张量网络是量子多体物理中一种强大的数值方法，特别适用于计算量子哈密顿量的基态。本文介绍如何使用Python实现基于张量网络的基态计算，并探讨其在磁性系统（文中称为“磁顿网络”，在此指代自旋网络）中的应用。

1. 量子哈密顿量的基态计算

量子多体系统的基态性质通常通过精确对角化或近似方法获得。张量网络通过将高维量子态表示为低维张量的缩并网络，有效降低了计算复杂度。常见方法包括矩阵乘积态（MPS）和投影纠缠对态（PEPS）。

1.1 矩阵乘积态（MPS）与DMRG

一维系统中，MPS能够高效表示基态，密度矩阵重整化群（DMRG）是求解MPS基态的经典算法。Python中可使用TeNPy或quimb等库实现。

考虑一个海森堡自旋链：
H = J Σi (Si^x S{i+1}^x + Si^y S{i+1}^y + Si^z S_{i+1}^z)

使用TeNPy计算其基态能量的示例如下：

`python from tenpy.models.spins import SpinChain from tenpy.networks.mps import MPS from tenpy.algorithms import dmrg

model = SpinChain({'L': 20, 'J': 1.0, 'S': 0.5})
psi = MPS.fromproductstate(model.lat.mpssites(), ['up', 'down']*(10))
dmrg.run(psi, model)
print('基态能量:', model.HMPO.expectation_value(psi))
`

该代码构建了20个格点的自旋链，并利用DMRG优化MPS以逼近基态。

1.2 二维系统的投影纠缠对态（PEPS）

对于二维系统，PEPS是MPS的自然扩展。由于PEPS的缩并复杂度较高，通常采用近似缩并方法。Python中PEPS实现较少，但quimb库提供了基础工具。

2. 磁顿网络

磁顿网络（此处指磁性自旋网络）描述自旋间的相互作用，张量网络天然适合表示其基态与热力学性质。例如，在二维方格子上，通过PEPS计算反铁磁海森堡模型的基态，可研究磁序与纠缠 entropy。张量网络还能处理阻挫磁体等传统方法难以解决的问题。

以下是一个使用quimb库在小型自旋链上计算基态能量的简单示例：

`python import quimb as qu import quimb.tensor as qtn

N = 10 # 自旋数
builder = qtn.SpinHam1D(S=1/2)
builder += 1.0, ('Z', 'Z')
builder += 1.0, ('X', 'X')
builder += 1.0, ('Y', 'Y')
H = builder.buildmpo(N)
dmrg = qtn.DMRG2(H, bonddims=[10, 20])
dmrg.solve()
print('基态能量:', dmrg.energy)
`

该示例在自旋链上构建海森堡哈密顿量的MPO，并用DMRG求解基态能量。

3.

张量网络为量子哈密顿量的基态计算提供了可扩展的框架，特别在强关联系统中有明显优势。Python生态中TeNPy、quimb等工具降低了实现门槛。磁顿网络作为描述磁性相互作用的网络模型，可通过张量网络模拟其基态与相变，为凝聚态物理研究提供有力支持。

参考文献

1. Schollwöck, U. (2011). The density-matrix renormalization group in the age of matrix product states. Annals of Physics, 326(1), 96-192.
2. Verstraete, F., & Cirac, J. I. (2004). Renormalization algorithms for quantum-many body systems in two and higher dimensions. arXiv:cond-mat/0407066.
3. TeNPy Documentation. https://tenpy.readthedocs.io/
4. quimb Documentation. https://quimb.readthedocs.io/