[论文解读] Effective Stiffness: Generalizing Effective Resistance Sampling to Finite Element Matrices

Haim Avron, Sivan Toledo|arXiv (Cornell University)|Oct 20, 2011

Probabilistic and Robust Engineering Design参考文献 17被引用 9

一句话总结

本文将有效刚度引入为有效电阻的推广，以实现有限元矩阵的稀疏化，通过基于刚度概率采样$O(n\log n)$个元素，实现高质量预条件器的构建。该方法生成谱接近的稀疏矩阵，加速共轭梯度求解器，为超越对称对角占优系统的快速、通用有限元求解器奠定了基础。

ABSTRACT

We define the notion of effective stiffness and show that it can used to build sparsifiers, algorithms that sparsify linear systems arising from finite-element discretizations of PDEs. In particular, we show that sampling $O(n\log n)$ elements according to probabilities derived from effective stiffnesses yields a high quality preconditioner that can be used to solve the linear system in a small number of iterations. Effective stiffness generalizes the notion of effective resistance, a key ingredient of recent progress in developing nearly linear symmetric diagonally dominant (SDD) linear solvers. Solving finite elements problems is of considerably more interest than the solution of SDD linear systems, since the finite element method is frequently used to numerically solve PDEs arising in scientific and engineering applications. Unlike SDD systems, which are relatively easy to solve, there has been limited success in designing fast solvers for finite element systems, and previous algorithms usually target discretization of limited class of PDEs like scalar elliptic or 2D trusses. Our sparsifier is general; it applies to a wide range of finite-element discretizations. A sparsifier does not constitute a complete linear solver. To construct a solver, one needs additional components (e.g., an efficient elimination or multilevel scheme for the sparsified system). Still, sparsifiers have been a critical tools in efficient SDD solvers, and we believe that our sparsifier will become a key ingredient in future fast finite-element solvers.

研究动机与目标

• 将SDD求解器中的关键技术——有效电阻采样，推广至更复杂且常用于科学计算的有限元矩阵。
• 开发一种稀疏化方法，为来自PDE的有限元系统生成谱接近且稀疏的预条件器。
• 解决通用有限元矩阵缺乏高效求解器的问题，这些矩阵非对角占优，且难以应用先前的组合预条件方法。
• 通过将SDD求解器技术扩展至更广泛的PDE离散化，为新型快速求解器建立理论基础。

提出的方法

• 将有效刚度定义为单个单元矩阵相对于全局有效刚度矩阵的最大广义特征值。
• 使用有效刚度值作为非均匀采样概率，从有限元矩阵中选择$O(n\log n)$个元素。
• 通过这些基于刚度的概率进行有放回采样，构建稀疏化矩阵。
• 通过条件数和杠杆度量近似值的理论界，确保谱近似性。
• 利用有放回采样允许实际中不同元素数量少于$O(n\log n)$的特点，尤其在概率分布不均时。
• 将所得稀疏矩阵用作共轭梯度（CG）方法中的预条件器，实现15至30轮迭代内的快速收敛。

实验结果

研究问题

• RQ1 能否将有效电阻采样推广至非对称对角占优的有限元矩阵？
• RQ2 何种采样策略可在最小化采样元素数量的同时确保有限元矩阵的谱近似？
• RQ3 基于刚度的概率采样与均匀采样相比，在保持矩阵性质用于预条件时表现如何？
• RQ4 该稀疏化器能否作为构建完整、高效有限元求解器的基石？
• RQ5 在实际PDE离散化中，使用有效刚度采样的实际与理论局限性是什么？

主要发现

• 使用有效刚度概率采样$O(n\log n)$个元素，可生成与原矩阵谱接近的矩阵，从而实现高质量的预条件。
• 在所有测试案例中，使用采样预条件器的共轭梯度求解器均在15至30轮内收敛，表明条件数较低。
• 基于杠杆度量（由有效刚度导出）的非均匀采样至关重要——均匀采样常导致秩亏预条件器。
• 尽管理论采样规模大于元素总数，但由于概率分布不均和有放回采样，实际中仅约50%的元素为不同元素。
• 当杠杆度量高度不均时，采样中不同元素数量可低至$O(n)$，表明在实际场景中具有实际效率。
• 采样规模的理论界显得保守，因为实际收敛所用样本数少于预测值，尽管采样不足会导致秩亏。