ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Tensor Network Contractions: Methods and Applications to Quantum Many-Body Systems (Lecture Notes in Physics (964), Band 964)

دانلود کتاب انقباضات شبکه تنسور: روشها و کاربردها در سیستمهای بدن کوانتومی (یادداشتهای سخنرانی در فیزیک (964) ، باند 964)

Tensor Network Contractions: Methods and Applications to Quantum Many-Body Systems (Lecture Notes in Physics (964), Band 964)

مشخصات کتاب

Tensor Network Contractions: Methods and Applications to Quantum Many-Body Systems (Lecture Notes in Physics (964), Band 964)

ویرایش: 1 
نویسندگان: , , , , , ,   
سری:  
ISBN (شابک) : 3030344886, 9783030344887 
ناشر: Springer 
سال نشر: 2020 
تعداد صفحات: 160 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت

قیمت کتاب (تومان) : 53,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Tensor Network Contractions: Methods and Applications to Quantum Many-Body Systems (Lecture Notes in Physics (964), Band 964) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب انقباضات شبکه تنسور: روشها و کاربردها در سیستمهای بدن کوانتومی (یادداشتهای سخنرانی در فیزیک (964) ، باند 964) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب انقباضات شبکه تنسور: روشها و کاربردها در سیستمهای بدن کوانتومی (یادداشتهای سخنرانی در فیزیک (964) ، باند 964)



شبکه تانسور یک ابزار ریاضی اساسی با طیف وسیعی از کاربردها در فیزیک است، مانند فیزیک ماده متراکم، فیزیک آماری، فیزیک انرژی بالا و علوم اطلاعات کوانتومی. این کتاب دسترسی باز با هدف توضیح رویکردهای انقباض شبکه تانسور به روشی سیستماتیک، از تعاریف اولیه تا کاربردهای مهم است. این کتاب همچنین برای کسانی که شبکه‌های تانسور را در حوزه‌هایی فراتر از فیزیک، مانند یادگیری ماشین و تجزیه و تحلیل داده‌های بزرگ به کار می‌برند، مفید است.

 

شبکه تانسور از رویکرد گروهی بهنجارسازی مجدد عددی سرچشمه می‌گیرد. در سال 1975 توسط K. G. Wilson پیشنهاد شد. از طریق توسعه سریع در دو دهه اخیر، شبکه تانسور به یک ابزار عددی قدرتمند تبدیل شده است که می تواند به طور موثر طیف گسترده ای از مسائل علمی را با موفقیت خاصی در فیزیک چند جسمی کوانتومی شبیه سازی کند. انواع الگوریتم های شبکه تانسور برای مسائل مختلف پیشنهاد شده است. با این حال، ارتباط بین الگوریتم های مختلف به خوبی مورد بحث و بررسی قرار نگرفته است. برای پر کردن این شکاف، این کتاب مفاهیم اساسی و ایده‌های اساسی را توضیح می‌دهد که استراتژی‌های مختلف الگوریتم‌های انقباض شبکه تانسور را به هم متصل و/یا یکسان می‌کند. علاوه بر این، برخی از پیشرفت‌های اخیر در برخورد با تکنیک‌های تجزیه تانسور و شبیه‌سازی‌های کوانتومی نیز در این کتاب ارائه شده است تا به خوانندگان کمک کند تا شبکه‌های تانسور را بهتر درک کنند.

 

این دسترسی باز است. این کتاب برای دانشجویان فارغ التحصیل در نظر گرفته شده است، اما می تواند به عنوان یک کتاب حرفه ای برای محققان در زمینه های مرتبط نیز استفاده شود. برای درک بیشتر مطالب کتاب فقط به دانش اولیه مکانیک کوانتومی و جبر خطی نیاز است. برای درک کامل برخی از بخش‌های پیشرفته، خواننده باید با مفهوم فیزیک ماده متراکم و اطلاعات کوانتومی آشنا باشد، اما برای درک بخش‌های اصلی کتاب ضروری نیست. این کتاب منبع خوبی برای افراد غیرمتخصص فیزیک کوانتومی است تا الگوریتم‌های شبکه تانسور و ریاضیات مرتبط را درک کنند.


   


توضیحاتی درمورد کتاب به خارجی

Tensor network is a fundamental mathematical tool with a huge range of applications in physics, such as condensed matter physics, statistic physics, high energy physics, and quantum information sciences. This open access book aims to explain the tensor network contraction approaches in a systematic way, from the basic definitions to the important applications. This book is also useful to those who apply tensor networks in areas beyond physics, such as machine learning and the big-data analysis.

 

Tensor network originates from the numerical renormalization group approach proposed by K. G. Wilson in 1975. Through a rapid development in the last two decades, tensor network has become a powerful numerical tool that can efficiently simulate a wide range of scientific problems, with particular success in quantum many-body physics. Varieties of tensor network algorithms have been proposed for different problems. However, the connections among different algorithms are not well discussed or reviewed. To fill this gap, this book explains the fundamental concepts and basic ideas that connect and/or unify different strategies of the tensor network contraction algorithms. In addition, some of the recent progresses in dealing with tensor decomposition techniques and quantum simulations are also represented in this book to help the readers to better understand tensor network.

 

This open access book is intended for graduated students, but can also be used as a professional book for researchers in the related fields. To understand most of the contents in the book, only basic knowledge of quantum mechanics and linear algebra is required. In order to fully understand some advanced parts, the reader will need to be familiar with notion of condensed matter physics and quantum information, that however are not necessary to understand the main parts of the book. This book is a good source for non-specialists on quantum physics to understand tensor network algorithms and the related mathematics.


   



فهرست مطالب

Preface
Acknowledgements
Contents
Acronyms
1 Introduction
	1.1 Numeric Renormalization Group in One Dimension
	1.2 Tensor Network States in Two Dimensions
	1.3 Tensor Renormalization Group and Tensor Network Algorithms
	1.4 Organization of Lecture Notes
	References
2 Tensor Network: Basic Definitions and Properties
	2.1 Scalar, Vector, Matrix, and Tensor
	2.2 Tensor Network and Tensor Network States
		2.2.1 A Simple Example of Two Spins and Schmidt Decomposition
		2.2.2 Matrix Product State
		2.2.3 Affleck–Kennedy–Lieb–Tasaki State
		2.2.4 Tree Tensor Network State (TTNS) and Projected Entangled Pair State (PEPS)
		2.2.5 PEPS Can Represent Non-trivial Many-Body States: Examples
		2.2.6 Tensor Network Operators
		2.2.7 Tensor Network for Quantum Circuits
	2.3 Tensor Networks that Can Be Contracted Exactly
		2.3.1 Definition of Exactly Contractible Tensor Network States
		2.3.2 MPS Wave-Functions
		2.3.3 Tree Tensor Network Wave-Functions
		2.3.4 MERA Wave-Functions
		2.3.5 Sequentially Generated PEPS Wave-Functions
		2.3.6 Exactly Contractible Tensor Networks
	2.4 Some Discussions
		2.4.1 General Form of Tensor Network
		2.4.2 Gauge Degrees of Freedom
		2.4.3 Tensor Network and Quantum Entanglement
	References
3 Two-Dimensional Tensor Networks and Contraction Algorithms
	3.1 From Physical Problems to Two-Dimensional Tensor Networks
		3.1.1 Classical Partition Functions
		3.1.2 Quantum Observables
		3.1.3 Ground-State and Finite-Temperature Simulations
	3.2 Tensor Renormalization Group
	3.3 Corner Transfer Matrix Renormalization Group
	3.4 Time-Evolving Block Decimation: Linearized Contraction and Boundary-State Methods
	3.5 Transverse Contraction and Folding Trick
	3.6 Relations to Exactly Contractible Tensor Networks and Entanglement Renormalization
	3.7 A Shot Summary
	References
4 Tensor Network Approaches for Higher-Dimensional Quantum Lattice Models
	4.1 Variational Approaches of Projected-Entangled Pair State
	4.2 Imaginary-Time Evolution Methods
	4.3 Full, Simple, and Cluster Update Schemes
	4.4 Summary of the Tensor Network Algorithms in HigherDimensions
	References
5 Tensor Network Contraction and Multi-Linear Algebra
	5.1 A Simple Example of Solving Tensor Network Contraction by Eigenvalue Decomposition
		5.1.1 Canonicalization of Matrix Product State
		5.1.2 Canonical Form and Globally Optimal Truncations ofMPS
		5.1.3 Canonicalization Algorithm and Some Related Topics
	5.2 Super-Orthogonalization and Tucker Decomposition
		5.2.1 Super-Orthogonalization
		5.2.2 Super-Orthogonalization Algorithm
		5.2.3 Super-Orthogonalization and Dimension Reduction by Tucker Decomposition
	5.3 Zero-Loop Approximation on Regular Lattices and Rank-1 Decomposition
		5.3.1 Super-Orthogonalization Works Well for Truncating the PEPS on Regular Lattice: Some Intuitive Discussions
		5.3.2 Rank-1 Decomposition and Algorithm
		5.3.3 Rank-1 Decomposition, Super-Orthogonalization, and Zero-Loop Approximation
		5.3.4 Error of Zero-Loop Approximation and Tree-Expansion Theory Based on Rank-Decomposition
	5.4 iDMRG, iTEBD, and CTMRG Revisited by Tensor Ring Decomposition
		5.4.1 Revisiting iDMRG, iTEBD, and CTMRG: A Unified Description with Tensor Ring Decomposition
		5.4.2 Extracting the Information of Tensor Networks From Eigenvalue Equations: Two Examples
	References
6 Quantum Entanglement Simulation Inspired by Tensor Network
	6.1 Motivation and General Ideas
	6.2 Simulating One-Dimensional Quantum Lattice Models
	6.3 Simulating Higher-Dimensional Quantum Systems
	6.4 Quantum Entanglement Simulation by Tensor Network:Summary
	References
7 Summary
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی