The density-matrix renormalization group in the age of matrix product states

The density-matrix renormalization group method (DMRG) has established itself over the last decade as the leading method for the simulation of the statics and dynamics of one-dimensional strongly correlated quantum lattice systems. In the further development of the method, the realization that DMRG operates on a highly interesting class of quantum states, so-called matrix product states (MPS), has allowed a much deeper understanding of the inner structure of the DMRG method, its further potential and its limitations. In this paper, I want to give a detailed exposition of current DMRG thinking in the MPS language in order to make the advisable implementation of the family of DMRG algorithms in exclusively MPS terms transparent. I then move on to discuss some directions of potentially fruitful further algorithmic development: while DMRG is a very mature method by now, I still see potential for further improvements, as exemplified by a number of recently introduced algorithms.     

New trends in density matrix renormalization

The density matrix renormalization group (DMRG) has become a powerful numerical method that can be applied to low-dimensional strongly correlated fermionic and bosonic systems. It allows for a very precise calculation of static, dynamic and thermodynamic properties. Its field of applicability has now extended beyond condensed matter, and is successfully used in quantum chemistry, statistical mechanics, quantum information theory, and nuclear and high-energy physics as well. In this article, we briefly review the main aspects of the method and present some of the most relevant applications so as to give an overview of the scope and possibilities of DMRG. We focus on the most important extensions of the method such as the calculation of dynamical properties, the application to classical systems, finite-temperature simulations, phonons and disorder, field theory, time-dependent properties and the ab initio calculation of electronic states in molecules. The recent quantum information interpretation, the development of highly accurate time-dependent algorithms and the possibility of using the DMRG as the impurity-solver of the dynamical mean field method (DMFT) give new insights into its present and potential uses. We review the numerous very recent applications of these techniques where the DMRG has shown to be one of the most reliable and versatile methods in modern computational physics.     

Memory,Time and Technique Aspects of Density Matrix Renormalization Group Method

We present the memory size,computational time,and technique aspects of density matrix renormalization group (DMRG) algorithm.We show how to estimate the memory size and computational time before starting a large scale DMRG calculation.We propose an implementation of the Hamiltonian wavefunction multiplication and a wavefunction initialization in DMRG with block matrix data structure.One-dimensional Heisenberg model is used to illustrate our study.``     

Memory,Time and Technique Aspects of Density Matrix Renormalization Group Method

We present the memory size,computational time,and technique aspects of density matrix renormalization group (DMRG) algorithm.We show how to estimate the memory size and computational time before starting a large scale DMRG calculation.We propose an implementation of the Hamiltonian wavefunction multiplication and a wavefunction initialization in DMRG with block matrix data structure.One-dimensional Heisenberg model is used to illustrate our study.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度,在应用于二维或准二维问题时,要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略,可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分,实现了数据的分布式存储,并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例,测试了异构并行程序在不同DMRG保留状态数下的运行表现,并给出了相应的性能基准.应用于4腿梯子时,观测到了高温超导中常见的电荷密度条纹,此时保留状态数达到10⁴,使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度,在应用于二维或准二维问题时,要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略,可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分,实现了数据的分布式存储,并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例,测试了异构并行程序在不同DMRG保留状态数下的运行表现,并给出了相应的性能基准.应用于4腿梯子时,观测到了高温超导中常见的电荷密度条纹,此时保留状态数达到10⁴,使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度,在应用于二维或准二维问题时,要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略,可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分,实现了数据的分布式存储,并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例,测试了异构并行程序在不同DMRG保留状态数下的运行表现,并给出了相应的性能基准.应用于4腿梯子时,观测到了高温超导中常见的电荷密度条纹,此时保留状态数达到10⁴,使用的GPU显存小于12 GB.     

Density matrix renormalization group and reaction-diffusion processes

The density matrix renormalization group ( DMRG) is applied to some one-dimensional reaction-diffusion models in the vicinity of and at their critical point. The stochastic time evolution for these models is given in terms of a non-symmetric “quantum Hamiltonian”, which is diagonalized using the DMRG method for open chains of moderate lengths (up to about 60 sites). The numerical diagonalization methods for non-symmetric matrices are reviewed. Different choices for an appropriate density matrix in the non-symmetric DMRG are discussed. Accurate estimates of the steady-state critical points and exponents can then be found from finite-size scaling through standard finite-lattice extrapolation methods. This is exemplified by studying the leading relaxation time and the density profiles of diffusion-annihilation and of a branching-fusing model in the directed percolation universality class. Received 2 February 1999     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度,在应用于二维或准二维问题时,要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略,可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分,实现了数据的分布式存储,并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例,测试了异构并行程序在不同DMRG保留状态数下的运行表现,并给出了相应的性能基准.应用于4腿梯子时,观测到了高温超导中常见的电荷密度条纹,此时保留状态数达到10⁴,使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度,在应用于二维或准二维问题时,要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略,可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分,实现了数据的分布式存储,并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例,测试了异构并行程序在不同DMRG保留状态数下的运行表现,并给出了相应的性能基准.应用于4腿梯子时,观测到了高温超导中常见的电荷密度条纹,此时保留状态数达到10⁴,使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度,在应用于二维或准二维问题时,要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略,可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分,实现了数据的分布式存储,并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例,测试了异构并行程序在不同DMRG保留状态数下的运行表现,并给出了相应的性能基准.应用于4腿梯子时,观测到了高温超导中常见的电荷密度条纹,此时保留状态数达到10⁴,使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.     

密度矩阵重正化群的异构并行优化

密度矩阵重正化群方法（DMRG）在求解一维强关联格点模型的基态时可以获得较高的精度，在应用于二维或准二维问题时，要达到类似的精度通常需要较大的计算量与存储空间.本文提出一种新的DMRG异构并行策略，可以同时发挥计算机中央处理器（CPU）和图形处理器（GPU）的计算性能.针对最耗时的哈密顿量对角化部分，实现了数据的分布式存储，并且给出了CPU和GPU之间的负载平衡策略.以费米Hubbard模型为例，测试了异构并行程序在不同DMRG保留状态数下的运行表现，并给出了相应的性能基准.应用于4腿梯子时，观测到了高温超导中常见的电荷密度条纹，此时保留状态数达到10⁴，使用的GPU显存小于12 GB.