收缩树上的边界 MPS 能否近似张量网络收缩？

边界 MPS 消息取代稠密边界张量

一般张量网络的精确收缩是 #P 难问题，一旦精确收缩超出可用资源，近似就成为必需。CT-bMPS 面向一般闭合张量网络，而不是某一种几何结构或拟设。它沿着一棵二叉收缩树（即两两张量收缩的顺序）推进，并把每个边界张量表示为虚拟键维数上界为 chi 的矩阵乘积态（MPS）。

关键的结构选择在于：无根收缩树的每条边都把网络分成两个互补部分。CT-bMPS 为其中一侧保留前向 MPS，为另一侧保留后向 MPS。两个消息配对即可恢复标量结果，而对侧消息则充当局部截断的环境。正是这一点让环境信息可以沿任意收缩树引入，而不局限于固定几何结构。

相同键维数下环境更新提升精度

普通 CT-bMPS 按全局指标顺序从右到左，一次一个格点地把两个输入 MPS 合并为一个输出 MPS。核心张量处理四种局部指标模式：只出现在第一个输入中、只出现在第二个输入中、共享且被求和、共享且作为超边保留。每次奇异值分解作用于最大为 chi 平方乘 d 乘 chi 的矩阵，耗时 O(d 平方 chi 的四次方)；对二元指标，这是 chi 平方乘 2 chi 的矩阵，代价为 O(chi 的四次方)。

环境 CT-bMPS 引入来自树边对侧的后向 MPS，并通过约化转移矩阵构造来引导截断。构建输出消息时环境保持固定，随后通过遍历整棵收缩树来更新消息。论文报告称，在相同键维数下环境更新带来显著更高的精度，代价是额外的时间和内存。优化后的收缩树与环境更新也能在不增加键维数的情况下显著提升精度。

四类基准检验通用性而非单一几何

该方法在伊辛配分函数、随机张量网络、踢动伊辛动力学和量子纠错解码上做了基准测试。这些覆盖统计力学、随机网络结构、量子线路模拟和一个解码应用，也是称 CT-bMPS 为通用方法的证据基础。

踢动伊辛基准使用 IBM 重六角线路。从 127 个量子比特的全零态出发，线路在每个时间步对重六角图的 144 条边施加横向旋转和对易的伊辛相互作用。五步示例测量一个权重为 17 的泡利串，其光锥包含 68 个量子比特；更深的示例在二十个完整步后测量 Z62，涉及全部 127 个量子比特。可观测量光锥之外的门被移除，双量子比特门被分解为两个由维数 2 的键相连的三阶张量，并通过合并 ket 与 bra 张量来折叠张量网络。

chi 等于 64 即可追踪更大键维数的参考

对二十步踢动伊辛线路，chi 等于 64 且十次扫描的环境 CT-bMPS 与混合图像参考的整体吻合程度，优于 chi 等于 1024 的 MPS 模拟和 chi 等于 512 的 MPO 模拟。论文提醒，由于这些算法细节不同，仅凭键维数并不能直接比较总计算成本。

论文自己的解释是，如此小的边界键维数可以大幅降低局部更新的算术成本。对物理维数为 4 的折叠张量网络，普通截断使用的矩阵最大为 chi 平方乘 4 chi，而环境辅助的奇异值分解作用于更小的矩阵，最大为 chi 乘 4 chi。作者认为这些局部收缩和奇异值分解是 GPU 加速的天然候选，可能降低运行时间并使更大的键维数变得可行。这是论文陈述的可能性，而不是本文已证明的加速。

解码取决于 F1 的符号而非其数值

在量子纠错应用中，逻辑类概率被写成闭合张量网络收缩。对单个逻辑比特，类 l 的未归一化概率是对与观测探测器综合征和逻辑类一致的故障求和。逻辑最大似然解码选择概率更大的类，这不同于最可能错误解码——后者选择一个相容的故障构型并返回其逻辑类。简并性很重要：许多单独看来不太可能的构型合起来可以超过包含最可能单个构型的类。

判决使用傅里叶系数 F1，即 Z0 减 Z1，当 F1 为正时判为类 0，当 F1 为负时判为类 1。精度用估计 F1 与精确 F1 之差的绝对值除以 F0 来衡量。论文强调，收缩精度与解码性能并非一一对应，因为判决只取决于 F1 的符号。只要符号保持，改善其数值并不改变判决；反过来，当近似误差的绝对值超过 F1 的大小时，符号可能反转，从而改变推断出的逻辑类。

逻辑错误率低于已发表的张量网络解码器

对 p 等于 0.009 的距离 5 表面码，探测器错误模型包含 1,679 个故障机制，在局部吸收单探测器故障后，其张量网络表示由 120 个探测器奇偶张量通过 1,607 个二元故障指标相连构成。故障指标最多可被四个张量共享，形成不规则超图而非规则晶格。每个奇偶张量都有键维数为 2 的精确 MPS 表示，因此 CT-bMPS 直接以这些奇偶 MPS 为输入，并在整个收缩过程中把中间张量保持为 MPS；而含 m 个二元指标的稠密探测器张量需要 2 的 m 次方个条目，论文称这使 HAC 等保留稠密张量的方法在此表示上代价过高。

逻辑错误率在 p 等于 0.009 下对旋转表面码的距离 3、5、7 评估，每个距离使用 d 轮综合征。距离 3 和 5 使用 chi 等于 32 的普通 CT-bMPS，距离 7 使用 chi 等于 16 且两次扫描的环境 CT-bMPS。距离 7 的张量网络形成大型不规则超图，含 336 个探测器奇偶张量和 5,833 个二元故障指标，其中 3,931 个为超边。CT-bMPS 解码器的逻辑错误率低于已发表的张量网络解码器，在距离 5 和 7 上提升明显。观测到的逻辑错误率也低于 Tesseract，但差异很小，论文把相对所测试最可能错误解码器的增益描述为温和。

同一流程可迁移到更复杂的故障超图

论文还测试了 p 等于 0.0025 的超密色码 memory-X 线路。张量网络解码在距离 3 和 5 上是精确的，距离 7 使用 chi 等于 16 且五次扫描的环境 CT-bMPS。距离 7 的张量网络包含 252 个探测器奇偶张量和 9,869 个二元故障指标，其中 9,015 个为超边。尽管它比表面码网络含更少的张量，却有更多故障指标和更高阶的超边——最多连接七个张量而非四个，因此连通性更复杂。与表面码一样，张量网络解码在每个展示距离上给出的观测逻辑错误率都略低于 Tesseract。

论文报告称，张量网络计算所需的运行时间明显长于 Tesseract。论文还指出，对踢动伊辛线路这类非均匀张量网络，几何扫描或为精确收缩 FLOPs 优化的树都不一定能给出最精确的近似；研究通过独立随机种子的模拟退火搜索生成多个候选树，并在小键维数下筛选，而为这类非均匀网络发展收缩树优化仍是未来工作。

关注 F1 的符号和收缩树而非只看 chi

本文最具决策意义的区分是：更小的键维数并不自动更差，更精确的收缩也不自动意味着更好的解码器。在踢动伊辛基准中，chi 等于 64 的环境 CT-bMPS 追踪上了使用 chi 等于 1024 和 512 的参考，但论文明确拒绝把键维数当作不同算法之间的直接成本比较。在解码中，判决阈值是 F1 的符号，因此要关注的量是近似误差是否保持在 F1 的大小之下，而不是 F1 的数值是否改善。

第二个重点是收缩树本身。论文报告称，优化后的收缩树与环境更新能在不增加键维数的情况下显著提升精度，而对非均匀网络，树的选择是通过在小键维数下筛选模拟退火候选来处理的，而非依据某个已确定的优化规则。对判断 CT-bMPS 是否适用于新的闭合张量网络的读者来说，实际问题因此是：能否找到可行的全局指标顺序和收缩树，以及是否有可用的环境扫描预算——因为环境更新以额外时间和内存为代价换取精度。

本文引用的文献