[論文レビュー] Riemannian gradient descent for Hartree-Fock theory

Evgueni Dinvay|arXiv (Cornell University)|Mar 16, 2026

Stochastic Gradient Optimization Techniques被引用数 0

ひとこと要約

この論文は Sobolev空間 H^1 上の Hartree-Fock 理論のリーマン幾何最適化フレームワークを構築し、勾配、射影、リトラクションをStiefel/Grassmann多様体上で導出し、ランダム初期値からの小分子に対する DIIS との競合的収束を示す。

ABSTRACT

We present a Riemannian optimization framework for Hartree-Fock theory formulated directly in the Sobolev space $H^1$. The orthonormality constraints are interpreted geometrically via infinite-dimensional Stiefel and Grassmann manifolds endowed with the embedded $H^1$ metric. Explicit expressions for Euclidean and Riemannian gradients, tangent-space projections, and retractions are derived using resolvent operators, avoiding distributional formulations. The resulting algorithms include Riemannian steepest descent and a preconditioned nonlinear conjugate gradient method equipped with Armijo backtracking and Powell-type restarts. Particular attention is given to physically motivated preconditioning based on inversion of the kinetic energy operator. The framework is naturally compatible with adaptive multiwavelet discretizations, where Coulomb-type convolutions can be evaluated efficiently. Numerical experiments demonstrate robust convergence and competitive performance compared to conventional SCF-DIIS schemes. In addition, for small molecules the gradient descent method converges from random initial guesses. The proposed formulation provides a geometrically consistent and discretization-independent perspective on electronic structure optimization and offers a foundation for further developments in infinite-dimensional Riemannian methods for quantum chemistry.

研究の動機と目的

• Sobolev空間 H^1 での正規正交性制約を持つ Hartree-Fock 軌道最適化問題を定式化する。
• 制約表面をリーマン多様体（Stiefel/Grassmann）として埋め込み、勾配とリトラクションを導出する。
• リーマン勾配降下法と前条件付き非線形共役勾配法を開発・解析する。
• 物理的に motivated な前処理とマルチウェーブレット離散化を組み込み、計算を効率化する。
• 小分子に対してランダム初期値からの堅牢な収束を示し、DIIS と比較する。

提案手法

• エネルギー汎関数の微分可能性を確保するため、H^1 埋め込み Stiefel 多様体上で軌道を表現する。
• ユークリッド勾配 ∇E(φ) を計算し、リーマン勾配 grad E(φ) を得る（式 2.7 および 2.8）。
• L^2-Sobolev 制約面に留まるための一階リトラクション Rφ を定義する（式 2.9）。
• ヤコビアンを用いないリーマン勾配降下法を定式化し、適応的 Armijo 反復探索を採用する（アルゴリズム 2.10 は アルゴリズム 1 のバックトラックを含む）。
• SCF 前処理を模倣する kinetic エネルギー演算子の逆を用いた前処理を導入する（式 (1.8) および関連セクションの議論）。
• 適応的なマルチウェーブレット離散化を用いて効率的なクーロン型畳み込みと離散化非依存性を実現する。

Figure 1 . Convergence of the Riemannian steepest gradient descent for H 2 Hartree-Fock model starting from a random Gaussian superposition. DIIS oscillates and converges in twice as many iterations.

実験結果

リサーチクエスチョン

• RQ1 H^1 上のリーマン最適化フレームワークは Hartree-Fock に対して標準的な SCF/DIIS 法の堅牢な代替となり得るか？
• RQ2 この無限次元設定でユークリッド勾配とリーマン勾配はどう異なり、実務でどのように効率的に計算・利用できるか？
• RQ3 小分子に対するリーマン勾配降下法と前処理付き共役勾配法は DIIS と比較してどう性能か？
• RQ4 シンプルな系（例：H2）からのランダム初期値での勾配降下法収束が得られ、マルチウェーブレットのようなより複雑な離散化にも拡張できるか？
• RQ5 実践的には適応離散化とクーロン型畳み込みをどのように統合するか？

主な発見

• H2 へのランダム初期値からのリーマン勾配降下フレームワークは約 10–15 イテレーション程度で堅牢に収束する（報告例）。
• 勾配ノルムが単調に 0 へ減少し、信頼できる降下挙動を示す。
• 前処置なしの単純なリーマン勾配降下法は、DIIS の発散を示す H2 テストにおいて DIIS よりも優れている可能性がある。
• 適応的マルチウェーブレット離散化と相性が良く、クーロン型畳み込みを効率化できる。
• この方法は離散化に依存しない、幾何学的一貫性を持つ電子構造最適化の見解を提供し、強相関や対称性破れのケースでの頑健性の利点がある（背景として言及）。
• この研究は有限次元離散化を超えた無限次元リーマン幾何法の量子化学への収束性と実用性を示している。

Figure 2 . Convergence of the Riemannian conjugate gradient descent on the Stiefel manifold for Hartree-Fock model starting from a random Gaussian superposition.