Die Tensor-Train-Zerlegung (TT) ist ein mathematisches Verfahren zur kompakten Darstellung hochdimensionaler Tensoren. In der Quantentechnologie ermöglicht sie die effiziente Beschreibung bestimmter Quantenzustände, die Simulation von Vielteilchensystemen und die numerische Untersuchung von Quantenalgorithmen. Ihre besondere Stärke liegt darin, die exponentiell wachsende Größe quantenmechanischer Zustandsräume unter geeigneten Voraussetzungen auf eine handhabbare Anzahl mathematischer Parameter zu reduzieren.

Das Verfahren nutzt eine Kette miteinander verbundener Kerntensoren, deren Dimensionen durch sogenannte TT-Ränge bestimmt werden. Diese Struktur ist mathematisch äquivalent zu Matrix-Produkt-Zuständen, die in der Quantenphysik seit Jahrzehnten zur Untersuchung stark korrelierter Systeme eingesetzt werden. Entscheidend für die Leistungsfähigkeit ist, wie komplex die Korrelationen und Verschränkungen innerhalb eines Quantensystems sind.

Die folgende Abhandlung erläutert die mathematischen Grundlagen, zentralen Algorithmen, quantenphysikalischen Zusammenhänge und praktischen Anwendungen von Tensor Train. Dabei werden sowohl die Möglichkeiten zur effizienten Quantensimulation als auch die Grenzen dieser Kompressionsmethode untersucht.

Bedeutung von Tensor Train in der Quantentechnologie

Das Problem hochdimensionaler Quantensysteme

Quantensysteme besitzen eine mathematische Eigenschaft, die ihre klassische Simulation erheblich erschwert: Der Zustandsraum wächst exponentiell mit der Anzahl seiner elementaren Bestandteile. Ein einzelnes Qubit wird durch zwei komplexe Wahrscheinlichkeitsamplituden beschrieben. Für ein System aus mehreren Qubits vervielfacht sich die Anzahl der benötigten Amplituden mit jedem zusätzlichen Qubit.

Bei einem System aus \(n\) Qubits beträgt die Dimension des vollständigen Zustandsraums:

\(D = 2^n\)

Bereits ein System mit fünfzig Qubits besitzt mehr als eine Billiarde mögliche Basiszustände. Werden sämtliche Amplituden explizit gespeichert, entstehen enorme Anforderungen an Arbeitsspeicher und Rechenleistung. Bei hundert Qubits umfasst der Zustandsvektor bereits mehr als \(10^{30}\) komplexe Einträge.

Diese exponentielle Skalierung wird als Fluch der Dimensionalität bezeichnet. Sie betrifft zahlreiche Probleme der Quantenphysik, Quantenchemie und Quanteninformatik. Allerdings benötigen nicht alle physikalisch relevanten Quantenzustände eine vollständig ausgeschriebene Darstellung. Viele besitzen mathematische Strukturen, die eine deutlich kompaktere Beschreibung erlauben.

Definition und grundlegende Idee von Tensor Train

Tensor Train zerlegt einen hochdimensionalen Tensor in eine lineare Folge kleinerer Tensoren. Diese werden als TT-Kerne bezeichnet. Die Kerne sind über interne Indizes miteinander verbunden und ermöglichen durch ihre Kontraktion die Rekonstruktion des ursprünglichen Tensors.

Der grundlegende Vorteil besteht darin, dass nicht sämtliche Elemente eines großen Tensors unabhängig gespeichert werden müssen. Stattdessen werden die Beziehungen zwischen unterschiedlichen Dimensionen durch eine begrenzte Anzahl interner Parameter dargestellt.

Wie stark sich der Speicherbedarf reduziert, hängt von den TT-Rängen ab. Bleiben diese bei zunehmender Tensorordnung klein, wächst der Speicherbedarf näherungsweise linear mit der Anzahl der Dimensionen. Bei stark korrelierten Daten können die Ränge jedoch so groß werden, dass dieser Vorteil teilweise oder vollständig verloren geht.

Ziel und wissenschaftliche Relevanz

Die Bedeutung von Tensor Train reicht über die numerische Mathematik hinaus. In der Quantenphysik entspricht die Methode der Darstellung von Quantenzuständen durch Matrix-Produkt-Zustände, kurz MPS. Damit verbindet sie mathematische Tensorapproximation mit der physikalischen Beschreibung von Quantenverschränkung.

TT-Verfahren werden eingesetzt, um Grundzustände quantenmechanischer Systeme zu berechnen, die zeitliche Entwicklung von Vielteilchenzuständen zu simulieren und die Eigenschaften von Quantenschaltungen zu untersuchen.

Tensor Train ist dabei in erster Linie ein Verfahren zur klassischen Berechnung und Simulation. Es ersetzt keinen Quantencomputer und garantiert keine effiziente Darstellung beliebiger Quantenzustände. Seine wissenschaftliche Stärke besteht darin, die vorhandene Struktur bestimmter Probleme gezielt auszunutzen.

Mathematische Grundlagen der Tensor-Train-Zerlegung

Tensoren und ihre mathematische Darstellung

Ein Tensor ist eine mehrdimensionale Anordnung mathematischer Werte. Ein Skalar lässt sich als Tensor nullter Ordnung auffassen, ein Vektor als Tensor erster Ordnung und eine Matrix als Tensor zweiter Ordnung. Tensoren höherer Ordnung besitzen entsprechend mehr Indizes.

Ein Tensor der Ordnung \(d\) wird allgemein geschrieben als:

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

Die Größen \(n_1,\ldots,n_d\) bezeichnen die Dimensionen der einzelnen Tensorachsen. Die Elemente werden über mehrere Indizes adressiert:

\(T_{i_1,i_2,\ldots,i_d}\)

Ein vollständiger Tensor benötigt insgesamt:

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

Einträge. Besitzen sämtliche Achsen dieselbe Dimension \(n\), vereinfacht sich dies zu:

\(N = n^d\)

In der Quanteninformatik lassen sich die Amplituden eines Mehr-Qubit-Zustands als Tensor auffassen, dessen physikalische Indizes jeweils zwei Werte annehmen. Die mathematische Tensorstruktur folgt damit unmittelbar aus dem Aufbau des quantenmechanischen Hilbertraums.

Grundlagen der Tensorzerlegung

Eine Tensorzerlegung beschreibt einen großen Tensor mithilfe kleinerer mathematischer Objekte. Ziel ist eine Darstellung, die weniger Speicher benötigt und bestimmte Rechenoperationen vereinfacht.

Bei Matrizen erfüllt die Singulärwertzerlegung, kurz SVD, diese Aufgabe. Eine Matrix kann damit in orthogonale Faktoren und eine Diagonalmatrix der Singulärwerte zerlegt werden:

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

Große Singulärwerte beschreiben dominante Beiträge zur Matrixstruktur. Kleine Singulärwerte können bei einer Approximation entfernt werden, wodurch sich eine Darstellung mit reduziertem Rang ergibt.

Für Tensoren höherer Ordnung existieren mehrere Zerlegungsverfahren. Die kanonische polyadische Zerlegung, kurz CP, verwendet Summen von Produkten aus Vektoren. Die Tucker-Zerlegung kombiniert einen Kerntensor mit Faktoren für die einzelnen Dimensionen. HOSVD erweitert die Idee der Singulärwertzerlegung auf mehrdimensionale Daten.

Tensor Train unterscheidet sich dadurch, dass die gesamte Tensorstruktur durch eine lineare Kette kleiner Kerne beschrieben wird. Dadurch kann das Verfahren bei geeigneten Rangstrukturen besonders speichereffizient sein.

Das Problem der Dimensionalität

Die mathematische Schwierigkeit hochdimensionaler Tensoren besteht nicht allein in der Größe ihrer einzelnen Dimensionen. Ausschlaggebend ist deren multiplikative Verknüpfung.

Ein Tensor mit zwanzig Dimensionen und jeweils zehn möglichen Indexwerten besitzt:

\(10^{20}\)

Elemente. Eine direkte Speicherung ist für zahlreiche praktische Anwendungen ausgeschlossen.

Tensor Train ersetzt diese vollständige Darstellung durch miteinander verknüpfte Kerntensoren. Sind die erforderlichen TT-Ränge begrenzt, sinkt die Anzahl der Parameter drastisch.

Allerdings bedeutet eine hohe Tensorordnung nicht automatisch, dass eine effiziente Kompression möglich ist. Ein Tensor mit nahezu unabhängigen, beliebig verteilten Einträgen kann hohe TT-Ränge erfordern. Dagegen lassen sich strukturierte Tensoren, beispielsweise aus lokalen physikalischen Wechselwirkungen oder bestimmten Quantenzuständen, häufig mit relativ kleinen Rängen darstellen.

Die entscheidende Größe ist daher nicht ausschließlich die Dimension des Zustandsraums, sondern die innere Struktur der darzustellenden Daten.

Lineare Algebra und numerische Stabilität

TT-Verfahren basieren wesentlich auf linearer Algebra. Matrixumformungen, orthogonale Zerlegungen und Rangapproximationen bestimmen sowohl die mathematische Genauigkeit als auch die praktische Leistungsfähigkeit.

Besonders wichtig ist die Frobenius-Norm. Sie misst die Größe eines Tensors beziehungsweise den Unterschied zwischen einem ursprünglichen Tensor und seiner Approximation:

\(||T-\widetilde{T}||_F = \sqrt{\sum_{i_1,\ldots,i_d}|T_{i_1,\ldots,i_d}-\widetilde{T}_{i_1,\ldots,i_d}|^2}\)

Diese Norm ermöglicht eine quantitative Bewertung des Kompressionsfehlers. Orthogonalisierungsverfahren sorgen dafür, dass numerische Berechnungen stabil durchgeführt werden können und Fehler bei aufeinanderfolgenden Operationen kontrollierbar bleiben.

Die Genauigkeit hängt zusätzlich von der verwendeten Gleitkommapräzision, der Konditionierung des Problems und den gewählten Abschneidegrenzen ab. Eine effiziente Tensorzerlegung muss deshalb nicht nur wenige Parameter verwenden, sondern zugleich die für die Anwendung erforderliche Genauigkeit gewährleisten.

Aufbau und mathematische Struktur von Tensor Train

Darstellung eines Tensors als Tensor Train

Die TT-Darstellung besteht aus einer Folge von Kerntensoren. Jeder Kern beschreibt eine lokale Dimension und besitzt zusätzlich Indizes, über die er mit seinen benachbarten Kernen verbunden ist.

Für einen Tensor der Ordnung \(d\) existieren entsprechend \(d\) Kerne. Die Randkerne besitzen nur jeweils eine interne Verbindung, während die inneren Kerne mit ihrem linken und rechten Nachbarn gekoppelt sind.

Die Dimension eines allgemeinen TT-Kerns lautet:

\(G^{(k)} \in \mathbb{C}^{r_{k-1}\times n_k\times r_k}\)

Hierbei bezeichnet \(n_k\) die physikalische Dimension und \(r_k\) den TT-Rang der Verbindung zum nächsten Kern. Für die äußeren Randdimensionen gilt:

\(r_0=r_d=1\)

Diese Randbedingungen gewährleisten, dass die vollständige Kontraktion der Kerne einen einzelnen Tensorwert für jede Kombination physikalischer Indizes liefert.

Graphisch entspricht die Darstellung einer offenen Kette. Die physikalischen Indizes bilden die nach außen gerichteten Verbindungen, während die internen Verbindungen die Abhängigkeiten zwischen den Teilbereichen des Tensors kodieren.

Mathematische Formulierung

Die vollständige Tensor-Train-Zerlegung lässt sich folgendermaßen ausdrücken:

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

Die Indizes \(\alpha_k\) durchlaufen die jeweiligen internen Rangdimensionen. Ihre Werte werden bei der Kontraktion aufsummiert.

Eine gleichwertige Schreibweise betrachtet jeden Kern bei festgehaltenem physikalischem Index als Matrix:

\(T_{i_1,\ldots,i_d}=G^{(1)}(i_1)G^{(2)}(i_2)\cdots G^{(d)}(i_d)\)

Die Multiplikation aller Matrizen ergibt aufgrund der Randbedingungen einen Skalar.

Mathematisch handelt es sich um eine Faktorisierung des ursprünglichen Tensors. Die einzelnen TT-Kerne müssen dabei nicht eindeutig sein. Verschiedene Kerndarstellungen können denselben Tensor beschreiben, solange ihre Verbindungen konsistent transformiert werden.

Diese Freiheit spielt bei der numerischen Optimierung eine wichtige Rolle, weil sie die Umformung in stabilere und rechnerisch günstigere Darstellungen ermöglicht.

TT-Ränge und Speicherkomplexität

Die TT-Ränge bestimmen die Anzahl der internen Freiheitsgrade. Sie sind deshalb die zentrale Größe für die Kompressionsleistung.

Die Gesamtzahl der gespeicherten Kernelemente beträgt:

\(N_{\mathrm{TT}}=\sum_{k=1}^{d}r_{k-1}n_kr_k\)

Bei gleicher physikalischer Dimension \(n\) und einem maximalen TT-Rang \(r\) ergibt sich die obere Abschätzung:

\(N_{\mathrm{TT}}\leq dnr^2\)

Dem steht bei vollständiger Speicherung der Aufwand:

\(N_{\mathrm{voll}}=n^d\)

gegenüber.

Bleibt der maximale TT-Rang bei wachsender Tensorordnung konstant, wächst die Anzahl der TT-Parameter linear statt exponentiell. Das ist der wesentliche mathematische Vorteil des Verfahrens.

Der minimale exakte TT-Rang an einer bestimmten Verbindung entspricht dem Matrixrang einer geeigneten Umformung des ursprünglichen Tensors. Für diese Rangdimension gilt:

\(r_k \leq \min\left(\prod_{j=1}^{k}n_j,\prod_{j=k+1}^{d}n_j\right)\)

Bei allgemeinen Tensoren können diese Ränge sehr groß sein. Niedrige TT-Ränge sind daher eine Eigenschaft des jeweiligen Tensors und keine allgemeine Garantie der Zerlegungsmethode.

Kanonische und orthogonale Formen

Ein und derselbe Tensor kann durch unterschiedliche TT-Kerne dargestellt werden. Diese Freiheit wird als Eichfreiheit bezeichnet.

Zwischen benachbarten Kernen kann eine invertierbare Matrix eingefügt werden, sofern ihre inverse Matrix an der passenden Stelle berücksichtigt wird. Das Produkt und damit der dargestellte Tensor bleiben unverändert.

Durch geeignete Matrixzerlegungen können TT-Kerne links- oder rechtsorthogonal gemacht werden. Bei einer linksorthogonalen Darstellung erfüllen die entsprechenden Kerne eine orthogonale beziehungsweise unitäre Bedingung nach Zusammenfassung ihrer linken und physikalischen Indizes.

Eine gemischt-kanonische Form besitzt linksorthogonale Kerne auf einer Seite und rechtsorthogonale Kerne auf der anderen. Dazwischen befindet sich ein sogenanntes Orthogonalitätszentrum.

Diese Struktur erleichtert die Berechnung von Normen, Erwartungswerten und lokalen Optimierungsschritten. Gleichzeitig reduziert sie numerische Schwierigkeiten, die aus ungünstigen Skalierungen einzelner Kerne entstehen können.

In der Quantenphysik hat die kanonische Form zusätzlich eine direkte Interpretation über die Schmidt-Zerlegung und die Verschränkungsstruktur eines Zustands.

Exakte Darstellung und Approximation

Grundsätzlich kann jeder endlichdimensionale Tensor im TT-Format exakt dargestellt werden. Dafür müssen die TT-Ränge ausreichend groß gewählt werden.

Die praktische Bedeutung entsteht jedoch vor allem durch Approximation. Dabei werden weniger relevante Beiträge entfernt, um eine kompaktere Darstellung zu erhalten.

Das resultierende Näherungsproblem lautet:

\(\min_{\widetilde{T}}||T-\widetilde{T}||_F\)

unter vorgegebenen Beschränkungen der TT-Ränge.

Die Approximation kann entweder mit festen Rängen oder anhand einer zulässigen Fehlerschranke berechnet werden. Größere Ränge ermöglichen im Allgemeinen eine genauere Darstellung, erhöhen jedoch Speicherbedarf und Rechenaufwand.

Die sinnvolle Rangwahl hängt deshalb von der Anwendung ab. Für eine qualitative Untersuchung können größere Näherungsfehler akzeptabel sein. Präzise Energie- oder Korrelationsberechnungen erfordern dagegen strengere Toleranzen.

Eine kontrollierte TT-Kompression muss gewährleisten, dass die eingesparten Parameter nicht zu einem unzulässigen Verlust physikalisch relevanter Informationen führen.

Algorithmen zur Berechnung und Optimierung von Tensor Train

Tensor Train Singular Value Decomposition (TT-SVD)

TT-SVD ist ein grundlegender Algorithmus zur Berechnung einer Tensor-Train-Zerlegung. Er basiert auf aufeinanderfolgenden Singulärwertzerlegungen geeigneter Matrixdarstellungen des Tensors.

Zunächst wird der ursprüngliche Tensor so umgeformt, dass der erste Index eine Matrixdimension und sämtliche übrigen Indizes die zweite Dimension bilden. Auf diese Matrix wird eine SVD angewendet.

Die linksseitigen Singulärvektoren werden zum ersten TT-Kern umgeformt. Das Produkt aus Singulärwerten und den übrigen Singulärvektoren bildet den verbleibenden Tensoranteil. Anschließend wird dieser erneut als Matrix angeordnet und zerlegt.

Dieser Vorgang wird fortgesetzt, bis sämtliche TT-Kerne bestimmt sind.

Bei der Approximation werden kleine Singulärwerte abgeschnitten. Bezeichnet \(\delta_k\) den jeweiligen Abschneidefehler in der Frobenius-Norm, gilt für die resultierende TT-SVD-Approximation die Abschätzung:

\(||T-\widetilde{T}||_F\leq\sqrt{\sum_{k=1}^{d-1}\delta_k^2}\)

Damit lässt sich ein vorgegebenes globales Fehlerbudget auf die einzelnen Zerlegungsschritte verteilen.

Eine wichtige Einschränkung besteht darin, dass TT-SVD bei einem vollständig vorliegenden dichten Tensor dessen Daten zunächst verarbeiten muss. Die kompakte Ausgabe bedeutet daher nicht automatisch, dass auch die anfängliche Berechnung ohne exponentiellen Aufwand möglich ist.

Tensor Train Rounding

Viele Rechenoperationen verändern die TT-Ränge. Werden beispielsweise zwei TT-Tensoren addiert, können die erforderlichen Verbindungsdimensionen anwachsen.

TT-Rounding reduziert diese Ränge nachträglich, ohne den gesamten Tensor vollständig zu rekonstruieren. Das Verfahren besteht typischerweise aus einer Orthogonalisierung der Kerne und anschließenden rangreduzierenden Zerlegungen.

Die wesentlichen Schritte sind:

  • Orthogonalisierung der vorhandenen TT-Kerne.
  • Berechnung lokaler Matrixzerlegungen.
  • Entfernung kleiner Singulärwerte entsprechend einer Fehlertoleranz.
  • Aktualisierung der benachbarten Kerne.
  • Kontrolle des resultierenden Approximationsfehlers.

Rounding ist für iterative Simulationen besonders wichtig. Ohne regelmäßige Rangreduktion kann der Speicherbedarf nach mehreren Operationen erheblich steigen.

Die Methode ermöglicht es, die TT-Struktur während einer Berechnung kompakt zu halten. Allerdings kann eine zu aggressive Kompression relevante Korrelationen entfernen und die numerischen Ergebnisse verfälschen.

Alternating Least Squares (ALS)

Alternating Least Squares ist ein iteratives Optimierungsverfahren. Statt sämtliche TT-Kerne gleichzeitig zu verändern, wird jeweils ein einzelner Kern optimiert, während die übrigen Kerne festgehalten werden.

Ein typisches Optimierungsproblem lautet:

\(\min_{G^{(1)},\ldots,G^{(d)}}||T-\widetilde{T}(G^{(1)},\ldots,G^{(d)})||_F^2\)

Durch das Fixieren aller Kerne bis auf einen entsteht ein lokales lineares Ausgleichsproblem. Nach dessen Lösung wird der nächste Kern optimiert.

Die Aktualisierungen erfolgen wiederholt entlang der Tensor-Kette. In der Praxis werden die Kerne dabei häufig orthogonalisiert, um die lokalen Probleme numerisch besser zu konditionieren.

ALS eignet sich unter anderem zur Tensorapproximation, zur Lösung strukturierter Gleichungssysteme und zur Anpassung von Tensor-Netzwerk-Modellen.

Allerdings ist das vollständige Optimierungsproblem im Allgemeinen nicht konvex. Das Verfahren kann deshalb von der Initialisierung abhängen und in lokalen Minima oder stationären Punkten enden.

Zudem bleiben bei einer reinen Ein-Kern-Optimierung die vorgegebenen TT-Ränge zunächst unverändert. Adaptive Varianten können diese Einschränkung teilweise überwinden.

Density Matrix Renormalization Group (DMRG)

Die Density Matrix Renormalization Group gehört zu den wichtigsten numerischen Verfahren der Quanten-Vielteilchenphysik. Sie wurde insbesondere für die effiziente Berechnung von Grundzuständen eindimensionaler Quantensysteme entwickelt.

In ihrer modernen Form lässt sich DMRG als Optimierung eines Matrix-Produkt-Zustands interpretieren. Da MPS und TT mathematisch dieselbe kettenförmige Struktur besitzen, stehen DMRG und TT-Optimierung in engem Zusammenhang.

Das grundlegende physikalische Optimierungsproblem besteht darin, einen Zustand mit möglichst niedriger Energie zu bestimmen:

\(E_0=\min_{|\psi\rangle\neq 0}\frac{\langle\psi|H|\psi\rangle}{\langle\psi|\psi\rangle}\)

Hier bezeichnet \(H\) den Hamiltonoperator des Systems.

DMRG optimiert einzelne oder benachbarte Tensoren innerhalb einer MPS-Darstellung. Bei der Zwei-Site-Variante werden zwei benachbarte Kerne gemeinsam aktualisiert und anschließend durch eine Singulärwertzerlegung wieder getrennt.

Dadurch können TT-Ränge angepasst werden. Diese Flexibilität ist wesentlich, wenn die tatsächlich erforderliche Verschränkungsstruktur vor der Berechnung noch nicht bekannt ist.

Grundlegende Rechenoperationen im TT-Format

Der Nutzen einer komprimierten Darstellung hängt davon ab, ob mathematische Operationen direkt mit den TT-Kernen durchgeführt werden können.

Eine Skalarmultiplikation ist besonders einfach: Ein einzelner Kern wird mit dem gewünschten Faktor multipliziert. Auch die Addition zweier TT-Tensoren ist durch geeignete Kombination ihrer Kerne möglich.

Allerdings führt eine exakte Addition im Allgemeinen zu größeren TT-Rängen. Deshalb wird häufig eine anschließende Kompression benötigt.

Skalarprodukte und Normen lassen sich durch sukzessive Kontraktion der Tensor-Kette berechnen. Dabei müssen nicht sämtliche Elemente der vollständigen Tensoren explizit erzeugt werden.

Auch lineare Operatoren können im Tensor-Train-Format dargestellt und auf TT-Tensoren angewendet werden. Solche Operatorrepräsentationen werden in der Quantenphysik als Matrix Product Operators bezeichnet.

Die tatsächliche Rechenkomplexität hängt von den physikalischen Dimensionen, den TT-Rängen und der Struktur des Operators ab. Effiziente Operationen setzen voraus, dass die dabei entstehenden Zwischenränge kontrollierbar bleiben.

Zusammenhang zwischen Tensor Train und Matrix-Produkt-Zuständen

Matrix Product States (MPS)

Matrix-Produkt-Zustände sind eine etablierte Darstellung quantenmechanischer Vielteilchenzustände. Ein Quantenzustand wird dabei durch eine Folge lokaler Tensoren beschrieben, deren interne Verbindungen die Korrelationen zwischen unterschiedlichen Systembereichen kodieren.

Für ein System aus \(d\) Qubits lautet die allgemeine Zustandsdarstellung:

\(|\psi\rangle=\sum_{i_1,\ldots,i_d}C_{i_1,\ldots,i_d}|i_1,\ldots,i_d\rangle\)

Die Amplituden \(C_{i_1,\ldots,i_d}\) bilden einen Tensor der Ordnung \(d\). Wird dieser Tensor als Tensor Train zerlegt, entsteht unmittelbar eine MPS-Darstellung.

Die mathematische Struktur von TT und offenen MPS ist damit identisch. Unterschiede betreffen vor allem Terminologie, Notation und typische Anwendungsgebiete.

Während in der numerischen Mathematik häufig von TT-Kernen und TT-Rängen gesprochen wird, verwendet die Quantenphysik Begriffe wie lokale MPS-Tensoren und Bond-Dimensionen.

Darstellung von Quantenzuständen

Ein Quantenzustand wird durch seine Wahrscheinlichkeitsamplituden in einer gewählten Basis charakterisiert. Für einen reinen, normierten Zustand gilt:

\(\langle\psi|\psi\rangle=1\)

In einer MPS-Darstellung werden die Amplituden durch die Kontraktion lokaler Kerntensoren erzeugt. Dadurch lässt sich der Zustand als zusammenhängende Struktur beschreiben, ohne seinen vollständigen Zustandsvektor ausdrücklich speichern zu müssen.

Die lokalen physikalischen Dimensionen hängen vom betrachteten System ab. Ein Qubit besitzt zwei Basiszustände. Ein Spin-Eins-System besitzt drei lokale Basiszustände. Auch fermionische Besetzungszustände oder andere lokale Freiheitsgrade können durch passende Tensorindizes beschrieben werden.

Physikalische Größen werden über Operatoren berechnet. Für einen normierten Zustand lautet der Erwartungswert einer Observablen:

\(\langle O\rangle=\langle\psi|O|\psi\rangle\)

Besitzt der Operator eine geeignete Tensor-Netzwerk-Darstellung, kann dieser Erwartungswert durch effiziente Kontraktionen ermittelt werden.

Quantenverschränkung und TT-Ränge

Die zentrale physikalische Bedeutung der TT-Ränge ergibt sich aus der Quantenverschränkung.

Wird ein Quantensystem in zwei Teilbereiche aufgeteilt, lässt sich ein reiner Zustand durch die Schmidt-Zerlegung beschreiben:

\(|\psi\rangle=\sum_{\alpha=1}^{\chi}\lambda_{\alpha}|\phi_{\alpha}^{L}\rangle\otimes|\phi_{\alpha}^{R}\rangle\)

Die Größen \(\lambda_{\alpha}\) sind die Schmidt-Koeffizienten. Die Anzahl ihrer von null verschiedenen Werte bestimmt den Schmidt-Rang \(\chi\).

Für eine exakte MPS-Darstellung entspricht der minimal erforderliche TT-Rang an der betreffenden Verbindung genau diesem Schmidt-Rang.

Die Verschränkungsentropie wird durch die Schmidt-Koeffizienten bestimmt:

\(S=-\sum_{\alpha}p_{\alpha}\log_2(p_{\alpha}),\qquad p_{\alpha}=|\lambda_{\alpha}|^2\)

Daraus folgt:

\(S\leq\log_2(r_k)\)

Ein kleiner TT-Rang begrenzt also die mögliche Verschränkungsentropie über den entsprechenden Schnitt. Umgekehrt bedeutet eine hohe Verschränkungsentropie, dass eine ausreichend große Bond-Dimension notwendig ist.

Allerdings bestimmt die Entropie allein nicht vollständig, wie gut sich ein Zustand approximieren lässt. Entscheidend ist auch die Verteilung seiner Schmidt-Koeffizienten.

Flächengesetze der Verschränkung

In vielen physikalischen Quantensystemen ist die Verschränkungsstruktur wesentlich einfacher, als die Größe des vollständigen Hilbertraums vermuten lässt.

Das sogenannte Flächengesetz beschreibt Situationen, in denen die Verschränkungsentropie eines Teilbereichs näherungsweise mit der Größe seiner Grenzfläche statt mit seinem Volumen skaliert.

In eindimensionalen lokalen Quantensystemen mit einer endlichen Energielücke erfüllen Grundzustände unter geeigneten Voraussetzungen ein solches Gesetz. Die Verschränkungsentropie eines zusammenhängenden Teilbereichs bleibt dann unabhängig von dessen Länge beschränkt.

Dies erklärt, warum MPS- und TT-Verfahren für viele eindimensionale Grundzustände besonders leistungsfähig sind.

Bei kritischen Systemen kann die Verschränkungsentropie dagegen logarithmisch mit der Systemgröße wachsen. Nach einem globalen Quench kann sie während der Zeitentwicklung sogar näherungsweise linear mit der Zeit zunehmen.

Ein Flächengesetz allein garantiert für beliebige Genauigkeitsanforderungen noch keine kleine exakte TT-Rangdimension. Es liefert jedoch eine wichtige physikalische Erklärung dafür, weshalb niedrigdimensionale Tensor-Netzwerke häufig gute Approximationen ermöglichen.

Physikalische Interpretation

Die internen Verbindungen einer MPS sind keine unmittelbar messbaren physikalischen Drähte. Sie sind mathematische Indizes, die die erforderlichen Korrelationen zwischen benachbarten Bereichen der gewählten Tensorordnung erfassen.

Eine größere Bond-Dimension ermöglicht eine komplexere Verschränkungsstruktur. Eine kleine Bond-Dimension beschränkt dagegen die darstellbaren Korrelationen über den betreffenden Schnitt.

Tensor Train komprimiert daher nicht beliebig physikalische Information. Vielmehr nutzt das Verfahren aus, dass zahlreiche Quantenzustände nur einen kleinen Teil der mathematisch möglichen Korrelationsstrukturen tatsächlich benötigen.

Die Aussagekraft der Methode ergibt sich aus dieser Verbindung zwischen physikalischer Verschränkung und numerischer Rangstruktur.

Anwendungen in der Quantenphysik und Quantensimulation

Simulation von Quanten-Vielteilchensystemen

Eine der wichtigsten Anwendungen von TT und MPS ist die Untersuchung quantenmechanischer Vielteilchensysteme. Besonders geeignet sind eindimensionale Gittermodelle mit lokalen Wechselwirkungen.

Ein klassisches Beispiel ist die Heisenberg-Spin-Kette. Ihr Hamiltonoperator beschreibt die Wechselwirkung benachbarter Spins:

\(H=J\sum_{k=1}^{d-1}\left(S_k^xS_{k+1}^x+S_k^yS_{k+1}^y+S_k^zS_{k+1}^z\right)\)

Hier bezeichnet \(J\) die Kopplungsstärke und \(S_k^x\), \(S_k^y\) sowie \(S_k^z\) die Spinoperatoren am Gitterplatz \(k\).

Mit MPS-basierten Verfahren lassen sich Grundzustandsenergien, Magnetisierungen und Korrelationsfunktionen solcher Systeme numerisch untersuchen.

Besonders DMRG liefert bei vielen eindimensionalen Modellen sehr genaue Ergebnisse. Entscheidend ist, dass die physikalisch relevanten Zustände häufig mit vergleichsweise kleinen Bond-Dimensionen approximiert werden können.

Auch Modelle mit längeren Wechselwirkungsreichweiten können behandelt werden. Allerdings steigen dabei häufig die Anforderungen an die Darstellung des Hamiltonoperators und an die numerischen Kontraktionen.

Matrix Product Operators (MPO)

Während ein MPS einen Quantenzustand beschreibt, dient ein Matrix Product Operator zur kompakten Darstellung eines Operators.

Ein Operator auf einem Vielteilchensystem besitzt grundsätzlich für jeden lokalen Freiheitsgrad einen Eingangs- und einen Ausgangsindex. Die entsprechende Tensorstruktur kann ebenfalls in eine lineare Kette kleiner Kerne zerlegt werden.

Formal ergibt sich:

\(O=\sum_{\{i_k,j_k\}}W^{(1)}(i_1,j_1)\cdots W^{(d)}(i_d,j_d)|i_1,\ldots,i_d\rangle\langle j_1,\ldots,j_d|\)

Die Matrizen \(W^{(k)}\) sind dabei die lokalen MPO-Kerne.

Besonders wichtig ist die Darstellung von Hamiltonoperatoren. Viele lokale Hamiltonoperatoren besitzen MPO-Darstellungen mit relativ kleinen internen Rängen.

Wird ein MPO auf einen MPS-Zustand angewendet, entsteht erneut eine kettenförmige Tensorstruktur. Dabei können die Bond-Dimensionen zunächst anwachsen. Eine anschließende Kompression kann diese wieder reduzieren.

MPO spielen eine zentrale Rolle bei Energieoptimierungen, Erwartungswertberechnungen und der zeitlichen Entwicklung quantenmechanischer Zustände.

Zeitentwicklung von Quantensystemen

Die zeitliche Entwicklung eines geschlossenen Quantensystems wird durch die Schrödingergleichung beschrieben:

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

Für einen zeitunabhängigen Hamiltonoperator lautet die formale Lösung:

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

Die direkte Berechnung dieser Entwicklung im vollständigen Hilbertraum ist für große Systeme häufig nicht praktikabel.

Mit MPS-Verfahren kann die Zeitentwicklung näherungsweise innerhalb einer komprimierten Zustandsdarstellung durchgeführt werden.

Ein verbreiteter Ansatz ist Time-Evolving Block Decimation, kurz TEBD. Dabei wird der Zeitentwicklungsoperator für geeignete lokale Hamiltonoperatoren durch eine Folge kleiner Gatteroperationen approximiert. Nach der Anwendung dieser Gatter werden die betroffenen MPS-Kerne aktualisiert und gegebenenfalls komprimiert.

Ein weiterer Ansatz ist das zeitabhängige Variationsprinzip, kurz TDVP. Dabei wird die Dynamik auf den Tangentialraum der MPS-Mannigfaltigkeit projiziert.

Beide Methoden besitzen unterschiedliche numerische Fehlerquellen. Bei TEBD spielen insbesondere die Zeitschrittweite, die Trotter-Zerlegung und die Rangabschneidung eine Rolle. Bei TDVP entstehen unter anderem Fehler durch die Einschränkung auf die gewählte MPS-Struktur.

Wächst die Verschränkung während der Entwicklung stark an, können die erforderlichen TT-Ränge die praktische Berechenbarkeit begrenzen.

Offene Quantensysteme

Reale Quantensysteme sind häufig nicht vollständig von ihrer Umgebung isoliert. Wechselwirkungen mit äußeren Freiheitsgraden führen zu Dekohärenz, Energieaustausch und dissipativer Dynamik.

Solche Systeme werden durch Dichtematrizen beschrieben. Ihre zeitliche Entwicklung kann unter geeigneten Markov-Annahmen durch eine Lindblad-Gleichung modelliert werden:

\(\frac{d\rho}{dt}=-\frac{i}{\hbar}[H,\rho]+\sum_{\mu}\left(L_{\mu}\rho L_{\mu}^{\dagger}-\frac{1}{2}\{L_{\mu}^{\dagger}L_{\mu},\rho\}\right)\)

Hier bezeichnet \(\rho\) die Dichtematrix und \(L_{\mu}\) die Lindblad-Operatoren.

Dichtematrizen können als MPO dargestellt werden. Dadurch lassen sich bestimmte offene Vielteilchensysteme mit Tensor-Netzwerk-Verfahren untersuchen.

Allerdings ist ihre numerische Beschreibung häufig aufwendiger als die reiner Quantenzustände. Die Operatorverschränkung kann anwachsen, und eine einfache Kompression garantiert nicht automatisch, dass die approximierte Dichtematrix positiv semidefinit bleibt.

Für zuverlässige Simulationen müssen daher Normierung, Hermitizität, Positivität und die physikalische Konsistenz der berechneten Zustände kontrolliert werden.

Quantenchemische Anwendungen

Die Quantenchemie beschäftigt sich unter anderem mit der elektronischen Struktur von Atomen und Molekülen. Die exakte Beschreibung vieler wechselwirkender Elektronen ist mathematisch äußerst aufwendig.

Elektronische Zustände können in einer Besetzungsbasis durch MPS dargestellt werden. Die lokalen Indizes beschreiben dabei die möglichen Besetzungen der verwendeten Orbitale.

Der elektronische Hamiltonoperator enthält Einteilchen- und Zweiteilchenwechselwirkungen. In zweiter Quantisierung besitzt er die allgemeine Form:

\(H=\sum_{pq}h_{pq}a_p^{\dagger}a_q+\frac{1}{2}\sum_{pqrs}g_{pqrs}a_p^{\dagger}a_q^{\dagger}a_sa_r\)

Die Operatoren \(a_p^{\dagger}\) und \(a_q\) erzeugen beziehungsweise vernichten Elektronen in den betreffenden Spinorbitalen.

Quantenchemische DMRG-Verfahren verwenden eine MPS-Darstellung zur näherungsweisen Berechnung elektronischer Zustände und ihrer Energien.

Besonders relevant sind stark korrelierte Elektronensysteme, bei denen einfache Näherungen mit einer einzelnen dominanten Elektronenkonfiguration nicht ausreichend genau sind.

Die praktische Leistungsfähigkeit hängt unter anderem von der Wahl des aktiven Orbitalraums, der Orbitalanordnung und den erforderlichen Bond-Dimensionen ab. TT beziehungsweise MPS ersetzt daher nicht die physikalische Modellbildung, erweitert aber die Möglichkeiten numerischer Elektronenstrukturrechnungen erheblich.

Tensor Train in Quantencomputing und Quantenalgorithmen

Klassische Simulation von Quantenschaltungen

Eine Quantenschaltung besteht aus Qubits und einer Abfolge quantenmechanischer Gatter. Jedes Gatter verändert den Quantenzustand durch eine unitäre Operation.

Bei einer klassischen Simulation kann der Zustand durch ein MPS dargestellt werden. Ein Ein-Qubit-Gatter wirkt unmittelbar auf den lokalen Tensor des betreffenden Qubits.

Ein benachbartes Zwei-Qubit-Gatter verändert zwei lokale Tensoren. Diese können zunächst zusammengeführt, durch das Gatter transformiert und anschließend mittels SVD erneut zerlegt werden.

Die Schwierigkeit entsteht, wenn Gatter zunehmend komplexe Verschränkung erzeugen. Dann wachsen die Bond-Dimensionen und damit der Speicherbedarf.

Bei nicht benachbarten Gattern sind zusätzliche Operationen erforderlich, beispielsweise die Umordnung von Qubits durch SWAP-Gatter oder spezielle Tensor-Netzwerk-Kontraktionen.

TT-basierte Quantenschaltungssimulationen sind deshalb besonders effizient, wenn die gewählte Qubit-Reihenfolge zur Gatterstruktur passt und die entstehende Verschränkung begrenzt bleibt.

Simulation verschränkter Quantenzustände

Quantenverschränkung ist ein wesentliches Merkmal von Quantencomputern. Dennoch sind verschränkte Zustände nicht grundsätzlich schwer durch Tensor Train darzustellen.

Ein Bell-Zustand besitzt die Form:

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

Sein Schmidt-Rang beträgt zwei. Daher genügt eine Bond-Dimension von zwei für seine exakte MPS-Darstellung.

Auch GHZ-Zustände können unabhängig von der Qubit-Anzahl mit einer Bond-Dimension von zwei beschrieben werden.

Andere Quantenzustände besitzen dagegen wesentlich kompliziertere Verschränkungsstrukturen. Insbesondere tiefe, stark verschränkende Quantenschaltungen können sehr große TT-Ränge erzeugen.

Die entscheidende Frage lautet deshalb nicht, ob ein Quantenzustand verschränkt ist, sondern wie groß seine Schmidt-Ränge beziehungsweise die für eine genaue Approximation erforderlichen Bond-Dimensionen über die relevanten Systemteilungen sind.

Diese Unterscheidung ist grundlegend für die Bewertung klassischer Quantenschaltungssimulatoren.

Variationale Quantenalgorithmen

Variationale Quantenalgorithmen kombinieren parametrisierte Quantenschaltungen mit klassischen Optimierungsverfahren.

Ein bekanntes Beispiel ist der Variational Quantum Eigensolver, kurz VQE. Ziel ist die Minimierung des Energieerwartungswerts eines parametrisierten Quantenzustands:

\(E(\theta)=\langle\psi(\theta)|H|\psi(\theta)\rangle\)

Tensor-Train-Verfahren können eingesetzt werden, um die entsprechenden Quantenschaltungen klassisch zu simulieren, Erwartungswerte zu berechnen und das Verhalten verschiedener Ansätze zu untersuchen.

Besonders interessant ist die Analyse der Verschränkungsstruktur. Die Entwicklung der Bond-Dimensionen kann zeigen, ob ein variationaler Ansatz mit einer kompakten MPS-Darstellung ausreichend genau erfasst werden kann.

Darüber hinaus können klassische MPS-Optimierungen Vergleichswerte für VQE-Ergebnisse liefern.

Die Verwendung von TT macht einen variationalen Quantenalgorithmus jedoch nicht automatisch schneller. Sie stellt vielmehr eine zusätzliche klassische Simulations- und Analysemethode zur Verfügung.

Tensor Train und Quanten-Machine-Learning

Tensor-Netzwerke werden auch im maschinellen Lernen eingesetzt. Hochdimensionale Modellparameter können in TT-Form gespeichert werden, wodurch sich unter geeigneten Bedingungen die Anzahl der trainierbaren Parameter reduziert.

Bei einer Tensor-Train-Schicht wird beispielsweise eine große Gewichtsmatrix in eine höherdimensionale Tensorstruktur umgeformt und anschließend durch TT-Kerne approximiert.

Der Nutzen besteht in einer möglichen Verringerung von Speicherbedarf und Rechenaufwand. Gleichzeitig kann die begrenzte Rangstruktur als Form der Regularisierung wirken.

In der Quanteninformatik werden verwandte Tensor-Netzwerk-Modelle zur Beschreibung von Quantendaten, zur Untersuchung quantenmechanischer Merkmalsräume und zur Analyse parametrisierter Quantenschaltungen verwendet.

Eine wichtige begriffliche Unterscheidung ist erforderlich: Ein klassisches neuronales Netzwerk mit TT-komprimierten Gewichtsmatrizen ist nicht automatisch ein Quanten-Machine-Learning-Verfahren.

Die mathematische Ähnlichkeit zwischen Tensor-Netzwerken und Quantenzuständen schafft Verbindungen zwischen beiden Forschungsgebieten, ersetzt jedoch keine tatsächliche Quantenberechnung.

Bedeutung für die Entwicklung von Quantencomputern

Tensor-Train-Verfahren sind ein wichtiges Werkzeug zur Bewertung der klassischen Simulierbarkeit von Quantenberechnungen.

Sie ermöglichen die Untersuchung von Quantenschaltungen unter kontrollierten Bedingungen und unterstützen die Überprüfung von Ergebnissen realer Quantenprozessoren.

Besonders nützlich sind sie für die Analyse von Schaltungen mit begrenzter Verschränkung, lokaler Gatterstruktur oder geringer effektiver Komplexität.

Die Leistungsfähigkeit klassischer TT-Simulationen zeigt zugleich, dass eine große Qubit-Anzahl allein noch keinen überzeugenden Nachweis eines Quantenvorteils darstellt. Entscheidend ist, ob die konkrete Rechenaufgabe mit bekannten klassischen Methoden effizient lösbar bleibt.

Eine erfolgreiche TT-Simulation beweist dabei nicht, dass sämtliche verwandten Quantenberechnungen einfach sind. Sie zeigt lediglich, dass die untersuchte Zustands- und Schaltungsstruktur eine günstige klassische Darstellung besitzt.

Praktisches Berechnungsbeispiel

Ausgangssituation

Ein anschauliches Beispiel für die Effizienz von Tensor Train ist der Greenberger-Horne-Zeilinger-Zustand, kurz GHZ-Zustand.

Für ein System aus \(d\) Qubits lautet er:

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

Der Zustand ist eine gleichgewichtete Superposition aus zwei Basiszuständen: Sämtliche Qubits befinden sich entweder im Zustand null oder im Zustand eins.

Bei einer vollständigen Zustandsvektordarstellung müssen grundsätzlich alle \(2^d\) Amplitudenpositionen berücksichtigt werden, auch wenn im GHZ-Zustand nur zwei Amplituden von null verschieden sind.

Die spezielle Korrelationsstruktur des GHZ-Zustands erlaubt jedoch eine kompakte MPS- beziehungsweise TT-Darstellung.

Im Folgenden wird untersucht, wie diese Struktur mathematisch aufgebaut ist und welchen Speicherbedarf sie verursacht.

Tensor-Train-Darstellung eines GHZ-Zustands

Für mindestens zwei Qubits kann der GHZ-Zustand exakt durch TT-Kerne mit maximalem Rang zwei dargestellt werden.

Eine mögliche Wahl des ersten Kerns ist:

\(G^{(1)}(0)=\frac{1}{\sqrt{2}}\begin{pmatrix}1&0\end{pmatrix}\)

\(G^{(1)}(1)=\frac{1}{\sqrt{2}}\begin{pmatrix}0&1\end{pmatrix}\)

Die inneren Kerne erhalten die Form:

\(G^{(k)}(0)=\begin{pmatrix}1&0\\0&0\end{pmatrix}\)

\(G^{(k)}(1)=\begin{pmatrix}0&0\\0&1\end{pmatrix}\)

Für den letzten Kern gilt:

\(G^{(d)}(0)=\begin{pmatrix}1\\0\end{pmatrix}\)

\(G^{(d)}(1)=\begin{pmatrix}0\\1\end{pmatrix}\)

Durch die Multiplikation dieser Kerne entstehen ausschließlich für die beiden vollständigen Bitfolgen aus Nullen beziehungsweise Einsen von null verschiedene Amplituden.

Alle gemischten Bitfolgen liefern den Wert null. Die beiden verbleibenden Amplituden besitzen jeweils den Betrag:

\(\frac{1}{\sqrt{2}}\)

Damit wird der GHZ-Zustand exakt rekonstruiert.

Berechnung des Speicherbedarfs

Ein vollständiger Zustandsvektor für hundert Qubits benötigt:

\(N_{\mathrm{voll}}=2^{100}\)

komplexe Amplituden. Das entspricht ungefähr:

\(1{,}27\cdot 10^{30}\)

Einträgen.

Bei einer Speicherung mit sechzehn Byte pro komplexer Amplitude wäre der Speicherbedarf astronomisch.

Für die beschriebene GHZ-TT-Darstellung besitzen die beiden Randkerne jeweils vier Einträge. Jeder innere Kern besitzt acht Einträge. Insgesamt ergibt sich:

\(N_{\mathrm{TT}}=4+8(d-2)+4\)

und damit:

\(N_{\mathrm{TT}}=8d-8\)

Für hundert Qubits sind dies:

\(N_{\mathrm{TT}}=792\)

komplexe Kerneinträge.

Bei sechzehn Byte pro Eintrag entspricht dies 12.672 Byte für die reinen Kerndaten, ohne Verwaltungsinformationen und zusätzliche Speicherstrukturen.

Der Unterschied zur vollständigen Zustandsvektordarstellung ist außerordentlich groß.

Interpretation des Ergebnisses

Das Beispiel zeigt, wie eine günstige Verschränkungsstruktur eine effiziente Tensor-Train-Darstellung ermöglicht.

Der GHZ-Zustand ist global verschränkt. Dennoch beträgt sein Schmidt-Rang über jeden nichttrivialen Schnitt der Qubit-Kette lediglich zwei. Deshalb genügt unabhängig von der Anzahl der Qubits eine konstante Bond-Dimension.

Die lineare Skalierung entsteht aus dieser besonderen Eigenschaft und ist nicht auf beliebige Quantenzustände übertragbar.

Außerdem ist der GHZ-Zustand auch mit einer speziellen Sparse-Darstellung effizient beschreibbar, weil lediglich zwei Amplituden von null verschieden sind. Der Vergleich zeigt somit die Leistungsfähigkeit des TT-Formats, beweist aber keine grundsätzliche Überlegenheit gegenüber jeder anderen komprimierten Datenstruktur.

Das entscheidende Ergebnis lautet: Ein großer quantenmechanischer Zustandsraum erfordert nicht zwangsläufig eine große numerische Zustandsdarstellung. Maßgeblich ist die Komplexität des tatsächlich vorliegenden Zustands.

Leistungsfähigkeit, numerische Fehler und Grenzen

Vorteile der Tensor-Train-Zerlegung

Tensor Train bietet mehrere wesentliche Vorteile gegenüber einer vollständigen Tensorrepräsentation.

Der Speicherbedarf kann erheblich reduziert werden, wenn die TT-Ränge klein bleiben. Gleichzeitig lassen sich zahlreiche mathematische Operationen direkt auf den Kerntensoren ausführen.

Die Methode besitzt außerdem eine systematische Verbindung zu Singulärwertzerlegung, Matrixapproximation und quantenmechanischer Verschränkung. Dadurch kann die Qualität der Kompression mathematisch untersucht und kontrolliert werden.

In der Quantenphysik ermöglicht TT die effiziente Bearbeitung vieler eindimensionaler Vielteilchenprobleme. Besonders relevant sind Grundzustandsberechnungen, Erwartungswerte, Korrelationsfunktionen und zeitabhängige Simulationen mit begrenztem Rangwachstum.

Die wichtigste Stärke ist somit nicht eine universelle Beschleunigung, sondern die gezielte Nutzung mathematisch und physikalisch begründeter Niedrigrangstrukturen.

Grenzen der Kompression

Tensor Train kann die exponentielle Komplexität allgemeiner Quantensysteme nicht grundsätzlich beseitigen.

Bei ungünstigen Zuständen wachsen die erforderlichen TT-Ränge stark an. Für einen allgemeinen Zustand aus \(d\) Qubits kann der maximale exakte TT-Rang im mittleren Bereich der Kette Größenordnungen bis zu:

\(r_{\max}=2^{\lfloor d/2\rfloor}\)

erreichen.

In solchen Fällen verliert die TT-Darstellung ihren wesentlichen Kompressionsvorteil.

Besonders problematisch sind stark verschränkte Zustände, komplexe nichtlokale Korrelationen und bestimmte lange Zeitentwicklungen.

Auch die Berechnung einer TT-Zerlegung kann aufwendig sein, wenn die zugrunde liegenden Daten weder vollständig verfügbar noch durch geeignete strukturierte Verfahren zugänglich sind.

Die Kompressionsfähigkeit muss daher für jedes konkrete Problem untersucht werden.

Fehlerquellen und Genauigkeit

Bei TT-Berechnungen entstehen mehrere Arten numerischer Fehler.

Abschneidefehler treten auf, wenn kleine Singulärwerte entfernt werden. Rundungsfehler entstehen durch die endliche Genauigkeit digitaler Gleitkommarechnungen.

Zusätzliche Fehler können durch iterative Optimierung, unvollständige Konvergenz, Zeitdiskretisierung und vereinfachte Operatorbehandlungen verursacht werden.

Besonders bei wiederholten Operationen ist eine Kontrolle der Fehlerakkumulation erforderlich. Ein einzelner kleiner Kompressionsfehler garantiert nicht, dass das Ergebnis einer langen Berechnung ausreichend genau bleibt.

Zur Überprüfung dienen unter anderem die Variation der Bond-Dimensionen, strengere Abschneidetoleranzen und kleinere Zeitschritte.

Physikalische Kontrollgrößen wie Normerhaltung, Energieerhaltung bei geeigneter Dynamik sowie die Übereinstimmung mit bekannten Grenzfällen sind ebenfalls wichtig.

Bedeutung der Tensoranordnung

Die Reihenfolge der Tensorindizes beeinflusst die erforderlichen TT-Ränge erheblich.

In eindimensionalen Systemen mit lokalen Wechselwirkungen bietet sich meist die physikalische Reihenfolge der Gitterplätze an. Dadurch werden räumlich benachbarte Freiheitsgrade auch innerhalb der Tensor-Kette benachbart dargestellt.

Bei komplexeren Wechselwirkungsstrukturen kann eine andere Anordnung günstiger sein.

In der Quantenchemie hängt die Effizienz von MPS-Verfahren beispielsweise wesentlich von der Reihenfolge der Molekülorbitale ab. Stark korrelierte Orbitale sollten möglichst so angeordnet werden, dass die für ihre Beschreibung erforderlichen Bond-Dimensionen begrenzt bleiben.

Die optimale Anordnung zu bestimmen, ist selbst ein anspruchsvolles Problem.

Tensor Train besitzt somit eine geometrische Abhängigkeit: Nicht nur der betrachtete Zustand, sondern auch seine Darstellung als lineare Kette beeinflusst die numerische Komplexität.

Vergleich mit alternativen Methoden

Die vollständige Zustandsvektorsimulation besitzt den Vorteil, dass sie keine strukturbedingte Einschränkung auf niedrige Ränge erfordert. Ihr Speicherbedarf wächst jedoch exponentiell.

Die Tucker-Zerlegung verwendet einen zentralen Kerntensor und mehrere Faktormatrizen. Sie ist für bestimmte multilineare Datenstrukturen geeignet, kann aber bei hoher Tensorordnung ebenfalls einen sehr großen Kerntensor benötigen.

Hierarchische Tucker-Verfahren organisieren Tensoren in einer Baumstruktur. Sie bieten Vorteile, wenn die Abhängigkeiten zwischen den Dimensionen besser durch eine hierarchische Aufteilung als durch eine lineare Kette beschrieben werden.

Projected Entangled Pair States, kurz PEPS, erweitern die Tensor-Netzwerk-Idee auf höherdimensionale Gitterstrukturen. Dadurch können sie insbesondere zweidimensionale Quantensysteme natürlicher erfassen.

Die Kontraktion von PEPS ist jedoch im Allgemeinen deutlich aufwendiger als die einer offenen MPS-Kette.

TT ist daher besonders dann eine geeignete Wahl, wenn eine lineare Struktur die wesentlichen Korrelationen effizient abbilden kann.

Wissenschaftliche Einordnung und Entwicklungsperspektiven

Historische Entwicklung

Die Entwicklung von Tensor Train ist eng mit der Geschichte numerischer Verfahren für Quanten-Vielteilchensysteme verbunden.

Bereits vor der modernen TT-Formulierung wurden Matrix-Produkt-Strukturen in der mathematischen Physik untersucht. Ein wesentlicher Fortschritt war die Entwicklung der Density Matrix Renormalization Group durch Steven R. White im Jahr 1992.

DMRG erwies sich als besonders leistungsfähig für eindimensionale stark korrelierte Quantensysteme. Die spätere Interpretation als Optimierung von Matrix-Produkt-Zuständen machte die zugrunde liegende Tensor-Netzwerk-Struktur ausdrücklich sichtbar.

Im Jahr 2003 zeigte Guifré Vidal den engen Zusammenhang zwischen begrenzter Quantenverschränkung und effizienter klassischer Simulation bestimmter Quantenberechnungen.

Ivan V. Oseledets veröffentlichte 2011 die mathematische Formulierung der Tensor-Train-Zerlegung in ihrer heute verbreiteten numerischen Darstellung. Diese Arbeit entwickelte systematische Algorithmen für Zerlegung, Kompression und grundlegende Tensoroperationen.

Die wesentlichen mathematischen Strukturen waren aus der Quantenphysik bereits bekannt. Die TT-Formulierung machte sie jedoch für ein breiteres Spektrum hochdimensionaler numerischer Probleme zugänglich.

Weiterentwicklung numerischer Verfahren

Die Weiterentwicklung von TT-Algorithmen konzentriert sich insbesondere auf adaptive Rangsteuerung, stabile Optimierung und effiziente Kontraktionen.

Adaptive Verfahren versuchen, die erforderlichen TT-Ränge während einer Berechnung automatisch anzupassen. Dadurch muss die Bond-Dimension nicht vollständig im Voraus festgelegt werden.

Weitere Verbesserungen betreffen die Verwendung von Symmetrien. In quantenmechanischen Systemen lassen sich beispielsweise Teilchenzahlerhaltung oder geeignete Spinquantenzahlen nutzen, um die Tensorstruktur in kleinere Blöcke aufzuteilen.

Auch spezialisierte Hardware spielt eine wichtige Rolle. Moderne Mehrkernprozessoren und Grafikprozessoren können bestimmte lineare Algebraoperationen erheblich beschleunigen.

Die praktische Beschleunigung hängt jedoch davon ab, ob die Tensoroperationen ausreichend große und regelmäßig strukturierte Rechenaufgaben erzeugen. Kleine Kerne und häufige Datenumordnungen können den Nutzen paralleler Hardware begrenzen.

Ein weiteres Forschungsgebiet sind Verfahren, die TT-Strukturen unmittelbar aus Funktionsauswertungen, Stichproben oder impliziten Operatorbeschreibungen aufbauen, ohne zuvor einen vollständigen hochdimensionalen Tensor zu erzeugen.

Perspektiven für die Quantentechnologie

Tensor Train wird weiterhin eine wichtige Rolle bei der klassischen Untersuchung von Quantensystemen spielen.

Mit zunehmender Komplexität von Quantenschaltungen steigt der Bedarf an zuverlässigen Simulationsverfahren, die relevante Zustandsstrukturen erkennen und ausnutzen.

TT-basierte Methoden eignen sich insbesondere zur Untersuchung lokaler Quantenmodelle, zur Validierung ausgewählter Quantenschaltungen und zur Analyse ihrer Verschränkungsentwicklung.

Auch die Verbindung zu Quantenchemie, offenen Quantensystemen und variationalen Algorithmen bietet zusätzliche Anwendungsfelder.

Wissenschaftlich entscheidend bleibt die Frage, welche Quantenzustände bei einer vorgegebenen Genauigkeit mit begrenzten TT-Rängen approximiert werden können.

Die Zukunft der Methode liegt deshalb weniger in einer universellen Lösung hochdimensionaler Probleme als in der verbesserten Erkennung, Beschreibung und numerischen Nutzung vorhandener Niedrigrangstrukturen.

Fazit

Zentrale wissenschaftliche Erkenntnisse

Tensor Train ist ein mathematisch fundiertes Verfahren zur Darstellung und Approximation hochdimensionaler Tensoren durch eine lineare Kette kleiner Kerntensoren.

Seine Effizienz hängt wesentlich von den TT-Rängen ab. Bleiben diese klein, können Speicherbedarf und Rechenaufwand gegenüber der vollständigen Tensorrepräsentation erheblich reduziert werden.

In der Quantentechnologie besitzt Tensor Train eine besondere Bedeutung, weil es mathematisch der Darstellung reiner Quantenzustände durch offene Matrix-Produkt-Zustände entspricht.

Die Verbindung zwischen TT-Rängen, Schmidt-Zerlegung und Quantenverschränkung erklärt, warum bestimmte Vielteilchensysteme effizient simulierbar sind und andere nicht.

Praktischer Nutzen

TT- und MPS-Verfahren ermöglichen die numerische Behandlung zahlreicher Quantensysteme, deren vollständige Zustandsdarstellung kaum praktikabel wäre.

Wichtige Anwendungen sind Grundzustandsberechnungen, Zeitentwicklung, Quantenchemie, die Untersuchung von Quantenschaltungen und die Berechnung physikalischer Erwartungswerte.

Die Algorithmen TT-SVD, Rounding, ALS und DMRG bilden wesentliche Grundlagen für eine kontrollierte und effiziente Verarbeitung solcher Tensorstrukturen.

Gleichzeitig müssen Rangwachstum, numerische Genauigkeit und die physikalische Aussagekraft der Ergebnisse sorgfältig überprüft werden.

Abschließende Bewertung

Tensor Train gehört zu den zentralen Verfahren der modernen numerischen Tensorrechnung und ist für die klassische Simulation geeigneter Quantensysteme von erheblicher Bedeutung.

Die Methode zeigt, dass die Größe eines mathematischen Zustandsraums nicht unmittelbar bestimmt, wie aufwendig ein konkreter Quantenzustand beschrieben werden muss.

Entscheidend sind seine Korrelationen, seine Verschränkungsstruktur und die daraus resultierenden TT-Ränge.

Tensor Train beseitigt die exponentielle Komplexität allgemeiner Quantensysteme nicht. Es ermöglicht jedoch, vorhandene mathematische Strukturen konsequent auszunutzen und dadurch Berechnungen zugänglich zu machen, die mit einer vollständigen Tensorrepräsentation praktisch nicht durchführbar wären.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die wissenschaftliche Literatur zur Tensor-Train-Zerlegung (TT) verbindet numerische lineare Algebra, hochdimensionale Tensorapproximation und Quanten-Vielteilchenphysik. Besonders wichtig ist die mathematische Äquivalenz zwischen Tensor Train und Matrix-Produkt-Zuständen (Matrix Product States, MPS) mit offenen Randbedingungen. Die nachfolgend aufgeführten Veröffentlichungen bilden die Grundlage für die mathematische Herleitung, die Beschreibung zentraler Algorithmen und die Bewertung der Einsatzmöglichkeiten in der Quantentechnologie.

Grundlegende Primärliteratur zu Tensor Train (TT)

  • Oseledets, Ivan V.: Tensor-Train Decomposition, SIAM Journal on Scientific Computing, Band 33, Ausgabe 5, S. 2295–2317, 2011.
    • Die grundlegende Primärveröffentlichung zur modernen mathematischen Formulierung der Tensor-Train-Zerlegung. Oseledets beschreibt die Darstellung hochdimensionaler Tensoren durch linear verbundene Kerntensoren und entwickelt Verfahren für TT-SVD, Rangreduktion sowie grundlegende Rechenoperationen. Die Arbeit ist die wichtigste Quelle für die Definition des TT-Formats, die Speicherkomplexität, Fehlerabschätzungen und die mathematische Funktionsweise des Verfahrens. Sie sollte als zentraler theoretischer Bezugspunkt der Abhandlung dienen.
  • Oseledets, Ivan V.; Tyrtyshnikov, Eugene E.: TT-Cross Approximation for Multidimensional Arrays, Linear Algebra and its Applications, Band 432, Ausgabe 1, S. 70–88, 2010.
    • Diese Primärarbeit entwickelt die TT-Cross-Approximation zur Konstruktion kompakter Tensorrepräsentationen aus gezielt ausgewählten Tensoreinträgen. Besonders relevant ist der Ansatz, nicht sämtliche Elemente eines hochdimensionalen Tensors berechnen oder speichern zu müssen. Die Veröffentlichung ergänzt TT-SVD um einen wichtigen Zugang zu implizit definierten Tensoren und eignet sich zur Erklärung datenreduzierender Approximationstechniken sowie der Grenzen vollständiger Tensorberechnungen.
  • Holtz, Sebastian; Rohwedder, Thorsten; Schneider, Reinhold: On Manifolds of Tensors of Fixed TT-Rank, Numerische Mathematik, Band 120, S. 701–731, 2012.
    • Eine spezialisierte mathematische Primärarbeit zur geometrischen Struktur von Tensoren mit festen TT-Rängen. Die Autoren untersuchen grundlegende Eigenschaften der entsprechenden Tensor-Mannigfaltigkeiten. Die Veröffentlichung ist für die wissenschaftliche Einordnung von Rangbeschränkungen, Optimierungsverfahren und differenzialgeometrischen Ansätzen wichtig. Sie eignet sich besonders zur Vertiefung der mathematischen Grundlagen und zur Erklärung, weshalb TT-Optimierung auf strukturierten Parameterräumen stattfinden kann.
  • Grasedyck, Lars; Kressner, Daniel; Tobler, Christine: A Literature Survey of Low-Rank Tensor Approximation Techniques, GAMM-Mitteilungen, Band 36, Ausgabe 1, S. 53–78, 2013.
    • Ein wissenschaftlicher Übersichtsartikel zu Niedrigrang-Tensorapproximationen und ihren numerischen Grundlagen. Er ordnet unterschiedliche Tensorformate und Approximationstechniken systematisch ein. Als Hintergrund- und Vergleichsliteratur ist die Arbeit besonders für die Abgrenzung von Tensor Train gegenüber Tucker-Zerlegung, hierarchischen Tensorformaten und anderen Kompressionsmethoden geeignet. Sie unterstützt eine differenzierte Bewertung von Speicherbedarf, numerischer Stabilität und Kompressionsmöglichkeiten.

Grundlagenliteratur zu Matrix-Produkt-Zuständen und Quantenverschränkung

  • White, Steven R.: Density Matrix Formulation for Quantum Renormalization Groups, Physical Review Letters, Band 69, S. 2863–2866, 1992.
    • Die historische Primärveröffentlichung zur Density Matrix Renormalization Group (DMRG). White führt eine Methode zur gezielten Auswahl relevanter Zustände mithilfe reduzierter Dichtematrizen ein. Die Arbeit ist für die historische Entwicklung der späteren MPS- und TT-Verfahren von grundlegender Bedeutung. Sie sollte insbesondere zur Darstellung der Ursprünge effizienter Vielteilchensimulationen und der Verbindung zwischen Zustandsreduktion und physikalischen Korrelationen verwendet werden.
  • Vidal, Guifré: Efficient Classical Simulation of Slightly Entangled Quantum Computations, Physical Review Letters, Band 91, Artikel 147902, 2003.
    • Eine zentrale Primärarbeit zum Zusammenhang zwischen Quantenverschränkung und klassischer Simulierbarkeit. Vidal zeigt, wie Quantenzustände bei ausreichend begrenzter Verschränkung effizient durch strukturierte Darstellungen verarbeitet werden können. Die Veröffentlichung liefert die physikalische Grundlage für die Bedeutung kleiner TT-Ränge und ist besonders wichtig für die Abschnitte über Schmidt-Zerlegung, Bond-Dimensionen und die Grenzen der klassischen Simulation von Quantencomputern.
  • Schollwöck, Ulrich: The Density-Matrix Renormalization Group in the Age of Matrix Product States, Annals of Physics, Band 326, Ausgabe 1, S. 96–192, 2011.
    • Ein umfassender wissenschaftlicher Übersichtsartikel über DMRG und Matrix-Produkt-Zustände. Schollwöck behandelt die mathematische Struktur von MPS, kanonische Formen, Orthogonalisierungsverfahren, Optimierungstechniken und physikalische Anwendungen. Für eine Abhandlung über Tensor Train in der Quantentechnologie ist diese Veröffentlichung eine der wichtigsten Brücken zwischen numerischer Tensorrechnung und Quanten-Vielteilchenphysik. Sie eignet sich besonders für die Erklärung der MPS-TT-Äquivalenz sowie der praktischen Umsetzung von DMRG.
  • Orús, Román: A Practical Introduction to Tensor Networks: Matrix Product States and Projected Entangled Pair States, Annals of Physics, Band 349, S. 117–158, 2014.
    • Eine wissenschaftliche Einführung in Tensor-Netzwerke mit Schwerpunkt auf MPS und Projected Entangled Pair States (PEPS). Die Arbeit vermittelt die grundlegenden Kontraktionsprinzipien, typische Netzwerkgeometrien und ausgewählte Algorithmen. Sie eignet sich als Hintergrundliteratur zur anschaulichen Erklärung der linearen TT-Struktur und zur Abgrenzung gegenüber höherdimensionalen Tensor-Netzwerken. Besonders hilfreich ist sie für die Bewertung der jeweiligen Einsatzgebiete und numerischen Grenzen.
  • Cirac, J. Ignacio; Pérez-García, David; Schuch, Norbert; Verstraete, Frank: Matrix Product States and Projected Entangled Pair States: Concepts, Symmetries, Theorems, Reviews of Modern Physics, Band 93, Artikel 045003, 2021.
    • Ein grundlegender moderner Übersichtsartikel über die Theorie von Matrix-Produkt-Zuständen und allgemeineren Tensor-Netzwerken. Die Autoren erläutern mathematische Eigenschaften, Symmetrien, Verschränkungsstrukturen und zentrale theoretische Aussagen zu MPS und PEPS. Die Veröffentlichung ist besonders relevant für die wissenschaftliche Einordnung von TT-Rängen, kanonischen Darstellungen, physikalischen Symmetrien und der Beschreibung korrelierter Quantenzustände. Sie ergänzt die numerisch orientierte Literatur um eine umfassende theoretische Perspektive.

Spezialisierte Arbeiten zu Algorithmen und zeitabhängiger Quantensimulation

  • Vidal, Guifré: Efficient Simulation of One-Dimensional Quantum Many-Body Systems, Physical Review Letters, Band 93, Artikel 040502, 2004.
    • Eine grundlegende Primärarbeit zur effizienten Simulation der Zeitentwicklung eindimensionaler Quantensysteme. Der entwickelte Ansatz nutzt kompakte Zustandsdarstellungen und lokale Operationen, um die Dynamik von Spin-Ketten numerisch zu berechnen. Die Veröffentlichung bildet eine wichtige Grundlage für Time-Evolving Block Decimation (TEBD) und ist besonders für den Abschnitt über zeitabhängige TT- und MPS-Verfahren geeignet.
  • Haegeman, Jutho; Lubich, Christian; Oseledets, Ivan; Vandereycken, Bart; Verstraete, Frank: Unifying Time Evolution and Optimization with Matrix Product States, Physical Review B, Band 94, Artikel 165116, 2016.
    • Eine spezialisierte Primärarbeit zur Verbindung von zeitabhängiger Dynamik und Variationsoptimierung innerhalb der MPS-Struktur. Im Mittelpunkt steht das Time-Dependent Variational Principle (TDVP), bei dem die zeitliche Entwicklung auf den Tangentialraum der MPS-Mannigfaltigkeit projiziert wird. Die Veröffentlichung ist besonders für die Darstellung moderner Zeitentwicklungsalgorithmen, der geometrischen Interpretation von TT-Zuständen und der Beziehung zwischen DMRG und Variationsverfahren relevant.
  • Paeckel, Sebastian; Köhler, Thomas; Swoboda, Andreas; Manmana, Salvatore R.; Schollwöck, Ulrich; Hubig, Claudius: Time-Evolution Methods for Matrix-Product States, Annals of Physics, Band 411, Artikel 167998, 2019.
    • Ein detaillierter wissenschaftlicher Vergleich unterschiedlicher Verfahren zur Zeitentwicklung von Matrix-Produkt-Zuständen. Behandelt werden unter anderem TEBD, Krylov-basierte Verfahren, MPO-Methoden und Varianten des zeitabhängigen Variationsprinzips. Die Autoren vergleichen die Verfahren anhand numerischer Beispiele und analysieren ihre Fehlerquellen. Die Veröffentlichung ist besonders geeignet, um Leistungsfähigkeit, Stabilität, Genauigkeit und praktische Grenzen zeitabhängiger TT-Simulationen wissenschaftlich zu bewerten.

Spezialisierte Arbeiten zu Quantenchemie und maschinellem Lernen

  • Szalay, Szilárd; Pfeffer, Matthias; Murg, Valentin; Barcza, Gergely; Verstraete, Frank; Schneider, Reinhold; Legeza, Örs: Tensor Product Methods and Entanglement Optimization for Ab Initio Quantum Chemistry, International Journal of Quantum Chemistry, Band 115, Ausgabe 19, S. 1342–1391, 2015.
    • Eine umfangreiche wissenschaftliche Überblicksarbeit zur Anwendung von Tensorproduktmethoden und Verschränkungsoptimierung in der elektronischen Strukturrechnung. Sie behandelt mathematische Tensorapproximation, quantenchemische Vielteilchenzustände und die Bedeutung der Orbitalanordnung. Diese Veröffentlichung eignet sich besonders für die Darstellung der quantenchemischen Anwendungen von TT und MPS sowie zur Erklärung, weshalb die Verschränkungsstruktur die Leistungsfähigkeit numerischer DMRG-Berechnungen bestimmt.
  • Stoudenmire, E. Miles; Schwab, David J.: Supervised Learning with Tensor Networks, Advances in Neural Information Processing Systems, Band 29, 2016.
    • Eine wissenschaftliche Primärarbeit zur Nutzung von Matrix-Produkt-Zuständen beziehungsweise Tensor-Train-Strukturen im überwachten maschinellen Lernen. Die Autoren zeigen, wie hochdimensionale Klassifikationsmodelle durch Tensor-Netzwerke parametrisiert werden können. Die Veröffentlichung eignet sich für den Abschnitt über Tensor Train und Machine Learning. Dabei sollte ausdrücklich zwischen klassischen tensorbasierten Lernverfahren und Berechnungen auf tatsächlicher Quantenhardware unterschieden werden.

Bücher und Monographien

Die folgenden Standardwerke vertiefen die mathematischen und quantenphysikalischen Grundlagen der Tensor-Train-Zerlegung. Während die spezialisierte Primärliteratur konkrete Algorithmen und wissenschaftliche Resultate dokumentiert, bieten Monographien eine systematische Darstellung der zugrunde liegenden Theorie. Sie sind insbesondere für Definitionen, mathematische Herleitungen und die fachliche Einordnung der Anwendungen geeignet.

Mathematische Standardwerke zur Tensorrechnung

  • Hackbusch, Wolfgang: Tensor Spaces and Numerical Tensor Calculus, Springer Series in Computational Mathematics, Band 42, Springer, 2012.
    • Eine grundlegende wissenschaftliche Monographie über Tensorräume und numerische Tensorrechnung. Das Werk behandelt algebraische Grundlagen, Tensorapproximation, hierarchische Tensorrepräsentationen und numerische Operationen. Für eine Abhandlung über Tensor Train ist es besonders zur mathematischen Definition von Tensorformaten, zur Untersuchung hochdimensionaler Speicherkomplexität und zur Einordnung kettenförmiger Darstellungen geeignet. Die Erstausgabe dokumentiert zudem den Stand der numerischen Tensorrechnung zur Zeit der frühen TT-Entwicklung.
  • Hackbusch, Wolfgang: Tensor Spaces and Numerical Tensor Calculus, zweite, überarbeitete Auflage, Springer Series in Computational Mathematics, Band 56, Springer, 2019.
    • Die überarbeitete und erweiterte Ausgabe der mathematischen Standardmonographie. Sie behandelt die Struktur hochdimensionaler Tensoren, ihre numerische Approximation und verschiedene Möglichkeiten zur effizienten Verarbeitung. Die zweite Auflage ist für die systematische Darstellung mathematischer Grundlagen besonders zu empfehlen. Sie sollte für Definitionen, Tensoroperationen, Approximationseigenschaften und den Vergleich verschiedener Tensorformate bevorzugt verwendet werden. Die Ausgabe von 2012 bleibt vor allem für historische Vergleiche relevant.

Standardwerke zur Quanteninformation

  • Nielsen, Michael A.; Chuang, Isaac L.: Quantum Computation and Quantum Information, 10th Anniversary Edition, Cambridge University Press, 2010.
    • Ein international etabliertes Grundlagenwerk zur Quanteninformatik. Es vermittelt die mathematische Beschreibung von Qubits, Quantenzuständen, Quantengattern, Quantenverschränkung und Quantenalgorithmen. Für Tensor Train ist das Buch insbesondere als Hintergrundliteratur zur Darstellung von Mehr-Qubit-Zuständen, zur Schmidt-Zerlegung und zur klassischen Simulation von Quantenschaltungen geeignet. Es dient nicht als Spezialmonographie zur TT-Zerlegung, sondern stellt die quanteninformationstheoretischen Grundlagen bereit, auf denen deren physikalische Anwendungen beruhen.

Online-Ressourcen und Datenbanken

Online-Ressourcen ergänzen die wissenschaftliche Fachliteratur durch zugängliche Manuskripte, aktuelle Forschungsarbeiten, Softwaredokumentationen und nachvollziehbare Implementierungsbeispiele. Für Tensor Train sind insbesondere Plattformen relevant, die mathematische Tensorzerlegungen, Matrix-Produkt-Zustände und Algorithmen für Quanten-Vielteilchensysteme behandeln. Die folgenden Ressourcen dienen der Literaturrecherche, fachlichen Vertiefung und praktischen Überprüfung numerischer Verfahren.

Vorlesungsnotizen und monographienahe Ressourcen

  • Bridgeman, Jacob C.; Chubb, Christopher T.: Hand-waving and Interpretive Dance: An Introductory Course on Tensor Networks, arXiv, 2016.
    • Ausführliche wissenschaftliche Vorlesungsnotizen zu Tensor-Netzwerken. Sie erläutern die Grundlagen der Diagrammnotation, Matrix-Produkt-Zustände, Verschränkungsstrukturen sowie wichtige numerische und theoretische Verfahren. Diese Ressource eignet sich besonders zur didaktischen Vertiefung und zum Verständnis der Verbindung zwischen TT-Kernen und physikalischen Tensor-Netzwerken. Die enthaltenen Beispiele und Übungsaufgaben können zur Überprüfung mathematischer Zusammenhänge herangezogen werden. Als Lehrmaterial sollte die Quelle ergänzend zur begutachteten Fachliteratur eingesetzt werden.

Fachjournale und wissenschaftliche Verlage

  • Society for Industrial and Applied Mathematics (SIAM): SIAM Publications, wissenschaftliche Publikationsplattform.
    • Eine zentrale Rechercheplattform für numerische Mathematik, lineare Algebra, wissenschaftliches Rechnen und Tensorapproximation. Besonders relevant ist das SIAM Journal on Scientific Computing, in dem die grundlegende Arbeit zur Tensor-Train-Zerlegung veröffentlicht wurde. Die Plattform eignet sich zur Suche nach mathematischer Primärliteratur, zur Überprüfung bibliografischer Angaben und zur Vertiefung von TT-SVD, Rangapproximationen und numerischer Stabilität.
  • American Physical Society (APS): Physical Review Journals, wissenschaftliche Fachzeitschriftenplattform.
    • Eine maßgebliche Quelle für begutachtete Veröffentlichungen aus Quantenphysik, Festkörperphysik und Quanteninformation. Besonders relevante Zeitschriften sind Physical Review Letters, Physical Review B und Reviews of Modern Physics. Die Plattform ermöglicht die Recherche grundlegender Arbeiten zu DMRG, Quantenverschränkung, Matrix-Produkt-Zuständen und Zeitentwicklung. Sie sollte für die Überprüfung physikalischer Primärquellen und ihrer bibliografischen Daten verwendet werden.
  • Springer Nature: SpringerLink, wissenschaftliche Literaturplattform.
    • Eine wissenschaftliche Datenbank für Fachbücher, Monographien und begutachtete Zeitschriftenartikel. Im Zusammenhang mit Tensor Train ist sie insbesondere für mathematische Grundlagenwerke zur numerischen Tensorrechnung relevant. Die Plattform eignet sich zur Überprüfung verschiedener Buchausgaben, zur Recherche von Fachkapiteln und zur Suche nach weiterführender Literatur über Tensorapproximation, numerische Optimierung und hochdimensionale Berechnungsverfahren.

Wissenschaftliche Literaturdatenbanken und Forschungsarchive

  • arXiv: Open-Access-Archiv für wissenschaftliche Preprints, Cornell University.
    • Ein umfangreiches Forschungsarchiv für Physik, Mathematik, Informatik und verwandte Disziplinen. Besonders relevante Themengebiete sind Quantum Physics, Mathematical Physics und Numerical Analysis. arXiv ermöglicht den Zugang zu frei verfügbaren Manuskripten sowie die Recherche neuer Entwicklungen zu Tensor Train, MPS, DMRG und Quantenschaltungssimulation. Da eingestellte Manuskripte nicht zwangsläufig ein Peer-Review-Verfahren durchlaufen haben, sollten wichtige wissenschaftliche Aussagen möglichst mit begutachteten Journalversionen abgeglichen werden.
  • zbMATH Open: Wissenschaftliche Literaturdatenbank für Mathematik und ihre Anwendungen.
    • Eine spezialisierte Rechercheplattform für mathematische Veröffentlichungen, bibliografische Informationen und wissenschaftliche Rezensionen. Für Tensor Train eignet sie sich zur Suche nach Arbeiten über Niedrigrang-Tensorapproximation, Matrixzerlegung, numerische Optimierung und mathematische Eigenschaften von Tensorformaten. Besonders nützlich ist die Datenbank zur systematischen Literaturkontrolle und zur Einordnung neuer Veröffentlichungen innerhalb der mathematischen Forschung.

Lern- und Forschungsplattformen für Tensor-Netzwerke

  • ITensorMPS.jl: Dokumentation einer Julia-Bibliothek für Matrix-Produkt-Zustände und Matrix-Produkt-Operatoren.
    • Eine spezialisierte Softwaredokumentation für praktische MPS-, MPO- und DMRG-Berechnungen. Sie enthält Erläuterungen und Beispiele zur Konstruktion von Tensor-Netzwerken, zur Definition quantenmechanischer Hamiltonoperatoren und zur Optimierung von Vielteilchenzuständen. Die Ressource eignet sich zur praktischen Nachvollziehung von TT-Kontraktionen, Bond-Dimensionen und iterativen Optimierungsverfahren. Für reproduzierbare numerische Beispiele sollte zusätzlich die verwendete Softwareversion dokumentiert werden.
  • TeNPy: Tensor Network Python, wissenschaftliche Python-Bibliothek und Dokumentationsplattform.
    • Eine auf die Simulation stark korrelierter Quantensysteme ausgerichtete Softwarebibliothek. TeNPy stellt Implementierungen und Dokumentationen zu Matrix-Produkt-Zuständen, Matrix-Produkt-Operatoren, DMRG und Zeitentwicklungsverfahren bereit. Die Ressource eignet sich besonders für die Untersuchung eindimensionaler Spinmodelle und die praktische Bewertung von Konvergenz, Abschneidefehlern und Bond-Dimensionen. Sie kann als Grundlage für nachvollziehbare Berechnungsbeispiele und methodische Vergleiche dienen.
  • Quimb: Python-Bibliothek für Quanteninformation und Tensor-Netzwerk-Berechnungen.
    • Eine vielseitige Forschungs- und Entwicklungsplattform zur Konstruktion, Kontraktion und Optimierung von Tensor-Netzwerken. Die Bibliothek unterstützt unter anderem Matrix-Produkt-Zustände, Quanten-Vielteilchenmodelle und die klassische Simulation von Quantenschaltungen. Besonders relevant ist sie für praktische Untersuchungen zur TT-Kompression, zur Verschränkungsentwicklung und zur Effizienz unterschiedlicher Kontraktionsstrategien. Die Dokumentation bietet außerdem Beispiele zur Visualisierung und numerischen Analyse von Tensor-Netzwerken.
  • TensorLy: Tensor Learning in Python, wissenschaftliche Softwarebibliothek für Tensorzerlegungen.
    • Eine Python-Bibliothek für numerische Tensoroperationen und unterschiedliche Tensorzerlegungsverfahren. TensorLy bietet unter anderem Funktionen zur Tensor-Train-Zerlegung und zur Verarbeitung von Tensoren in komprimierter Form. Die Ressource eignet sich insbesondere für mathematische Beispiele zur TT-SVD, zur Rekonstruktion von Tensoren und zum Vergleich mit CP- und Tucker-Zerlegungen. Sie ist damit eine geeignete Ergänzung zu den stärker quantenphysikalisch ausgerichteten Bibliotheken ITensorMPS, TeNPy und Quimb.