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.     

The density matrix renormalization group for ab initio quantum chemistry

During the past 15 years, the density matrix renormalization group (DMRG) has become increasingly important for ab initio quantum chemistry. Its underlying wavefunction ansatz, the matrix product state (MPS), is a low-rank decomposition of the full configuration interaction tensor. The virtual dimension of the MPS, the rank of the decomposition, controls the size of the corner of the many-body Hilbert space that can be reached with the ansatz. This parameter can be systematically increased until numerical convergence is reached. The MPS ansatz naturally captures exponentially decaying correlation functions. Therefore DMRG works extremely well for noncritical one-dimensional systems. The active orbital spaces in quantum chemistry are however often far from one-dimensional, and relatively large virtual dimensions are required to use DMRG for ab initio quantum chemistry (QC-DMRG). The QC-DMRG algorithm, its computational cost, and its properties are discussed. Two important aspects to reduce the computational cost are given special attention: the orbital choice and ordering, and the exploitation of the symmetry group of the Hamiltonian. With these considerations, the QC-DMRG algorithm allows to find numerically exact solutions in active spaces of up to 40 electrons in 40 orbitals.     

Multireference electron correlation methods with density matrix renormalisation group reference functions

Recent advances in quantum chemical density matrix renormalisation group (DMRG) theory are presented. The DMRG, originally devised as an alternative to the exact diagonalisation in condensed matter physics, has become a powerful quantum chemical method for molecular systems that exhibit a multireference character, e.g., excited states, π-conjugated systems, transition metal complexes, and in particular for large systems by combining it with conventional multireference electron correlation methods. The capability of the current quantum chemical DMRG is demonstrated for an application involving the potential energy curve of the chromium dimer, which is one of the most demanding multireference systems and thus requires the best electronic structure treatment for non-dynamical and dynamical correlation as well as large basis sets.     

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.     

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.     

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.