精品文档---下载后可任意编辑三维 Potts 模型的张量重正化群讨论的开题报告一、选题背景与意义：三维 Potts 模型是一个描述相变现象的重要模型，在统计物理、材料科学、计算机科学等领域有广泛应用
其中最为经典的是二维 Potts 模型，在二维 Potts 模型中有着深刻的丰富的相变现象，例如三态相变，与经典伊辛模型不同之处在于后者仅有两种状态
三维 Potts 模型中也存在着类似的相变现象，可观察到三态相变
三维 Potts 模型不仅在统计物理学中有重要的应用，还可以在实际材料的讨论中作为模型系统进行讨论
张量重正化群（Tensor Renormalization Group, TRG）是由Guifre Vidal 在 2024 年提出的新型重正化群算法，主要应用于杂质点模型，其相对其他常见的重正化群算法具有明显的优势
文献中已经有了二维 Potts 模型的张量重正化群的讨论，而关于三维 Potts 模型的张量重正化群的讨论多数依赖于数值模拟实验结果，并没有严格的证明
因此，讨论三维 Potts 模型的张量重正化群具有重要的意义
二、主要内容：本文计划通过深化学习三维 Potts 模型、张量网络和张量重正化群等知识，讨论三维 Potts 模型的张量重正化群算法，并探讨该算法的可行性和精度
主要内容包括：1、三维 Potts 模型的基本概念和数学表示方法
2、张量网络的基础知识，包括张量的表示方法，缩并运算和张量网络的图表示等
3、张量重正化群算法的基本原理和具体实现方法，以二维 Potts 模型的张量重正化群为例，对该算法进行详细介绍
4、基于三维 Potts 模型，推广张量重正化群算法
首先，介绍三维Potts 模型的相变现象和重要的物理量；然后，根据二维 Potts 模型的做法，通过构造张量网络的初始状态，并根据张量重正化群算法将其进行缩减，得到系统的新的表示形式
