密度矩阵重整化群——DMRG

        Density Matrix Renormalization Group（DMRG，密度矩阵重整化群） 是一种强有力的数值方法，用于研究低维强相互作用量子系统的基态和低激发态性质，特别是在 一维量子多体系统（1D Quantum Many-Body Systems） 中表现出极高的精度。

        DMRG 是一种变分算法，它通过保留最相关的量子态（以密度矩阵为准则）来近似处理指数级增长的希尔伯特空间维度，从而高效地逼近系统的基态。

核心思想

1. 系统划分（block decomposition）

将整个量子系统分成两部分：

• 系统块（System Block）

• 环境块（Environment Block）

然后构建所谓的“超块（Superblock）”，表示整个系统的状态。

2. 密度矩阵与截断（Density Matrix and Truncation）

• 通过将系统看作整体的一个子系统，构造该子系统的 约化密度矩阵。

• 对这个密度矩阵进行 特征值分解，只保留最大的几个本征值对应的本征态，这些代表了系统最重要的量子纠缠自由度。

• 这一步是“重整化”过程的核心——用少量自由度捕捉最相关的物理信息。

3. 迭代优化

通过 sweeping（来回扫描） 的方式，在系统的不同部分反复优化、更新截断态，不断逼近真实的基态。

---

📦 输出结果

• 基态能量（Ground state energy）

• 基态波函数（Ground state wavefunction）

• 关联函数、纠缠熵等物理量

---

🎯 应用场景

• 一维自旋链模型（如 Heisenberg、Ising）

• Hubbard 模型

• Bose-Hubbard 模型

• 有限尺寸量子体系中的临界行为分析

• 近年还扩展到了 量子化学 和 张量网络理论（如 Matrix Product States, MPS）

🔬 DMRG 与 MPS 的关系

现代视角下，DMRG 实质上可以被理解为对 矩阵乘积态（MPS） 波函数的变分优化算法。MPS 是一种紧凑表达量子态的方式，适用于具有低纠缠的系统（一维系统通常符合这一条件）。

📉 限制与挑战

• DMRG 在 二维或更高维系统 中的效果显著下降，因为高维系统的纠缠熵增长较快，需要保留更多态。

• 对于强纠缠或临界系统，计算成本可能变得较高。

• 扩展到时间演化（如 tDMRG）或有限温度也需额外技术处理。