[논문 리뷰] Targeting Multiple States in the Density Matrix Renormalization Group with The Singular Value Decomposition

E. D’Azevedo, Wael Elwasif외 2명|arXiv (Cornell University)|2019. 02. 25.

Quantum and electron transport phenomena인용 수 4

한 줄 요약

이 논문은 밀도 행렬 굴곡 그룹(DMRG)에서 다중 양자 상태를 대상으로 하기 위해 특이값 분해(SVD)를 사용하는 방법을 제안하며, 계산 효율성을 향상시키고 행렬 곱 형태(MPS) 설정과 원활하게 통합할 수 있도록 한다. 밀도 행렬 구성 대신 SVD를 사용함으로써 런타임이 약 25% 감소하고, 주파수 해상도가 있는 스펙트럼 함수 계산 성능이 향상된다. 이는 GPU 가속 행렬-벡터 곱을 사용한 이중 래버의 허버드 모델 시뮬레이션을 통해 입증되었다.

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.

연구 동기 및 목표

• DMRG 알고리즘을 기저 상태 계산을 초월하여 자극 상태, 동적 반응 함수 및 유한온도 성질의 정확한 계산을 가능하게 하기 위해 확장한다.
• 다중 상태 DMRG에서 밀도 행렬 구성의 계산 블로킹 문제를 해결하기 위해 이를 특이값 분해(SVD)로 대체함으로써 문제를 해결한다.
• 비용이 많이 드는 MPS 덧셈 및 압축을 피하기 위해 행렬 곱 형태(MPS) 프레임워크 내에서 효율적인 다중 상태 타겟팅을 가능하게 한다.
• 국소 대칭성과 대칭 패치가 SVD 기반 DMRG 성능에 미치는 영향을 분석한다.
• 실제 모델, 예를 들어 두 줄의 래버에 대한 허버드 모델을 대상으로 성능을 벤치마크하여, 탈출 스펙트럼과 주파수 의존 관측량을 분석한다.

제안 방법

• 다중 many-body 파동함수의 특이값 분해(SVD)를 사용하여 기존 DMRG의 밀도 행렬 구성 방식을 대체하며, 제곱된 특이값이 감소된 밀도 행렬의 고유값에 해당한다.
• 다양한 타겟 상태(예: 기저 상태, 자극 상태, 보정 벡터)를 가중 초합성으로 포함하는 일반화된 감소된 밀도 행렬을 정의하며, 각 타겟 상태에 비영인 가중치를 할당한다.
• 초블록 파동함수의 SVD를 사용하여 직접 최적의 잘라내기 기저를 확보함으로써 전체 밀도 행렬을 구성하고 대각화할 필요 없이 처리한다.
• 국소 대칭성을 분해하여 대칭 섹터로 SVD를 나누어, 대칭 패치 처리를 통해 병렬화 및 성능 향상을 가능하게 한다.
• SVD 기반 알고리즘을 DMRG의 MPS 설정에 통합하여, 추가적인 MPS 압축 단계 없이 다중 상태를 직접 다룰 수 있도록 한다.
• 메모리 오버헤드로 인해 SVD 및 기타 연산은 CPU에서 유지하면서, 가장 비용이 많이 드는 하위 알고리즘인 행렬-벡터 곱을 GPU에 할당하여 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 DMRG 알고리즘은 기저 상태를 초월하여 다중 양자 상태를 효율적으로 타겟팅하기 위해 어떻게 확장될 수 있는가?
• RQ2 다중 상태 DMRG에서 밀도 행렬 대각화 대비 SVD를 사용할 경우 어떤 계산적 이점이 있는가?
• RQ3 국소 대칭성은 SVD 기반 다중 상태 타겟팅의 구현 및 성능에 어떤 영향을 미치는가?
• RQ4 SVD 접근법은 허버드 모델의 주파수 해상도 스펙트럼 함수 계산에서 어떤 성능 향상을 가져오는가?
• RQ5 대칭 패치와 GPU 가속을 활용하여 대규모 시뮬레이션에서 SVD 기반 방법을 효율적으로 병렬화할 수 있는가?

주요 결과

• 허버드 모델의 이중 래버에서 스펙트럼 함수를 계산할 때, 기존 DMRG 대비 SVD 기반 접근법이 총 런타임을 약 25% 감소시킨다.
• SVD 방법은 밀도 행렬을 명시적으로 구성하고 대각화할 필요 없이 빠른 수렴을 이끌어내기 때문에, 밀도 행렬 대각화 방식보다 성능이 뛰어나다.
• 32×2 래버에 대한 허버드 모델에서 최대 2000개의 유지 상태를 유지할 경우, 수렴된 스펙트럼 함수를 얻기 위해 400개의 랑츠 벡터로도 충분했다.
• 성능 벤치마크 결과, 행렬-벡터 곱의 GPU 가속으로 벽 시간이 감소했지만, SVD 계산은 총 시간의 소수점 5%에 불과하여 메모리 오버헤드로 인해 GPU에서 가속되지 않았다.
• SVD 기반 방법은 MPS 프레임워크 내에서 다중 상태 타겟팅을 직접 구현하여, MPS 덧셈 및 압축이 필요 없게 하여 알고리즘을 단순화한다.
• 유사한 계산 스케일링 이점이 유지되는 바탕으로, 상상 시간 진동을 통한 유한온도 계산과 Krylov 공간 방법을 사용한 실시간 동역학에 쉽게 확장 가능하다.