Tensor Ağları

Tensör ağları, kübit sayısı arttıkça klasik bellekte patlayan 2ⁿ tane genliği, küçük parçaların ve parçalar arası bağların ağı olarak yeniden yazma yöntemidir; kuantum simülasyonunun en güçlü klasik araçları bu fikir üstüne kuruludur. Bu derste önce neden düz bir sayı listesiyle yol yürünemeyeceğini göreceğiz, sonra tensör gösterimini, dolanıklığın ayrışmayı nasıl bozduğunu ve matris ürün durumlarının (MPS) bu duvarı hangi koşulda nasıl aştığını elle yapılabilir küçük hesaplarla öğreneceksin. Seriye sıfırdan başlamak istiyorsan Kuantum Hesaplama 101 dersi en iyi giriş noktasıdır; serinin tamamı için Kuantum Hesaplama dersleri sayfasına bakabilirsin.

Simülasyon Duvarı: n Kübit, 2ⁿ Sayı Demektir

n kübitlik genel bir kuantum durumu şöyle yazılır: ψ = Σ ψ(i₁,…,iₙ) |i₁i₂…iₙ⟩; her indeks 0 ya da 1'dir ve toplam, 2ⁿ taban durumun üzerine alınır. Normalizasyon kuralı Σ |ψ(i₁,…,iₙ)|² = 1'dir. Sorun şudur: katsayı sayısı kübit sayısıyla üstel büyür. 50 kübitlik bir durum 2⁵⁰ ≈ 1,13×10¹⁵ karmaşık sayı taşır; her sayı 16 bayt alırsa bu yaklaşık 18 petabayt bellek demektir. 300 kübitte sayı 2³⁰⁰ ≈ 2×10⁹⁰'ye ulaşır; evrendeki atom sayısından kat kat fazla.

Bu duvar donanım duvarı değil, yazım duvarıdır: doğa durumu taşıyor, biz onu kompakt yazamıyoruz. Tensör ağlarının önerisi basittir: durumu bütün bir blok olarak değil, küçük tensörlerin ağa bağlanmış biçimi olarak yaz. Eğer durum böylesine bir ağda küçük parçalarla ifade edilebiliyorsa, üstel katsayı listesine hiç gerek kalmaz.

Tensör Dili: İndeksler ve ⊗ Bileşimi

Tensör, indeksli sayı dizisidir: skaler hiç indeks taşımaz, vektör bir, matris iki indekslidir; n kübitlik durum ise n indeksli bir tensördür: ψ(i₁,…,iₙ). Kübitlerin bu dilde konuşması tesadüf değildir; durum uzayının vektör uzayı yapısı, iç çarpımı ve yakınsaklık soruları Hilbert uzayı çerçevesinde oturur. Bu altyapının matematiğini Fonksiyonel Analiz dersi ayrıntısıyla işler.

İki kübiti birleştiren işlem ⊗ (tensör çarpımı)dur: |a⟩ = a₀|0⟩ + a₁|1⟩ ile |b⟩ = b₀|0⟩ + b₁|1⟩ için (|a⟩⊗|b⟩)(i,j) = a(i)·b(j). Adım adım: |+⟩ = (|0⟩+|1⟩)/√2 alırsak her kübit için a₀ = a₁ = 1/√2 olur ve ürün katsayılarının hepsi (1/√2)·(1/√2) = 1/2 çıkar; dört katsayı, iki vektörden üretilmiştir. Depolama kazancı sade: n kübitli bir ürün durumu 2ⁿ sayıyla değil, 2n sayıyla yazılır.

Dolanıklık Ayrışmayı Neden Bozar? Küçük Bir Kanıt

Her durum böyle ayrışır mı? Dolanık duruma bakalım: (|00⟩ + |11⟩)/√2. Katsayı tablosu şudur: ψ(0,0) = 1/√2, ψ(1,1) = 1/√2, ψ(0,1) = 0, ψ(1,0) = 0. Ürün varsayalım: ψ(i,j) = a(i)·b(j). İlk boş hücre ψ(0,1) = a₀·b₁ = 0 der ki ya a₀ = 0 ya da b₁ = 0. a₀ = 0 ise ψ(0,0) = a₀·b₀ = 0 olmalıydı; oysa 1/√2. b₁ = 0 ise ψ(1,1) = a₁·b₁ = 0 olmalıydı; o da 1/√2. Her iki dal çelişir: bu tablo asla tek bir ürün olarak yazılamaz. Dolanıklık tam olarak budur; ölçüsü ve yapısı ise ayrı bir dersin konusudur: Dolanıklık Teorisi.

Tensör dili bu tabloya kesin bir tanım da verir: Schmidt (SVD) ayrışması. İki kübitli her |ψ⟩, Σₖ sₖ·|uₖ⟩⊗|vₖ⟩ biçiminde yazılabilir; sₖ ≥ 0 ve Σ sₖ² = 1'dir. Ürün durumunda yalnız bir s sıfırdan farklıdır; Bell durumunda s₁ = s₂ = 1/√2'dir ve dolanıklık entropisi −Σ sₖ²·log₂ sₖ² = 1 bit çıkar. Ağlarda tutulan s sayısına bağ boyutu denir; bu sayı aşağıda hayat kurtarır.

Matris Ürün Durumları (MPS) ve Bağ Boyutu χ

Zincir biçimli en yaygın ağ, matris ürün durumudur: katsayılar zincir boyunca dizilmiş küçük matrislerin çarpımıdır: ψ(i₁,…,iₙ) = A[1](i₁)·A[2](i₂)⋯A[n](iₙ); her A[k](i), χ×χ'lik bir matristir. χ = 1 için matrisler sayıya iner, yani ürün durumlarını verir. GHZ tipi durumlar ise χ = 2 ile yazılır: (|00⋯0⟩ + |11⋯1⟩)/√2. Depolama maliyeti kabaca 2nχ² sayıdır: 100 kübit ve χ = 10 için yalnızca yaklaşık 20.000 sayı; katsayı listesi ise 2¹⁰⁰ ≈ 1,27×10³⁰ terim tutacaktı.

Bu ayrışma neden doğada sık bulunur? Tek boyutlu, enerji boşluğu olan yerel sistemlerin taban durumlarında dolanıklık sınırlıdır (alan yasası); bu yüzden makul bir χ, taban durumunu yüksek doğrulukla taşır. Steven White'ın 1992'de önerdiği DMRG yöntemi bu ayrışmayı gizli biçimde kullanır ve yerel Hamiltonyenlerin taban durumunu bulmada standart araçtır; günümüzde düşük dolanıklıkta kalan kuantum devreleri de MPS izlemeyle klasik olarak simüle edilir. Bu fikirlerin spin sistemlerinde uygulanışını Spin Kübitler dersinde bulabilirsin.

Sınır da nettir: derin, çok dolanıklılık üreten devrelerde χ üstel büyür ve avantaj buharlaşır; MPS her devreyi verimli izleyebilseydi, arama ve çarpanlara ayırma hızlanmaları klasik düzlemde kopyalanmış olurdu. İki boyutlu sistemlerde PEPS gibi ağlara geçilir, ama genel ağın tam kontraksiyonu karmaşıklık teorisinde #P-zor sınıfındadır; kötü durumda üstel maliyet kaçınılmazdır. Pratikte χ bir doğruluk-maliyet ayarıdır: SVD ile küçük s'leri atarak kesme yapılır, atılan sₖ² toplamı kadar norm kaybı oluşur ve kontraksiyon maliyeti ~nχ³ ile büyür.

Sık Yapılan Hatalar ve Yanılgılar

• "Tensör ağı kuantum donanımıdır." Değil; tensör ağları klasik bir bilgisayarda koşan matematiksel gösterim ve simülasyon tekniğidir. Kuantum olan şey, temsil edilen durumdur.
• "Küçük χ her zaman yeter." χ, tutulan Schmidt değerlerinin sayısıdır; dolanıklığı taşımaya yetmediğinde kesme, gözlemleri bozar. Hata, atılan sₖ² toplamıyla sınırlıdır; sonucun oturduğunu görmek için χ'yı kademeli yükseltmek gerekir.
• "MPS her kuantum devresini verimli simüle eder." Hayır; derin devrelerde bağ boyutu üstel büyür. MPS, dolanıklığın alçak kaldığı rejimde (taban durumları, sığ devreler) parlak bir araçtır.
• "⊗ ile bağlanan her durum parçalara ayrılır sanmak." Tersidir: ⊗ ile kurulan durum zaten parçalıdır; ayrışamayan durum dolanıktır. Bu ikisini karıştırmak, dolanıklık hesaplarında en sık yapılan hatadır.

Özetle tensör ağları, kuantum durumunu parçalar ve bağlar diliyle yeniden yazma yöntemidir: dolanıklık azaldıkça ağ sadeleşir, üstel katsayı listesi küçük matris çarpımlarına iner. Bu gösterim, aynı ünitedeki diğer araçlarla aynı çerçevede okunur; simetrilerin durum uzayındaki rolleri için Temsil Teorisi dersine bakabilirsin. Tüm derslerin içindekiler için Konu Anlatımı sayfası hazırdır.

Kaynaklar ve İleri Okuma

Tensor network (Vikipedi) — ağ gösterimi, grafik dil ve DMRG/PEPS algoritmalarına genel bakış sunan madde.

Matrix product state (Vikipedi) — MPS'in tanımı, kanonik biçimleri ve GHZ/AKLT örneklerini içeren madde.

A Practical Introduction to Tensor Networks (R. Orús, arXiv:1306.2164) — MPS ve PEPS'i erişilebilir dille tanıtan, alandaki standart giriş yazısı.

The density-matrix renormalization group in the age of matrix product states (U. Schollwöck, arXiv:1008.3477) — DMRG'in MPS diliyle bütünleşik anlatımını veren kapsamlı inceleme makalesi.

IBM Quantum Learning — kübit, kapı ve devre kavramlarını uygulamalı öğrenmek için IBM'in resmi ders platformu.