[論文レビュー] Scaling up to Multivariate Rational Function Reconstruction

Andreas Maier|arXiv (Cornell University)|Sep 13, 2024

Neural Networks and Applications被引用数 1

ひとこと要約

本論文は、複数の変数を適切なスケーリングとシフトを用いて1つの変数にマッピングすることで、ブラックボックス評価からの密な多変数有理関数の再構成にスケーラブルなアルゴリズムを提示する。この手法により、一変数有理関数再構成が効率的に行える。密な有理関数に対しては、理論的最小値に約7%しか上回らないプローブ数を達成し、FireFly や FiniteFlow よりも密なケースで優れた性能を示すが、スパースな状況では性能差が依然として存在する。

ABSTRACT

I present an algorithm for the reconstruction of multivariate rational functions from black-box probes. The arguably most important application in high-energy physics is the calculation of multi-loop and multi-leg amplitudes, where rational functions appear as coefficients in the integration-by-parts reduction to basis integrals. I show that for a dense coefficient the algorithm is nearly optimal, in the sense that the number of required probes is close to the number of unknowns. PROGRAM SUMMARY Program title: rare CPC Library link to program files:https://doi.org/10.17632/wt228b57kw.1 Developer's repository link:https://github.com/a-maier/rare. Licensing provisions: GNU General Public License 3 Programming language: Rust Supplementary material: Comparison code to other programs is available under https://github.com/a-maier/scaling-rec and uses C++, Rust, and Wolfram Mathematica. Nature of problem: Straightforward computations of scattering amplitudes in perturbative quantum field theory suffer from large intermediate expressions. Hence, state-of-the-art approaches make heavy use of multivariate rational function reconstruction from probes in fields with a finite characteristic. In this way, only numbers with a bounded size are encountered in intermediate steps. This strategy requires efficient reconstruction algorithms. Solution method: The code provides a proof-of-concept implementation of a new rational reconstruction algorithm. The algorithm is particularly efficient for dense functions, where the number of required probes is close to the number of unknown coefficients. Additional comments including restrictions and unusual features: As customary for Rust libraries, the code is not intended for stand-alone installation, but for compilation as part of a larger program, e.g. using the Cargo package manager [1]. References: The code is compared to implementations of an algorithm by Cuyt and Lee [2,3] in FireFly[4–6] and FiniteFlow[7,8].

研究の動機と目的

• フェルミオン積分の統合による部分還元において生じる多変数有理関数を再構成する課題に対処すること。
• 一変数有理関数再構成技術を複数変数にスケーリングする方法を開発し、効率性と数値的安定性を維持すること。
• 高ループ振幅計算における有理係数の再構成に必要なブラックボックス関数評価（プローブ）の数を最小限に抑えること。
• 実世界の高エネルギー物理学の例に対して、本アルゴリズムの性能を FireFly や FiniteFlow といった最先端のツールと比較して評価すること。
• スパースな状況における制限を特定し、変数マッピングとスパース再構成技術を組み合わせるための今後の方向性を示唆すること。

提案手法

• スケーリングのべき乗とシフトを慎重に選ぶことで、n 個の多変数を1つの変数にマッピングし、可逆性を保証する変換を用いる。
• 変換された1変数に対して、チールの連分数補間を用いた一変数有理関数再構成を適用する。
• プローブ評価から補助係数を再帰的に計算するアルゴリズムを用い、数値的安定性を向上させるために除法を含まないバージョンを採用する。
• マッピングが元の多変数多項式の構造を保つようにし、分子および分母の係数の正確な再構成を可能にする。
• 密な有理関数では、必要なプローブ数が未知係数の数に近づくことを利用する。
• 本手法を実際の振幅還元問題に適用し、マスイブな四ループプロパゲーターと二ループ五点振幅を含む例に適用する。

実験結果

リサーチクエスチョン

• RQ1 高エネルギー物理学の振幅計算において、一変数有理関数再構成技術を多変数有理関数に効果的にスケーリングできるか？
• RQ2 密な多変数有理関数に対して、必要なブラックボックスプローブ数は、情報理論的最小値にどの程度近づけるか？
• RQ3 実際の物理的例において、本提案スケーリングアルゴリズムは FireFly や FiniteFlow といった既存ツールと比べてどの程度プローブ効率が優れているか？
• RQ4 係数のスパarsityが、スケーリングに基づく再構成アルゴリズムの性能に与える影響は何か？
• RQ5 一変数設定において、スパース有理関数再構成技術と組み合わせることで、本アルゴリズムをさらに改善できるか？

主な発見

• 密な四ループプロパゲーターの例では、理論的最小値に比べてわずかに約7%のプローブ数が増加し、近似的に最適性を示した。
• 二ループ二光子＋ジェット振幅では、本手法が169,132プローブを要し、最適な30,490に比べて5倍以上も多く必要であり、スパースな状況での非効率性が顕在化した。
• FireFly は同じ二ループ例で163,094プローブを要し、本手法よりわずかに優れた性能を示したが、依然として最適に大きく遠ざかっていた。
• FiniteFlow は FFPolyVandermonde 法を用いて、最適に近い ≳47,381 プローブを要し、本手法および FireFly よりも著しく優れた性能を示した。
• 全体の単項式因子を除去した後も、本手法のプローブ数に変化はなく、因数分解による改善が得られなかった。これに対して FireFly はプローブ数を約20%削減できた。
• これらの結果から、本スケーリング手法は密な有理関数に対しては有効であるが、スパースな状況では大幅な改善の余地があることが示唆され、とりわけ因数分解やスパース再構成技術と組み合わせることでさらなる向上が期待できる。