[论文解读] Efficient computation of multidimensional theta functions

Jörg Frauendiener, Carine Jaber+1 more|arXiv (Cornell University)|Jan 25, 2017

Advanced Algebra and Geometry参考文献 24被引用 4

一句话总结

本文提出了一种改进的算法，通过用精确的闵可夫斯基约化（Minkowski reduction）替代低秩（genus ≤ 5）下的近似LLL格约化，以及用精确最短向量问题（SVP）解法替代高秩（genus > 5）下的LLL约化，从而高效计算多维theta函数。该方法确保由黎曼矩阵虚部生成的格中，最短向量长度超过√3/2，与基于LLL的方法相比，显著加快了theta级数的收敛速度。

ABSTRACT

An important step in the efficient computation of multi-dimensional theta functions is the construction of appropriate symplectic transformations for a given Riemann matrix assuring a rapid convergence of the theta series. An algorithm is presented to approximately map the Riemann matrix to the Siegel fundamental domain. The shortest vector of the lattice generated by the Riemann matrix is identified exactly, and the algorithm ensures that its length is larger than $\sqrt{3}/2$. The approach is based on a previous algorithm by Deconinck et al. using the LLL algorithm for lattice reductions. Here, the LLL algorithm is replaced by exact Minkowski reductions for small genus and an exact identification of the shortest lattice vector for larger values of the genus.

研究动机与目标

• 通过利用辛变换优化黎曼矩阵，提升多维theta函数级数的收敛速度。
• 解决LLL算法在近似最短向量时的局限性，该局限性可能导致过早收敛和精度损失。
• 用精确格约化技术替代Siegel算法中基于LLL的方法，以提升数值稳定性和精度。
• 通过确保theta级数快速收敛，实现对可积偏微分方程（如KdV和NLS）中theta函数的高效数值求值。

提出的方法

• 对亏格g ≤ 5的情况，用精确闵可夫斯基约化替代LLL算法，以精确识别格中最短向量。
• 对亏格g > 5的情况，采用精确最短向量问题（SVP）解法，避免LLL在高维下指数增长的误差。
• 应用辛变换将黎曼矩阵映射至Siegel基本域，确保最短向量长度超过√3/2。
• 利用辛变换通过最大化格向量的最小平方范数，加速theta级数的收敛。
• 在每次迭代中实现Siegel算法的改进版本，结合精确SVP以逐步将黎曼矩阵优化至基本域。
• 通过在亏格3和亏格16曲线上的数值基准测试，验证性能，比较LLL与精确SVP方法的表现。

实验结果

研究问题

• RQ1 精确格约化技术是否能在加速多维theta级数收敛方面超越LLL算法？
• RQ2 格约化方法的选择如何影响高亏格黎曼曲面上theta函数求值的精度与效率？
• RQ3 与近似方法相比，精确SVP与闵可夫斯基约化在多大程度上提升了theta函数的收敛性？
• RQ4 基于精确最短向量识别的辛变换是否能可靠地将黎曼矩阵映射至Siegel基本域？

主要发现

• 对于亏格3曲线，基于精确SVP的算法得到的最短向量平方长度为0.4437，显著高于LLL方法的0.3314，最终矩阵分量B11 = 0.4748 + 0.8956i。
• 精确SVP方法耗时14次迭代，而LLL仅需3次，但其生成的最短向量长度接近LLL近似结果的两倍。
• LLL方法低估了最短向量长度，存在过早截断和theta函数近似精度下降的风险。
• 精确SVP方法确保最短向量长度超过√3/2 ≈ 0.866，满足理论最优收敛条件。
• 在亏格16情况下，精确SVP方法生成的最短向量显著长于LLL方法，证实其具有更优的收敛潜力。
• 尽管每次迭代的计算时间增加了4–5倍，但与theta函数求值中收敛速度的提升相比，精确SVP方法的计算开销仍可忽略不计。