[논문 리뷰] Computing Spectra -- On the Solvability Complexity Index Hierarchy and Towers of Algorithms

Jonathan Ben‐Artzi, Matthew J. Colbrook외 3명|arXiv (Cornell University)|2015. 08. 13.

Digital Image Processing Techniques참고 문헌 113인용 수 26

한 줄 요약

이 논문은 오랫동안 남아있던 계산 스펙트럼 문제를 해결하기 위해, 무한차원 연산자의 스펙트럼을 계산하는 데 필요한 최소한의 극한 수를 결정하는 분류 프레임워크인 Solvability Complexity Index (SCI) 계층을 도입한다. 이는 스킴링어 연산자의 유계 잠재력이 있는 경우 스펙트럼을 계산하는 데 두 개의 극한만 필요하며, 일반적인 자기수반 연산자는 세 개의 극한을 필요로 함을 증명함으로써 양자역학 및 함수해석학에서 계산 스펙트럼 이론의 명확한 알고리즘 경계를 설정한다.

ABSTRACT

This paper establishes some of the fundamental barriers in the theory of computations and finally settles the long-standing computational spectral problem. That is to determine the existence of algorithms that can compute spectra $\mathrm{sp}(A)$ of classes of bounded operators $A = \{a_{ij}\}_{i,j \in \mathbb{N}} \in \mathcal{B}(l^2(\mathbb{N}))$, given the matrix elements $\{a_{ij}\}_{i,j \in \mathbb{N}}$, that are sharp in the sense that they achieve the boundary of what a digital computer can achieve. Similarly, for a Schrödinger operator $H = -Δ+V$, determine the existence of algorithms that can compute the spectrum $\mathrm{sp}(H)$ given point samples of the potential function $V$. In order to solve these problems, we establish the Solvability Complexity Index (SCI) hierarchy and provide a collection of new algorithms that allow for problems that were previously out of reach. The SCI is the smallest number of limits needed in the computation, yielding a classification hierarchy for all types of problems in computational mathematics that determines the boundaries of what computers can achieve in scientific computing. In addition, the SCI hierarchy provides classifications of computational problems that can be used in computer-assisted proofs. The SCI hierarchy captures many key computational issues in the history of mathematics including the insolvability of the quintic, Smale's problem on the existence of iterative generally convergent algorithm for polynomial root finding, the computational spectral problem, inverse problems, optimisation etc.

연구 동기 및 목표

• 무한차원 연산자의 스펙트럼이 주어진 자료로부터 알고리즘적으로 계산될 수 있는지 여부를 규명하는 기초적인 계산 스펙트럼 문제를 해결하기 위해.
• 알고리즘에서 필요한 극한 수에 기반하여 계산 문제를 철저히 분류함으로써 Solvability Complexity Index (SCI) 계층을 수립하기 위해.
• 유계 잠재력을 가진 스킴링어 연산자의 스펙트럼을 계산하는 것이, 고전적 직관과는 달리 컴 pact 연산자의 스펙트럼을 계산하는 것보다 엄밀히 더 단순하다는 것을 보여주기 위해.
• 스펙트럼 계산의 복잡도에 대한 날카운 하한 및 상한을 제공하고, 제안된 알고리즘의 최적성을 증명하기 위해.
• 디지털 계산이 스펙트럼 이론에서 무엇을 달성할 수 있는지의 정확한 경계를 규명함으로써 수학물리학에서 컴퓨터 보조 증명을 가능하게 하기 위해.

제안 방법

• 알고리즘 근사에서 필요한 극한 수에 기반하여 수학에서의 계산 문제를 분류하는 도구로 Solvability Complexity Index (SCI) 계층을 도입한다.
• 특히 일반 유계 연산자에 대해서는 세 개의 극한, 자기수반 또는 스킴링어 유형 연산자에 대해서는 두 개의 극한을 사용하는 내재된 극한을 이용한 명시적 알고리즘을 구성하고, 진짜 스펙트럼으로 수렴함을 증명한다.
• 정보 집합 Λ(예: 행렬 원소 또는 잠재력의 점 샘플)을 사용하여 알고리즘적 접근성을 정의하고, SCI가 위상이 아니라 가용 데이터에 따라 달라진다는 것을 보여준다.
• 일반 유계 연산자의 스펙트럼을 계산할 수 있는 알고리즘은 한 개 또는 두 개의 극한으로는 존재하지 않으며, 모순과 논리 기호의 붕괴를 통해 날카운 하한을 증명한다.
• SCI 계층을 사용하여 5차 방정식의 비가역성, 스마일의 반복적 근 구하기 문제, 역문제 등을 분류하고, 이들이 계층 내에서 차지하는 위치를 보여준다.
• SCI 계층이 위상 변화(예: 연산자 노름 또는 그래프 거리)에 대해 불변임을 보이며, Baire 계층과 달리 메트릭화에 의존한다는 점에서, SCI가 위상적 구조가 아니라 알고리즘적 정보를 포착한다는 것을 보여준다.

실험 결과

연구 질문

• RQ1 l²(ℕ)에서의 일반 유계 연산자의 스펙트럼을 계산하기 위해 알고리즘이 필요한 최소한의 극한 수는 얼마인가요?
• RQ2 스킴링어 연산자 H = −Δ + V의 스펙트럼은 V의 점 샘플로부터 계산될 수 있으며, 만약 그렇다면 몇 개의 극한이 필요한가요?
• RQ3 왜 C*-대수 기법 등 한 개의 극한에 기반한 고전적 방법들은 수십 년에 걸친 노력 끝에도 여전히 일반 스펙트럼 문제를 해결하지 못했나요?
• RQ4 Solvability Complexity Index (SCI) 계층은 계산 문제를 분류하는 데 있어 Baire 계층과 어떻게 비교될 수 있나요?
• RQ5 유한차원 대각선 연산자의 스펙트럼을 계산하는 것과 컴 pact 연산자의 스펙트럼을 계산하는 것 사이에 본질적인 계산 복잡도 차이가 존재하는가요? 비록 후자는 고전적으로 해법이 알려져 있더라도 말이에요.

주요 결과

• 유계 잠재력 V를 가진 스킴링어 연산자 H = −Δ + V의 스펙트럼을 계산하는 것은 무한차원 대각선 행렬의 스펙트럼을 계산하는 것과 동일한 난이도를 가지며, 둘 다 알고리즘 계층에서 정확히 두 개의 극한을 필요로 한다.
• 일반 자기수반 연산자의 스펙트럼을 계산하는 데는 세 개의 극한이 필요하며, 이는 일반적으로 두 개의 극한으로는 문제를 해결할 수 없음을 증명한다.
• 모든 A ∈ B(l²(ℕ))에 대해 limₙ₃→∞ limₙ₂→∞ limₙ₁→∞ Γ_{n₃,n₂,n₁}(A) = sp(A)를 만족하는 알고리즘의 가족 Γ_{n₃,n₂,n₁} 이 존재하지만, 모든 이러한 연산자에 대해 두 개의 극한으로는 이를 달성할 수 없다.
• 컴 pact 연산자의 스펙트럼을 계산하는 문제는 유계 잠재력을 가진 스킴링어 연산자의 스펙트럼을 계산하는 것보다 엄밀히 더 어렵다. 비록 수십 년 전부터 알려진 방법이 있었지만 말이다.
• SCI 계층은 위상 변화(예: 연산자 노름 또는 그래프 거리)에 대해 불변이며, Baire 계층과 달리 메트릭화에 의존하므로, SCI가 위상적 구조가 아니라 알고리즘적 정보를 포착한다는 것을 보여준다.
• V ∈ BV_loc(ℝ^d)인 자기수반 스킴링어 연산자의 스펙트럼 매핑에 대한 SCI는 점 샘플이 가용할 경우 1이지만, 행렬 원소를 사용할 경우 무한이 될 수 있으며, 이는 SCI가 정보 집합 Λ에 따라 달라진다는 것을 보여준다.