[论文解读] Adaptive nested cross approximation of non-local operators

Ivan Oseledets, Aleksandr Mikhalev|arXiv (Cornell University)|Sep 6, 2013

Geophysics and Gravity Measurements参考文献 21被引用 6

一句话总结

本论文提出了一种自适应嵌套交叉近似方法，通过分层矩阵划分和最大体积原理选择低秩子矩阵，用于构建非局部算子的 $Θ^2$-矩阵近似。该方法避免了预先选择代理面，实现了矩阵规模的线性复杂度，且在N体问题和边界积分方程等问题中具有鲁棒性。

ABSTRACT

A new fast algebraic method for obtaining an $\mathcal{H}^2$-approximation of a matrix from its entries is presented. The main idea behind the method is based on the nested representation and the maximum-volume principle to select submatrices in low-rank matrices. A special iterative approach for the computation of so-called representor sets is established. The main advantage of the method is that it uses only the hierarchical partitioning of the matrix and does not require special proxy surfaces to be selected in advance. The numerical experiments for the N-body problem and for the boundary integral operator confirm the effectiveness and robustness of the approach. The complexity is linear in the matrix size and polynomial in the ranks. The algorithm is implemented as an open-source Python package that is available online.

研究动机与目标

• 开发一种快速、基于代数的方法，用于近似边界积分方程和N体问题中出现的稠密非局部算子。
• 消除传统分层矩阵方法中通常需要预先定义代理面的需求。
• 通过自适应采样代表性子矩阵，在保持高精度的同时实现矩阵规模的线性复杂度。
• 提供一种鲁棒且可扩展的算法，适用于广泛范围的积分算子，且无需几何假设。
• 将该方法实现为开源工具，以增强可复现性并促进社区使用。

提出的方法

• 该方法采用将矩阵分块的分层划分策略，以实现自适应的低秩近似。
• 应用最大体积原理，迭代选择最能捕捉矩阵结构的代表性子矩阵。
• 提出一种新颖的迭代算法，用于计算定义子块骨架化低秩结构的代表集。
• 该方法直接从矩阵元素构建 $Θ^2$-矩阵近似，无需额外的几何或解析输入。
• 嵌套表示通过递归地对子矩阵应用低秩近似，实现分层压缩。
• 该算法通过仅依赖矩阵划分和基于体积的采样，避免了显式构建代理面。

实验结果

研究问题

• RQ1 是否可以不依赖代理面或几何假设，构建分层矩阵近似？
• RQ2 最大体积原理如何适应在嵌套分层框架中迭代选择最优子矩阵？
• RQ3 所提方法在矩阵规模和秩方面的计算复杂度是多少？
• RQ4 该方法在N体问题和边界积分方程等实际问题中的表现如何？
• RQ5 该方法是否能在保持高精度和鲁棒性的同时实现矩阵规模的线性复杂度？

主要发现

• 该方法在矩阵规模上实现线性复杂度，且对秩的依赖为多项式形式，从而支持高效的大规模计算。
• 数值实验表明，该算法在N体问题和边界积分算子上均表现出鲁棒性和高效性。
• 该方法消除了预先定义代理面的需求，简化了实现过程并扩大了适用范围。
• 通过最大体积原理实现的最优采样，确保了高保真度的低秩近似。
• 该算法已实现为开源Python包，显著提升了研究社区的可复现性和可访问性。
• 数值结果证实，该方法在各类测试用例中均表现出稳定性与高效性，即使在病态或高秩问题中性能也无下降。