DMRG 的起源
從數值計算的角度來看，量子多體物理主要的困難之處就在於系統的希爾伯特空間維度隨著系統的尺寸呈指數成長，例如，一個由N個自旋1/2的粒子所組成的一維晶格系統其希爾伯特空間維度大小為 2^N。 傳統的解決方法有兩種：
基於Lanczos算法的精確對角化法，只求出系統的低能狀態。這種方法只能處理很小的系統。基於數值重整化群（Numerical Renormalization Group，簡稱NRG）的重整化方法，可以計算很大的系統。重整化的一般思想是：減少系統的自由度，並在這個縮減的空間中，通過特定的重整化技巧，在疊代過程中保持系統的自由度數不變，並使約化系統最終收斂到真正系統的低能態中。然而，NRG一般只適用在雜質系統中，當演算一般的格點系統，如赫巴德模型（Hubbard model）時，往往出現很大的誤差。 史提芬˙懷特最先意識到，NRG在演算Hubbard模型中的失敗，是由於在NRG的疊代過程中忽略了環境對系統的影響，這是一個邊界條件問題。換句話說，NRG的重整化方法——只保留低能量本徵態——並不能正確得出下一次疊代時的低能狀態。
DMRG的重整化方法不同於NRG。DMRG在重整化前，把整個系統視為兩個部分，一部份為系統，一部份為環境，而系統和環境的整體稱為超塊。接著，計算超塊的基態，有了基態之後便計算約化密度矩陣，然後對角化這個約化密度矩陣，選出擁有較大的本徵值的本徵態。這些擁有較大的本徵值的本徵態正是基態性質最重要的態，然後根據此標準對系統部份做重整化。
[編輯]實行DMRG的技巧
實際實行DMRG是一個很冗長的工作，一些主要常用的計算手段如下：
為了得到超塊的基態，通常利用Lanczos 算法或Jacobi-Davidson 算法來對角化超塊的哈密頓算符。另一個選擇是Arnoldi 方法，特別是在處理非厄米矩陣。一般的情況下，Lanczos 算法需要一個初始的隨機向量。通過若干次疊代後，該向量收斂到基態。這說明算法的計算速度跟向量疊代到基態的次數有關。顯然，如果能找出一個跟基態非常接近的向量做初始的隨機向量，Lanczos 算法的效率必然大大提高。史提芬˙懷特在西元1996年提出：透過波函式轉換可將目前這次計算得到的基態，作為下一次Lanczos 算法的初始向量。[2] 如此一來便加速對角化超塊的哈密頓算符所花的時間。 Lanczos 算法中需要做被對角化矩陣和向量的乘積計算。該被對角化的矩陣往往非常大，直接列出該矩陣和做矩陣向量乘積會嚴重降低Lanczos 算法效率。當該被對角化矩陣可以拆分為幾個小矩陣的直積之和時（DMRG所計算的格點系統往往有這種性質），可以無需直接寫出該矩陣而完成整個Lanczos 算法。[3] 在有對稱性的系統中有一些守恆的量子數，例如海森堡模型中的總自旋及其z軸份量。若是已知基態的量子數則可針對系統的希爾伯特空間特定的量子數的子空間進行對角化。 如缺少上述的一些計算手段，DMRG可能難以完成對實際物理模型的演算。
[編輯]套用
DMRG 已經成功的在許多不同的一維模型上計算低能態的一些性質，如易辛模型，海森保模型等自旋模型，費米子系統如 Hubbard 模型 ，雜質系統如近藤效應，玻色子系統，混合玻色子與費米子的系統。隨著現代電腦硬體技術的進步，DMRG套用在二維系統上可行性愈來愈高，目前一般的作法是將二維系統視為一個多腿的梯子，再將梯子的長度拉長。2009年發表在《Physical Review B》的一篇文章中，利用 DMRG 探討二維三角晶格中玻色子的超固相，就是 DMRG 套用在二維晶格系統上的一個很好的例子，其中作者使用周期邊界條件，每個晶格點上保留兩個狀態（即所謂硬核），每個區塊最高保留 m=4096 個狀態，得到截斷誤差小於 10-5，系統大小最高到達 9 x 18。另一個例子同樣是2009年發表在《Physical Review B》的另一篇文章[5]，利用 DMRG 探討二維 t-t'-J 模形中條紋相與電子配對，其中作者運用一邊周期邊界條件，另一邊開放邊界條件，每個區塊最高保留 m=6000 個狀態來完成所須計算，系統大小最高到達 12 x 8。
