[논문 리뷰] Riemannian gradient descent for Hartree-Fock theory

Evgueni Dinvay|arXiv (Cornell University)|2026. 03. 16.

Stochastic Gradient Optimization Techniques인용 수 0

한 줄 요약

본 논문은 Sobolev 공간 H^1에서 Hartree-Fock 이론에 대한 Riemannian 최적화 프레임워크를 개발하고, Stiefel/Grassmann 다양체에서 기울도(gradient), 투영, 재트랙션(retractions)을 도출하며, 무작위 초기 추정값을 가진 소분자에서 DIIS와의 경쟁적 수렴을 보인다.

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.

연구 동기 및 목표

• Sobolev 공간 H^1에서 직교성 제약을 갖는 Hartree-Fock 궤도 최적화 문제를 형식화한다.
• 제약 표면을 Riemannian 다양체(Stiefel/Grassmann)로 내장(임베딩)하고 기울도와 재트랙션을 도출한다.
• Riemannian 급강하 최적화와 preconditioned 비선형 공액 그래디언트 방법을 개발하고 분석한다.
• 물리적으로 동기를 부여한 전처리와 다중웨이브렛 이산화를 도입하여 계산 효율을 높인다.
• 소분자에 대해 무작위 초기 추정값에서 강인한 수렴을 보이고 DIIS와 비교한다.

제안 방법

• 에너지 함수의 미분가능성을 보장하기 위해 H^1-내재 Stiefel 다양체에서 궤도를 표현한다.
• 유클리드 기울기 ∇E(φ)를 계산하고 이를 투영하여 Riemannian 기울기 grad E(φ)를 얻는다(식 2.7 및 2.8).
• L^2-Sobolev 제약 표면 위에 머물기 위한 1차 재트랙션 Rφ를 정의한다(식 2.9).
• Jacobian-프리(Jacobian-free)인 Riemannian 급강하를 공식화하고 적응형 Armijo 백트래킹 선 탐색을 사용한다(알고리즘 2.10은 알고리즘 1의 백트래킹과 함께).
• 운동 에너지 연산자의 역수에 기초한 전처리(preconditioning)를 도입하여 SCF 전처리와 유사하게 한다((1.8) 및 관련 섹션 논의).
• 효율적인 Coulomb-type 합성곱과 이산화 독립성을 위해 적응형 다중웨이브렛 이산화를 활용한다.

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.

실험 결과

연구 질문

• RQ1 H^1에서의 Riemannian 최적화 프레임워크가 Hartree-Fock에 대한 표준 SCF/DIIS 방법에 대해 강건한 대안을 제공할 수 있는가?
• RQ2 이 무한 차원 설정에서 유클리드 기울기와 Riemannian 기울기가 어떻게 다른지, 그리고 이를 실무에서 어떻게 효율적으로 계산하고 사용할 수 있는가?
• RQ3 소분자에서 DIIS와 비교했을 때 Riemannian 급강하 및 전처리된 共그래디언트 방법의 성능은 어떠한가?
• RQ4 간단한 시스템(예: H2)에 대해 무작위 초기 추정값에서 그래디언트 하강 스킴의 수렴이 가능하며 다중웨이브렛과 같은 더 복잡한 이산화로 확장될 수 있는가?
• RQ5 실제로 적응적 이산화와 Coulomb-type 합성곱과 어떻게 프레임워크가 통합되는가?

주요 결과

• 보고된 예에서 H2에 대해 무작위 초기 추정값으로 약 10~15회의 반복 내에 강건하게 수렴하는 Riemannian gradient descent 프레임워크.
• 기울기 노름이 단조롭게 0으로 감소하여 안정적인 하강 동작을 나타낸다.
• 제시된 H2 테스트에서 간단한 비전처리된 Riemannian gradient descent가 DIIS의 진동을 보이는 경우 DIIS보다 우수하게 작동한다.
• 이 접근법은 적응형 다중웨이브렛 이산화와 호환되어 Coulomb-type 합성곱을 효율적으로 가능하게 한다.
• 이 방법은 이산화에 의존하지 않는 기하학적으로 일관된 전자구조 최적화 관점을 제공하며, 강하게 상관되거나 대칭 파괴 경우에서 잠재적 강건성 이점을 가진다(맥락으로 인용).
• 본 연구는 무한 차원 Riemannian 방법의 수렴성과 실용적 타당성을 유한 차원 이산화를 넘어 양자 화학에 대해 시연한다.

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