张量网络算法：路线图

Sun, 05 Jul 2026 00:00:00 +0000

张量网络算法：路线图#

Mari Carmen Bañuls¹,²

¹ 马克斯·普朗克量子光学研究所，Hans-Kopfermann-Str.1，德国加兴，D-85748；邮箱：mari.banuls@mpq.mpg.de

² 慕尼黑量子科学与技术中心（MCQST），Schellingstr. 4，德国慕尼黑，D-80799

张量网络为研究复杂的经典和量子多体问题提供了极其强大的工具。过去二十年间，技术和应用的数量持续增长，尤其是最近十年，新思想和成果层出不穷，这可能会让新手感到不知所措。这篇简短的综述介绍了基本概念、最成熟的方法以及一些正在拓展张量网络潜力边界的最重要的算法发展。目标是帮助读者不仅理解张量网络提供的众多可能性，而且能够找到通过最先进的代码、其适用性以及一些正在进行的研究方向的路径。

目录#

I. 引言 1

II. 基本概念 2

A. 张量网络态 2 B. 基本原语 3 C. 经典算法 4

III. 先进 TNS 方法 6

A. 更高维度 6 B. 对称性 7 C. 费米子 8 D. 动力学 9 E. 激发态 9

IV. 进一步的 TN 方法及展望 10

A. 网络重整化方法 10 B. 与其他技术的联系 10

V. 展望 11

致谢 11

I. 引言#

数值方法是处理量子多体系统的重要工具，而大多数此类系统缺乏解析解。然而，对于这些问题，维度——以及随之而来的计算复杂度——随着系统尺寸呈指数增长。

这限制了精确数值计算的适用性，并要求开发能够有效处理至少最相关物理问题的数值方法。张量网络（TN）技术于九十年代被引入该领域，旨在满足这一需求，如今它已与精确对角化和量子蒙特卡洛方法一起，成为数值研究量子多体问题的关键工具。

张量网络在不同的学科中被独立发现。最初由 Baxter [1] 在统计物理学中揭示，在量子多体物理学领域，其渊源可以追溯到 Affleck、Kennedy、Lieb 和 Tasaki [2] 提出的第一个价键固体（VBS），作为短程自旋链的精确基态——综述和历史视角见 [3]。Klümper 等人 [4] 后来将 AKLT 提议扩展到更大的模型集合，并引入了矩阵乘积这一术语来指代这些态。Fannes、Nachtergaele 和 Werner [5] 在无限自旋链的有限关联态中对此构造进行了数学上的概括和形式化。

张量网络理论的多智能体自动形式化

Sun, 12 Jul 2026 08:00:00 +0800

张量网络理论的多智能体自动形式化#

Sirui Lu,^1, Erickson Tjoa,^1, 和 J. Ignacio Cirac^1,马克斯·普朗克量子光学研究所（Max-Planck-Institut für Quantenoptik）, 汉斯-科普费尔曼大街1号, D-85748 加兴, 德国慕尼黑量子科学与技术中心（Munich Center for Quantum Science and Technology (MCQST)）, 谢林大街4号, D-80799 慕尼黑, 德国^∗

我们构建了一个由专门的大语言模型智能体组成的团队，并提出了一种用于理论物理学研究级形式化的智能体驱动工作流，以矩阵乘积态基本定理的自动形式化作为演示。这些智能体通过结构化的数学蓝图和定期的人工审查进行协调，自主地策划并执行了完整的形式化过程。对于某些陈述，智能体能够探索出标准文献中不包含的新证明路径。在此过程中，智能体生成了大量以前在Mathlib（Lean的数学库）中不可用的张量网络和量子信息库。作为一个物理应用，该形式化也扩展到了一维对称保护拓扑相。我们发现大规模自动形式化的主要瓶颈在于强制数学意图的一致性，并对整个过程及其涉及的各种微妙之处进行了详细研究。我们将代码库以库名TNLean发布，同时附上一份包含12章的形式化工作蓝图。

引言。—证明辅助器是检查数学论证每一步逻辑正确性的软件系统。它们已验证了从四色定理[1]到开普勒猜想[2]的结果，而现在AI系统能够自动为许多数学目标找到Lean 4的证明[3–7]。然而，大多数自动化目标仍然是竞赛问题或孤立的引理，数学领域的研究级和教科书级形式化工作正在开始增加[8, 9]。研究级的理论物理学提出了不同的挑战：由于数学物理之外的物理学结果通常不像纯数学那样遵循相同的数学严谨性[10]，形式化需要将非形式化的部分填补为严谨的、Lean可检查的陈述。

迄今为止，大规模的形式化工作主要是由人类主导的，例如液态张量实验和费马大定理等项目的完成需要专家团队花费数月甚至数年时间[11–14]。AI系统已经开始减轻这一负担，从竞赛式证明[4, 15, 16]到自动形式化、局部证明辅助和短推理链[17–19]；最近，AI系统Gauss[8, 20]生成了一份蓝图引导下的强素数定理形式化。在物理学中，PhysLib提供了早期的Lean基础设施[21]，而在量子信息学中，广义量子Stein引理[22–25]已通过人类主导的努力部分形式化[26, 27]。这些进展促成了我们在此探讨的问题：一个智能体驱动系统能在理论物理学的研究级形式化中走多远？

在这项工作中，我们构建并应用了一个智能体驱动的工作流，其中一组专门的AI智能体（具有不同角色和工具的语言模型程序）通过一个共享的数学“蓝图”和不定时的人类监督进行协调，通过Lean 4证明辅助器自主地形式化了矩阵乘积态基本定理（FT-MPS）[28–30]。选择FT-MPS是因为它是张量网络理论[30]的核心结果之一，位于量子多体物理、量子信息学和凝聚态物理的交汇处。因此，这项任务要求我们开发一个远超FT-MPS本身的库。据我们所知，我们的工作是首个将多智能体协调、持久记忆和蓝图引导规划相结合，用于数学物理研究级定理的自主形式化。作为副产品，我们生成了一份关于这12个章节的150页形式化蓝图[31, 32]（一种人类可读的、与Lean代码关联的证明翻译），开发了几个与量子信息理论相邻的库，并将该基本定理应用于物理相关的问题，例如一维对称保护拓扑相的分类[33–36]。该代码库以Lean 4库TNLean的形式发布[37]。

⚠ 上次翻译有以下问题，正在修正：

1处裸代码行（需要```python围栏）
可能遗漏了约15个长英文词（>8个字符，可能未翻译完整段落）
可能漏译约20个块：§附录F：计算成本, §1. 智能体 leanOrchestrator：任务分解与调度, §委派

我们的工作表明，在研究级的理论物理领域，自主形式化的核心挑战已不再仅仅是单个引理的证明，还包括对大型论证的忠实管理：将一个已发表的证明分解为数百个形式化步骤，决定在何处偏离文献的路径，并追踪跨越量子力学、算子代数和谱理论的依赖关系。特别地，大语言模型有限的上下文窗口（模型一次性可以处理的固定文本量）以及智能体遵循指令的可靠性，限制了目前基于大语言模型的形式化所能达到的规模。我们通过编排、蓝图、自动审查和定期的人工审查来应对这些约束，如图1所示。

基本定理及其形式化。——一个平移不变的矩阵乘积态（下文简称为MPS）是一维链上的一族量子态[38]，由一个秩-3张量A参数化，其中 $\begin{array} {r} {A = \sum_{i = 0}^{d - 1} A^{i} \left| i \right.} \end{array}$ 且对于每个 $i = 0 , 1 , \ldots , d - 1$，有 $A^{i} \in M_{D} ( \mathbb{C} )$ 。这里 d 是局域希尔伯特空间维度，D 是键维度。周期边界条件下N个格点上的MPS表示为

张量网络 on Yuunagi Library

张量网络算法：路线图

张量网络算法：路线图#

目录#

I. 引言#

张量网络理论的多智能体自动形式化

张量网络理论的多智能体自动形式化#