[論文レビュー] Targeting Multiple States in the Density Matrix Renormalization Group with The Singular Value Decomposition

E. D’Azevedo, Wael Elwasif+2 more|arXiv (Cornell University)|Feb 25, 2019

Quantum and electron transport phenomena被引用数 4

ひとこと要約

本稿では、密度行列密度行列縮約群（DMRG）における複数量子状態のターゲティングに特異値分解（SVD）を用いる手法を提案し、計算効率を向上させるとともに、行列積状態（MPS）形式とのスムーズな統合を可能にした。密度行列の構築をSVDに置き換えることで、実行時間を約25％短縮し、周波数分解能を有するスペクトル関数の計算性能が向上した。これは、GPUアクセラレーションを用いた行列ベクトル積を伴う、2脚ラダー構造におけるハバード模型のシミュレーションで実証された。

ABSTRACT

In the Density Matrix Renormalization Group (DMRG), multiple states must be included in the density matrix when properties beyond ground state are needed, including temperature dependence, time evolution, and frequency-resolved response functions. How to include these states in the density matrix has been shown in the past. But it is advantageous to replace the density matrix by a singular value decomposition (SVD) instead, because of improved performance, and because it enables multiple targeting in the matrix product state description of the DMRG. This paper shows how to target multiple states using the SVD; it analyzes the implication of local symmetries, and discusses typical performance improvements using the example of the Hubbard model's photo-emission spectra on a ladder geometry.

研究の動機と目的

• DMRGアルゴリズムを基底状態計算にとどまらず、励起状態、動的応答関数、有限温度性質の正確な計算へと拡張すること。
• 多状態DMRGにおける密度行列構築の計算ボトルネックを解消するため、特異値分解（SVD）に置き換えること。
• 行列積状態（MPS）フレームワーク内での効率的な複数状態ターゲティングを可能にし、高価なMPSの加算および圧縮処理を回避すること。
• 局所的対称性および対称性パッチがSVDベースのDMRG性能に与える影響を分析すること。
• 実際のモデル、例えば2脚ラダー上のハバード模型に対して、本手法をベンチマークし、電子放出スペクトルおよび周波数依存観測量の計算を実施すること。

提案手法

• 多体波動関数の特異値分解（SVD）を用いて、従来の密度行列構築を置き換え、その二乗特異値が縮約密度行列の固有値に対応するようにする。
• 重み付き重ね合わせを用いて、複数のターゲット状態（例えば基底状態、励起状態、補正ベクトル）を含む一般化された縮約密度行列を定義し、各ターゲット状態に非ゼロの重みを割り当てる。
• スーパーブロック波動関数のSVDを用いて、直接的に最適な切断基底を取得し、全密度行列を構築して対角化する必要を回避する。
• SVDを対称性セクターに分解することで局所的対称性を統合し、対称性パッチ処理による並列化と性能向上を実現する。
• SVDベースのアルゴリズムをDMRGのMPS形式に統合し、追加のMPS圧縮ステップを必要とせず、複数状態を直接操作可能にする。
• 最も計算コストの高いサブアルゴリズム（行列ベクトル積）をGPUにオフロードすることでパフォーマンス最適化を図り、SVDおよびその他の処理はメモリオーバーヘッドのためCPUで実行する。

実験結果

リサーチクエスチョン

• RQ1 DMRGアルゴリズムは、基底状態を越えて複数の量子状態を効率的にターゲティングする方法としてどのように拡張可能か？
• RQ2 多状態DMRGにおいて、密度行列対角化の代わりにSVDを用いることで得られる計算上の利点は何か？
• RQ3 局所的対称性は、SVDベースの多状態ターゲティングの実装およびパフォーマンスにどのように影響を与えるか？
• RQ4 ハバード模型の周波数分解能を有するスペクトル関数を計算する際、SVDアプローチによって得られるパフォーマンス向上は何か？
• RQ5 大規模シミュレーションにおいて、対称性パッチとGPUアクセラレーションを用いて、SVDベースの手法を効率的に並列化可能か？

主な発見

• ハバード模型の2脚ラダーにおけるスペクトル関数計算において、SVDベースの手法は従来のDMRGと比較して合計実行時間を約25％短縮した。
• SVD手法は、密度行列を明示的に構築して対角化する必要を排除することで、収束が速くなるという点で、密度行列対角化を上回る性能を示した。
• 32×2のラダー構造、最大2000個の保持状態を想定した場合、400個のランチョスベクトルで十分に収束したスペクトル関数が得られた。
• パフォーマンスベンチマークの結果、行列ベクトル積のGPUアクセラレーションによりウォールタイムが短縮されたが、SVD計算自体は合計時間のわずか5％に留まり、メモリオーバーヘッドのためGPUで加速されていない。
• SVDベースの手法により、MPSフレームワーク内での直接的な複数状態ターゲティングが可能になり、MPS加算および圧縮の必要がなくなり、アルゴリズムの簡素化が達成された。
• 同様の計算スケーリングの利点を有するため、虚時間発展演算を用いた有限温度計算や、クリロフ部分空間法を用いた実時間ダイナミクスへの容易な拡張が可能である。