[논문 리뷰] Scaling up to Multivariate Rational Function Reconstruction

Andreas Maier|arXiv (Cornell University)|2024. 09. 13.

Neural Networks and Applications인용 수 1

한 줄 요약

이 논문은 전략적 스케일링과 시프트를 통해 다변수를 단일 변수로 매핑하여 블랙박스 평가로부터 조밀한 다변수 유리 함수를 재구성하는 확장 가능한 알고리즘을 제시한다. 이를 통해 단일 변수 유리 함수 재구성 기법을 효율적으로 적용할 수 있다. 이 방법은 조밀한 유리 함수의 경우 이론적 최소값에 비해 약 7% 높은 프로브 수를 기록하며, 기존 도구인 FireFly와 FiniteFlow에 비해 조밀한 경우에서 더 뛰어난 성능을 보이며, 희소한 경우에서는 여전히 성능 격차가 존재한다.

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].

연구 동기 및 목표

• 피네만 적분의 통합-적분-환원에서 나타나는 계수로서의 다변수 유리 함수 재구성 문제를 해결한다.
• 일변수 유리 함수 재구성 기법을 다변수로 확장하면서도 효율성과 수치적 안정성을 유지하는 방법을 개발한다.
• 고루프 진폭 계산에서 유리 계수를 재구성하기 위해 필요한 블랙박스 함수 평가 수(프로브 수)를 최소화한다.
• 실제 고에너지 물리학 사례에 대해 알고리즘의 성능을 평가하고, FireFly와 FiniteFlow와 같은 최첨단 도구와 비교한다.
• 희소한 경우의 한계를 규명하고, 변수 매핑과 희소 재구성 기법을 조합하는 향후 방향을 제안한다.

제안 방법

• 다변수를 단일 변수로 매핑하기 위해 적절히 선택된 스케일링 거듭제곱과 이동을 사용한 변환을 적용하여 가역성을 보장한다.
• 변환된 단일 변수에 대해 티올의 연속 분수 보간을 통한 일변수 유리 함수 재구성을 적용한다.
• 프로브 평가로부터 보조 계수를 재귀적으로 계산하는 알고리즘을 사용하며, 수치적 안정성을 향상시키기 위해 나눗셈을 포함하지 않는 변형을 도입한다.
• 매핑이 원래 다변수 다항식의 구조를 유지하도록 보장하여 분자 및 분모 계수의 정확한 재구성을 가능하게 한다.
• 조밀한 유리 함수의 경우, 필요한 프로브 수가 알려지지 않은 계수의 수에 가까워진다는 사실을 활용한다.
• 실제 진폭 환원 문제에 이 방법을 적용하였으며, 이는 거대한 4루프 보존자와 2루프 5점 진폭을 포함한다.

실험 결과

연구 질문

• RQ1 고에너지 물리학 진폭 계산에서 일변수 유리 함수 재구성 기법을 다변수 유리 함수로 효과적으로 확장할 수 있는가?
• RQ2 조밀한 다변수 유리 함수의 경우, 필요한 블랙박스 프로브 수가 정보 이론적 최소값에 얼마나 가까이 도달할 수 있는가?
• RQ3 실제 물리적 사례에서 제안된 스케일링 알고리즘이 FireFly와 FiniteFlow와 같은 기존 도구에 비해 프로브 효율성이 얼마나 뛰어나게 되는가?
• RQ4 계수의 희소성은 스케일링 기반 재구성 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ5 일변수 설정에서 희소 유리 함수 재구성 기법과 조합함으로써 알고리즘을 추가로 향상시킬 수 있는가?

주요 결과

• 4루프 보존자 예제에서, 알고리즘이 이론적 최소값에 비해 약 7% 높은 프로브 수만을 요구하여 near-optimality를 입증하였다.
• 2루프 디포톤 + 제트 진폭에서, 이 방법은 169,132개의 프로브가 필요했으며, 최적의 30,490개보다 5배 이상 높아 희소한 경우의 비효율성을 보였다.
• FireFly는 동일한 2루프 예제에서 163,094개의 프로브를 요구하여 제안된 방법보다 略적으로 더 좋은 성능을 보였지만, 여전히 최적에 가깝지 않았다.
• FiniteFlow는 FFPolyVandermonde 방법을 사용해 ≳47,381개의 프로브를 요구하며, 제안된 알고리즘과 FireFly보다 훨씬 더 최적에 가까운 성능을 보였다.
• 전체 단항식 인수를 제거한 후에도 제안된 방법의 프로브 수는 그대로 유지되었으며, 인수 분해로 인한 개선이 없음을 보여주었고, 이는 FireFly가 약 20%의 프로브 수 감소를 기록한 것과 대조되었다.
• 결과적으로, 스케일링 방법은 조밀한 유리 함수에 대해 효과적이지만, 특히 인수 분해나 희소 재구성 기법과 조합할 경우 향후 개선 여지가 크다는 것이 밝혀졌다.