[論文レビュー] Quantics Tensor Cross Interpolation for High-Resolution, Parsimonious Representations of Multivariate Functions in Physics and Beyond

Marc K. Ritter, Yuriel Núñez Fernández+4 more|arXiv (Cornell University)|Mar 21, 2023

Computational Physics and Python Applications被引用数 4

ひとこと要約

本稿では、多変数関数の定量的表現とテンソルクロス補間を組み合わせることで、高解像度かつ低メモリな表現を実現するQuantics Tensor Cross Interpolation (QTCI) を提案する。この手法により、1コアで4×10⁵サンプル、20秒の計算時間で、最大結合次元D_max = 50で相対誤差許容誤差10⁻¹⁰を達成し、Haldaneモデルにおけるチャーン数といった複雑な物理的量の計算が効率的に行える。

ABSTRACT

Multivariate functions of continuous variables arise in countless branches of science. Numerical computations with such functions typically involve a compromise between two contrary desiderata: accurate resolution of the functional dependence, versus parsimonious memory usage. Recently, two promising strategies have emerged for satisfying both requirements: (i) The quantics representation, which expresses functions as multi-index tensors, with each index representing one bit of a binary encoding of one of the variables; and (ii) tensor cross interpolation (TCI), which, if applicable, yields parsimonious interpolations for multi-index tensors. Here, we present a strategy, quantics TCI (QTCI), which combines the advantages of both schemes. We illustrate its potential with an application from condensed matter physics: the computation of Brillouin zone integrals.

研究の動機と目的

• 多変数関数の数値計算における高解像度表現とメモリ効率の両立という課題に対処すること。
• スケール分離構造を有する関数の低ランクテンソルトレイン（TT）表現を構築する実用的でスケーラブルな手法を開発すること。
• 高次元関数空間における積分、フーリエ変換、トポロジカルインバリアントの効率的計算を可能にすること。
• Haldaneモデルにおけるチャーン数の計算という物理的に関連性のある問題に、本手法の有効性を示すこと。
• 物理学にとどまらず、階層的またはマルチスケール構造を有する関数に適用可能なフレームワークを確立すること。

提案手法

• 定量的表現では、各変数をRビットで符号化し、連続変数をL = nRインデックスを持つ多変数テンソルに変換することで、2進ビット分解を用いて指数的解像度を実現する。
• 定量的テンソルにテンソルクロス補間（TCI）を適用し、計算コストがL = nRに線形に依存する低ランクテンソルトレイン（QTT）近似を構築する。これにより、高価なSVDを回避できる。
• 定量的グリッドの階層的構造を活用し、ピークや特異点などの変動が大きい領域に焦点を当てて関数値を適応的にサンプリングする。
• QTCIが構築されると、O(L)のコストで積分、畳み込み、フーリエ変換の超高速アルゴリズムが可能となり、標準的なFFTよりもはるかに低いコストで実行できる。
• 複数スケールにわたる解像度を維持するため、統合された定量的表現を用いることで、バンドギャップなどの重要な特徴付近での細かいサンプリングを保証する。
• アルゴリズムはJuliaのITensors.jlを用いて実装され、誤差許容誤差と収束基準に従って適応的サンプリングが行われる。

実験結果

リサーチクエスチョン

• RQ1 定量的表現とテンソルクロス補間（QTCI）を組み合わせることで、最小限のメモリ使用量で多変数関数のマルチスケール構造を効率的に捉えられるか？
• RQ2 QTCIは、ピークや不連続性といった鋭い特徴を有する高次元関数において、標準的なサンプリングやSVDベースの手法をどの程度上回るか？
• RQ3 QTCIは、微細な運動量空間構造を有する強相関系におけるトポロジカルインバリアント（例：チャーン数）をどの程度正確に計算できるか？
• RQ4 与えられた精度を達成するためにQTCIが必要な最小サンプル数は何か？また、解像度Rに伴ってどのようにスケーリングされるか？
• RQ5 多変数関数が低ランクQTT表現を有する条件は何か？そして、その条件を効率的に検出する方法は何か？

主な発見

• QTCIは、1コアのApple M1プロセッサで4×10⁵サンプル、20秒の計算時間で、期待値-1からの相対誤差が10⁻⁶未満のHaldaneモデルのチャーン数を計算した。
• QTT近似における最大結合次元D_max = 50で、相対許容誤差ε = 10⁻¹⁰を達成し、高い精度と圧縮性能を示した。
• R = 20の場合、ベリー曲率のピークがδₘ = 10⁻⁵のオーダーの幅で解像された。これは、メッシュ間隔2⁻²⁰が十分に細かく、適切に解像されたことを確認した。
• Rを小さくした場合（例：R = 10–14）、メッシュが粗くなり、δₘ = 0における鋭い遷移の代わりに誤った平板状の挙動（-1/2）が現れた。これは解像度の重要性を強調した。
• ランダムサンプリングでは鋭い構造を捉えられず、アウトオブサンプル誤差がインサムプル誤差よりも大きくなったが、QTCIはそれらを効果的に同定・解像した。
• QTCIは、直接和算に必要な2²⁰ ≈ 10¹²回の関数評価を4×10⁵回にまで削減し、指数的効率の向上を示した。