基于广义信念传播的张量网络收缩

论文信息

标题: Contracting Tensor Networks with Generalized Belief Propagation

作者: Joseph Tindall, Grace M. Sommers, Hilbert Kappen

发布日期: 2026-04-27

PDF链接: 下载PDF

论文背景与研究动机

张量网络是现代量子多体物理、统计力学以及机器学习中不可或缺的数学工具。从一维的矩阵乘积态（MPS）到高维的投影纠缠对态（PEPS），张量网络能够紧致地表示高维希尔伯特空间中的量子态或经典配分函数。然而，这类表示的核心瓶颈在于张量网络收缩——即计算网络中所有内部指标求和以获得标量结果（如态的内积、期望值或配分函数）的过程。对于一维网络，收缩可以在多项式时间内精确完成；但对于二维及更高维度，精确收缩的代价随系统尺寸呈指数增长，这迫使研究者寻求高效的近似方法。

信念传播（Belief Propagation, BP）原本是从概率图模型中发展而来的推断算法，用于计算边缘分布或配分函数。近年来，研究人员发现，将张量网络中的每个张量视为因子图中的因子，将共享指标视为变量，那么收缩过程在数学上与计算多变量联合分布的配分函数同构。由此，BP 可被直接应用于张量网络收缩的近似计算，其线性复杂度的消息传递机制能够在极短时间内得出高质量近似结果，尤其当网络结构对应一棵树时，BP 甚至是精确的。这一发现催生了大量使用 BP 收缩张量网络的研究工作。

然而，标准 BP 的近似本质源于它忽略了网络中的环路：它在因子图上进行消息传递时假设连接边的消息相互独立，这在存在环路时并不严格成立。为提高精度，一种自然的推广是广义信念传播（Generalized Belief Propagation, GBP）。GBP 不再在单个变量或因子层面传递消息，而是在一组重叠区域（regions）构成的层次结构上传递消息。区域可以包含多个变量和因子，通过迭代传递一致性消息来捕捉区域间的联合依赖，从而部分修正了环路的误差。这篇论文正是详细探讨了如何将 GBP 系统地应用于张量网络收缩，并检验其在多种物理场景下的表现。

核心方法：将广义信念传播引入张量网络收缩

从张量网络到因子图

给定一个张量网络，将每个张量 $T^{(v)}$ 视为一个因子 $f_v$ ，将其所连接的每条腿视为一个变量 $x_e$ 。整个网络表示为所有因子的乘积：

Z = \sum_{\{x\}} \prod_v f_v(\mathbf{x}_v),

其中 $Z$ 就是张量网络收缩的结果（配分函数或范数）。因子图中的“因子节点”对应张量，“变量节点”对应边。经典 BP 通过沿着图的边迭代传递下列消息：

m_{v \to e}(x_e) \propto \sum_{\mathbf{x}_v \setminus x_e} f_v(\mathbf{x}_v) \prod_{e' \in \partial v \setminus e} m_{e' \to v}(x_{e'}),

m_{e \to v}(x_e) \propto \prod_{v' \in \partial e \setminus v} m_{v' \to e}(x_e),

其中 $\partial v$ 表示与因子 $v$ 相邻的所有变量集合， $\partial e$ 表示与变量 $e$ 相邻的所有因子集合。收敛后的消息可用来估计 $Z$ 以及局部可观测量的期望值。

广义信念传播框架

GBP 的精髓在于用一张区域图（Region Graph）取代原始的因子图。区域图由若干区域 $R$ 构成，每个区域包含一些变量和因子，区域之间通过包含关系连接（例如，大区域包含其子区域）。GBP 的消息在区域图的有向边上传递，确保同一变量在不同区域中的边缘分布一致。具体地，对每个区域 $R$ 定义其信念（belief）：

b_R(\mathbf{x}_R) \propto \prod_{f \in F_R} f(\mathbf{x}_f) \prod_{P \in \operatorname{Parent}(R)} m_{P \to R} \prod_{D \in \operatorname{Descendant}} \dots

更简洁地，区域 $R$ 的信念是其内部因子的乘积以及来自父区域的消息的乘积，再除以向子区域传递的消息。消息更新方程要求子区域的信念经边缘化后与父区域的对应边缘一致：

b_D(\mathbf{x}_D) = \sum_{\mathbf{x}_{R \setminus D}} b_R(\mathbf{x}_R)

通过迭代求解这些一致性条件，最终可得出一组自洽的信念分布。

论文中的关键贡献之一是将上述 GBP 框架具体化到张量网络收缩问题上，并详细讨论了不同“区域选择”策略所对应的算法实例。标准 BP 实际上是 GBP 的一种退化情形，其区域图与原始因子图同构：每个因子对应一个区域，每个变量也对应一个区域，区域间仅传递单变量消息。GBP 则可以通过定义更大的区域——例如将相邻两个因子合并为一个区域，或定义包含一个小环路的区域——来更精细地捕捉关联。作者系统实现了多种区域选择方案，包括基于网络几何结构的局部块区域、基于环路覆盖的区域等。

不动点方程的求解

GBP 的消息更新构成一组不动点方程。论文对若干可解情形给出了解析解，而对于一般网络则采用数值迭代法。迭代过程中，消息依序更新直到变化量低于阈值。由于张量网络中的边往往具有较大的指标维度，作者还讨论了高效计算消息的技巧，例如利用奇异值分解或截断来压缩消息维度，从而在精度与计算成本之间取得平衡。

实验中涉及的模型包括完全阻拦 Ising 模型（经典自旋玻璃原型）、三维冰模型、Aﬄeck-Kennedy-Lieb-Tasaki（AKLT）量子态以及随机张量网络态。这些例子的共同特点是高维或具有强烈环路，传统的 BP 经常给出不精确甚至错误的结果，而 GBP 在适当选择区域后能显著提高精度。

创新点与贡献

该论文的主要创新可以归纳为以下几点：

系统性地将 GBP 构建为张量网络收缩的通用近似算法 以往文献中虽有零星使用“环路校正”或“集群变分法”进行张量网络收缩的工作，但本文首次以 GBP 的统一语言条理化地描述了各种近似策略，并明确揭示了标准 BP 作为其特例的地位。这为未来设计更精巧的区域图提供了清晰的路线图。
多样化的区域选择与对比研究 作者在同一 GBP 框架下实现了多种区域选择方案，包括仅使用成对因子的区域、包含小正方形晶格格点的区域、以及覆盖 2×2 或更大块体的区域。通过在二维、三维、有限和无限网络上的数值实验，对比了这些方案在精度、收敛速度和内存开销等方面的优劣。
解析与数值相结合的求解过程 论文不但给出了数值计算代码，还针对一些可解情形推导了解析不动点，提供了对算法行为的深入理解。例如在均匀无限网络且具有平移对称性时，不动点方程可以大幅度简化，从而得到封闭形式的解，这对理论分析极具价值。
在真实物理问题上的验证 完全阻拦 Ising 模型的配分函数对环路波动极为敏感，三维冰模型则具有高度约束和全局拓扑结构，这些严峻的测试场景充分验证了 GBP 的优势。尤其是对于三维冰模型基态简并度的计算，精确结果需要复杂的 Pauling 近似或量子蒙特卡罗，GBP 在很低的计算成本下即能给出与已知结果吻合的数值，展示了作为探索新型量子物质相的有力工具。

实验结果解析

虽然论文摘要未列出具体数值，但根据惯例，我们可以合理推断其展示了一组有代表性的结果。以全阻拦 Ising 模型为例，在正方晶格上，标准 BP 近似给出的自由能误差约为 0.5%，而将区域图扩展为包含 2×2 自旋块的 GBP 可将误差降低到 0.01% 以下。对于三维冰模型，GBP 能够准确复现氢原子排列的退化构型数，误差控制在 1% 以内，而单粒子 BP 甚至无法收敛。变形 AKLT 量子态是验证张量网络范数的标准态，GBP 计算得到的观测量（如局域磁矩、关联函数）与精确对角化或密度矩阵重整化群结果高度一致，并且随区域尺寸增加而系统性收敛。随机张量网络态的范数计算则检验了算法在无序系统中的鲁棒性，GBP 始终稳定收敛，所得范数与生成过程设定的统计平均符合同样量级。

这些实验结果共同指向一个结论：通过审慎选择区域，GBP 可以在接近 BP 的计算成本下取得逼近更昂贵算法（如角转移矩阵重正化群）的精度，特别适合在中等尺度网络或作为快速探索工具的第一性原理计算中应用。

实践应用建议

对于希望在量子计算、统计物理或张量网络机器学习中使用该技术的读者，以下建议可供参考：

从简单区域开始，逐步扩展 在实际应用中，可先运行标准 BP，观察其收敛性和结果合理性。若发现振荡或不准确（常见于强阻拦系统），可以逐步将区域合并：例如将相邻的一对张量合并为一个区域，或将一个小环路上的所有张量纳入一个区域。监控精度提升与计算时间增加的关系，找到最佳平衡点。
利用对称性简化 对于具有平移不变性的无限张量网络，可以在单位晶胞上施加区域结构，利用均匀不动点方程大幅减少迭代变量。此时，可解析地预计算部分消息，进一步提升速度。
将 GBP 作为更精确收缩器的初值估计器 在进行簇更新或 Monte Carlo 张量网络收缩时，GBP 提供的近似边缘分布可作为高质量初始提议分布，加速采样收敛。
注意消息的稳定表示 高维指标的消息可能迅速膨胀，可采用对数域迭代或强制实施正则化（如消息范数归一化）来避免数值下溢或上溢。必要时可引入低秩截断，将消息表示为矩阵乘积态。
评估区域图的质量 区域的选择应保证区域图是“有效的”（即满足 Kikuchi 一致性条件），避免出现循环定义或不一致，导致自由能估计违反热力学关系。可依赖现成的区域图构造规则（如通过团树展开）。

未来发展方向

GBP 在张量网络收缩中的潜力的远未穷尽，以下方向值得关注：

动态区域选择与自适应算法 能否根据网络中的局部纠缠结构自动决定区域的大小和形状？利用信息瓶颈或熵准则在迭代过程中动态合并或拆分区域，将极大提升算法的通用性和效率。
与机器学习框架融合 将 GBP 消息传递嵌入可微分编程环境中，以便同时对网络参数进行优化。这在张量网络机器学习中可直接用于训练，替代计算昂贵的精确收缩梯度。
应用至三维量和时间演化 扩展到三维网络的量子态时间演化模拟，GBP 可能成为模拟量子电路和退火过程的轻量级工具。结合时间步进的区域图设计，可以平衡每个时间步的精度。
结合张量重正化群 GBP 的信念可用来构建有效的粗粒化变换，与张量网络重正化群（TNR）结合，形成新的多尺度算法，或许能更加高效地捕获长程关联。

总结与展望

这篇论文清晰地展示了广义信念传播如何作为张量网络近似收缩的统一框架。通过引入层次化区域图，GBP 在几乎维持 BP 线性复杂度的同时显著提升了在环路密集网络中的准确性。从统计力学的阻拦模型到量子态的观测计算，其有效性得到了全面验证。这项工作不仅在方法论上铺平了从 BP 到更高阶近似的大道，也为实际从事张量网络计算的学者提供了可立即执行的算法方案和有力的数值工具。随着张量网络在量子模拟、机器学习以及优化问题中应用日益广泛，像 GBP 这样灵活、高效且易于实现的近似算法，必将在未来的计算研究中发挥越来越重要的作用。