behandelt Hilberträume, Quantenzustände, zusammengesetzte Quantensysteme, Dichtematrizen, Verschränkung und Quantenoperationen. Für die Abhandlung ist es vor allem zur physikalisch korrekten Definition quantenmechanischer Zustandsräume und zur Unterscheidung zwischen numerischem Rekonstruktionsfehler und physikalischen Zustandsgrößen geeignet. Es ist keine Spezialmonographie zur ST-HOSVD.

Spezialliteratur zur molekularen Quantendynamik

  • Meyer, H.-D., Gatti, F. und Worth, G. A. (Hrsg.): Multidimensional Quantum Dynamics: MCTDH Theory and Applications. Wiley-VCH, 2009.
    • Wissenschaftliches Fachbuch über die Multi-Configuration Time-Dependent Hartree-Methode und ihre Anwendungen auf mehrdimensionale quantenmechanische Systeme. Das Werk erläutert die Darstellung und zeitliche Entwicklung komplexer Wellenfunktionen sowie Verfahren zur Behandlung vieler gekoppelter Freiheitsgrade. Es eignet sich zur Einordnung der ST-HOSVD als mögliches ergänzendes Werkzeug für Tensorapproximationen innerhalb quantendynamischer Berechnungsumgebungen. Die physikalischen und algorithmischen Unterschiede zwischen MCTDH und ST-HOSVD bleiben dabei ausdrücklich zu berücksichtigen.

Online-Ressourcen und Datenbanken

Wissenschaftliche Online-Ressourcen ergänzen die Fachliteratur durch Softwaredokumentationen, nachvollziehbare Rechenbeispiele, Implementierungen und bibliografische Recherchewerkzeuge. Besonders nützlich sind Plattformen, die die tatsächliche Ausführung einer ST-HOSVD dokumentieren und einen Vergleich mit anderen Tucker-Verfahren ermöglichen. Für wissenschaftliche Veröffentlichungen sollten Softwareversionen, verwendete Parameter und gegebenenfalls der Stand der Dokumentation nachvollziehbar festgehalten werden.

Wissenschaftliche Software und Implementierungen

  • Python Tensor Toolbox (pyTTB): Tucker Higher-Order SVD (pyttb.hosvd). Offizielle Softwaredokumentation.
    • Besonders relevante Implementierungsressource für die ST-HOSVD. Die Dokumentation beschreibt die Berechnung einer Tucker-Zerlegung mit sequenzieller Trunkierung, die Vorgabe relativer Fehlertoleranzen, die Auswahl von Zielrängen und die Reihenfolge der Tensor-Moden. Die Funktion unterstützt ausdrücklich die ST-HOSVD. Diese Quelle ist für die praktische Reproduktion algorithmischer Beispiele und für die Prüfung numerischer Implementierungsdetails besonders geeignet.
  • Tensor Toolbox: Computing Tucker via the HOSVD. Wissenschaftliche Softwaredokumentation.
    • Technische Dokumentation zur Berechnung von Tucker-Zerlegungen mithilfe der HOSVD und ST-HOSVD. Sie erklärt den Unterschied zwischen unabhängigen und sequenziellen Modenprojektionen und beschreibt die unmittelbare Reduktion des Zwischentensors als wesentlichen Effizienzmechanismus. Besonders geeignet ist die Ressource für die didaktische Erläuterung des Algorithmus und den Abgleich zwischen mathematischer Beschreibung und tatsächlicher Implementierung.
  • TensorLy: Tucker Decomposition via Higher-Order Orthogonal Iteration. Offizielle Python-Dokumentation.
    • Fachlich relevante Vergleichsressource für die iterative Tucker-Optimierung. Die dokumentierte Tucker-Funktion verwendet Higher-Order Orthogonal Iteration (HOOI) und darf nicht mit einer eigenständigen ST-HOSVD gleichgesetzt werden. Die Plattform eignet sich zur experimentellen Untersuchung von Rangwahl, Rekonstruktionsfehlern und iterativer Verbesserung einer Tucker-Approximation.
  • Sandia National Laboratories: TuckerMPI. Wissenschaftliches Open-Source-Softwareprojekt.
    • Forschungssoftware zur parallelen Berechnung und Kompression umfangreicher Tucker-Tensoren auf verteilten Rechnersystemen. Die Implementierung illustriert die praktischen Anforderungen an Speicherorganisation, MPI-Kommunikation und leistungsfähige Tensoroperationen. Diese Ressource eignet sich als Ergänzung zur Literatur über parallele Tucker-Verfahren. Der Entwicklungsstand und die für Reproduktionen benötigten Softwareabhängigkeiten sollten vor einer praktischen Nutzung überprüft werden.

Fachjournale und wissenschaftliche Verlage

  • Society for Industrial and Applied Mathematics (SIAM): Wissenschaftliche Fachzeitschriften und Publikationsdatenbank.
    • Eine der wichtigsten wissenschaftlichen Publikationsquellen für numerische lineare Algebra, Tensorzerlegungen, mathematische Optimierung und wissenschaftliches Rechnen. In den SIAM-Fachzeitschriften erschienen sowohl die ursprüngliche ST-HOSVD-Veröffentlichung als auch grundlegende und weiterführende Arbeiten zur multilinearen Tensorapproximation. Die Plattform dient der Recherche begutachteter Veröffentlichungen und ihrer bibliografischen Angaben.
  • Springer Nature Link: Wissenschaftliche Bücher und Fachzeitschriften zur numerischen Mathematik und theoretischen Physik.
    • Wissenschaftliche Publikationsplattform mit Fachliteratur über Tensorrechnung, hochdimensionale Approximation, Quantenphysik und numerische Simulationsmethoden. Besonders relevant sind die Monographien von Wolfgang Hackbusch und weitere Arbeiten zu strukturierten Tensorformaten. Die Datenbank eignet sich zur ergänzenden Literaturrecherche und zur Überprüfung bibliografischer Angaben.
  • Cambridge University Press: Cambridge Core und wissenschaftliche Fachbücher zur Quanteninformation.
    • Akademische Publikationsplattform mit Standardwerken und Forschungsbeiträgen aus Mathematik, Quantenphysik und Quanteninformation. Besonders relevant ist die Literatur zu Hilberträumen, quantenmechanischen Zuständen und Quantenverschränkung. Die Plattform ist eine geeignete Recherchehilfe für die physikalischen Grundlagen der ST-HOSVD-Anwendungen.

Lern- und Forschungsplattformen

  • arXiv: Wissenschaftliches Preprint-Archiv für Mathematik, Physik und Informatik.
    • Wichtige Rechercheplattform für neue Veröffentlichungen zu Tensorzerlegungen, numerischen Algorithmen, Quanteninformation und Quantensimulation. Besonders relevant sind die Forschungsbereiche Numerical Analysis, Quantum Physics, Computational Physics und Quantum Information. arXiv ermöglicht die frühzeitige wissenschaftliche Einordnung neuer Methoden. Da eingereichte Manuskripte nicht zwangsläufig bereits begutachtet wurden, sollte bei vorhandener Journalveröffentlichung die veröffentlichte Fassung als maßgebliche Quelle verwendet werden.
  • Crossref: Wissenschaftliche DOI- und Metadatendatenbank.
    • Bibliografische Recherchehilfe zur Überprüfung wissenschaftlicher Veröffentlichungen. Die Datenbank ermöglicht die Kontrolle von DOI-Kennungen, Autorenangaben, Publikationstiteln, Erscheinungsjahren und weiteren Metadaten. Für die wissenschaftliche Abhandlung ist Crossref insbesondere zur Qualitätssicherung des Literaturverzeichnisses und zur eindeutigen Identifikation verwendeter Fachquellen geeignet.