传统CFT教学遵循高能物理范式:QFT → 对称性 → CFT。这对没有QFT基础的团队过于陡峭。
本讨论班采用理论计算双轨制,应用CFT于凝聚态/统计物理,结合半Bottom up和Top-down的方式: 从格点模型(Ising, XXZ, 自由费米子)→ 临界现象(Scale Invariance)→ CFT作为普适类描述,在尽量知道公式和原理所从来的基础上,学会应用和计算。哪怕最后结束没follow上推导,至少也要学会图像和计算。
- 量子多体背景:熟悉纠缠熵(Cardy公式)、配分函数、Transfer Matrix、能谱
- 张量网络背景:熟悉MPS/PEPS、iTEBD、固定点张量(Fixed Point Tensors)
- "劣势"转化:不熟悉QFT意味着没有路径依赖,可以直接建立"格点-CFT"的直接对应
关键在于利用现有优势作为跳板,而非弥补QFT的"不足"。对于熟悉纠缠熵的人来说,Virasoro代数只是全息纠缠熵的生成元;对于熟悉张量网络的人来说,CFT就是RG流的固定点。从这个角度切入,CFT会变得更具体、更有计算性。
- "无推导焦虑"规则:参与者不需要理解每一步推导,但必须能解释最终结果的物理意义
- " host model"义务:每周指定一人准备5分钟的"物理栖居地"介绍,将该周数学与具体格点模型联系
- 代码分享:鼓励使用GitHub共享Mini-project代码,形成可复现的"数值CFT工具包"
通过这个讨论班,参与者将能够:
- 理解CFT语言:能够阅读使用CFT描述的拓扑序/多体物理论文(如anyon凝聚、拓扑相变)
- 进行数值CFT分析:掌握从格点模型提取中心荷、标度维数、OPE系数的实用技能
- 建立张量网络-CFT联系:理解为什么张量网络的固定点"就是"CFT,并能进行基础计算
- 完成一个可展示的项目:拥有一个完整的"格点模型 → CFT数据"分析案例,可作为未来研究的模板
方案:工具箱模式(Toolbox Approach)
- 不设专门的QFT预备周。将必要的QFT概念拆解为10-15分钟的"微讲座",嵌入到每周内容中,并直接与统计力学类比:
-
关键桥梁:强调Transfer Matrix哈密顿量与CFT哈密顿量(Virasoro算符
$L_0 + \bar{L}_0$ )的对应关系。这是你们最熟悉的语言。 - 核心替代字典:
| CFT/场论语言 | 统计力学/多体语言 | 出现时机 |
|---|---|---|
| 真空态 |
基态 / 配分函数归一化 | Week 2 |
| 路径积分 | 配分函数 |
Week 2 |
| 插入算符 |
关联函数 |
Week 2 |
| 正规序 |
Wick定理(减真空涨落) | Week 3 |
| 能动量张量 |
Hamiltonian密度 |
Week 3 |
| 径向量子化 | Transfer Matrix本征值问题 | Week 2 |
| 散射振幅 | 线性响应理论 | 略去不讲 |
方案:双轨制 + 物理栖居地(Physical Habitat)
双轨制日程(每周2小时):
- 1.5h(理论轨):聚焦核心概念和关键结果,跳过技术性证明(如所有关于 descendents 的详细计算、复杂的共形块推导、Kac行列式的详细计算)
- 0.5h(应用轨):阅读具体论文/数值实践,将当周公式与可计算的量关联,Zou论文对应算法实现 + 具体数值计算
物理栖居地策略: 每章指定一个"宿主模型",所有抽象概念都先在Transverse Field Ising Model (TFIM)中具象化,Week 5后引入O'Brien-Fendley (OF) 模型(三临界Ising)作为第二例子
方案:贯穿式 Mini-Project + 两篇论文精读
Mini-Project 选项(从Week 3开始,持续7周):
在10周内,从TFIM的格点哈密顿量出发,完整提取Ising CFT (
论文精读安排(拟):
-
Week 4-5:精读 "Extraction of conformal data in critical quantum spin chains using the Koo-Saleur formula" (arXiv:1706.01436)
- 目的:理解如何从格点能谱
${E_n}$ 提取$c$ 和$\Delta$ ,建立第5-6章与数值实验的联系
- 目的:理解如何从格点能谱
-
Week 8-9:精读 "Precision reconstruction of rational CFT from exact fixed point tensor network" (arXiv:2311.18005)
- 目的:理解张量网络的固定点与CFT数据的对应,特别是第11章(有限尺寸)和第12章(缺陷)在张量网络中的体现