[论文解读] A Fast Hierarchically Preconditioned Eigensolver Based On Multiresolution Matrix Decomposition

Thomas Y. Hou, De Huang+2 more|arXiv (Cornell University)|Apr 10, 2018

Electromagnetic Scattering and Analysis参考文献 11被引用 3

一句话总结

该论文提出了一种快速、分层预处理的特征值求解器，利用多分辨率矩阵分解（MMD）高效计算稀疏对称正定矩阵的大量最小特征对。通过将MMD与隐式重启Lanczos方法（IRLM）结合，采用谱保持预处理器，将计算复杂度从 O(m_tar·κ(A)·nnz(A)·log(1/ε)) 降低至 O(m_tar·nnz(A)·(log(1/ε)+log n)^C)，显著提升了病态和大规模问题上的性能。

ABSTRACT

In this paper we propose a new iterative method to hierarchically compute a relatively large number of leftmost eigenpairs of a sparse symmetric positive matrix under the multiresolution operator compression framework. We exploit the well-conditioned property of every decomposition components by integrating the multiresolution framework into the Implicitly restarted Lanczos method. We achieve this combination by proposing an extension-refinement iterative scheme, in which the intrinsic idea is to decompose the target spectrum into several segments such that the corresponding eigenproblem in each segment is well-conditioned. Theoretical analysis and numerical illustration are also reported to illustrate the efficiency and effectiveness of this algorithm.

研究动机与目标

• 开发一种高效的迭代方法，用于计算稀疏对称正定（SPD）矩阵的大量最小特征对。
• 通过将多分辨率算子压缩框架与隐式重启Lanczos方法（IRLM）结合，提升IRLM的性能。
• 为共轭梯度法设计一种谱保持预处理器，确保在多分辨率各层次上保持良好的条件数子问题。
• 将IRLM的计算复杂度从对矩阵条件数κ(A)的依赖降低为对n的多对数依赖，从而实现在病态问题上的可扩展性。
• 通过理论分析和在图划分与电子结构预测等实际应用中的数值实验，验证该算法的效率与精度。

提出的方法

• 该方法采用多分辨率矩阵分解（MMD）将矩阵A的逆在层次结构上分解为投影算子之和与余项，实现递归谱压缩。
• 引入一种扩展-精化迭代方案，将目标谱分割为条件良好的子问题，每个子问题独立使用预处理共轭梯度（PCG）方法求解。
• 通过利用MMD的内在结构，构建一种新型谱保持预处理器用于PCG，确保每一层的残差谱均保持狭窄且条件良好。
• 通过使用在层次结构上局部化且自适应精化的基函数，将MMD框架集成到IRLM中，保持跨尺度的谱特性。
• 通过利用指数衰减特性，独立且高效地求解基函数的局部子问题，实现无需依赖的并行计算。
• 采用递归能量分解框架压缩矩阵逆，实现在无需完整矩阵求逆的情况下快速准确地逼近特征对。

实验结果

研究问题

• RQ1 多分辨率矩阵分解能否有效集成到隐式重启Lanczos方法中，以加速最小特征对的收敛？
• RQ2 基于MMD的谱保持预处理器是否能显著降低子问题的条件数，并提升共轭梯度法的收敛速度？
• RQ3 所提出的分层框架能否实现与矩阵条件数κ(A)无关的计算复杂度，特别是在病态稀疏SPD矩阵上？
• RQ4 计算得到的特征对在图划分和电子结构预测等应用中，其谱特性是否得到良好保持？
• RQ5 从MMD框架导出的局部化基函数在多大程度上反映了算子的内在结构？能否实现高效并行计算？

主要发现

• 所提算法将计算m_tar个最小特征对的计算复杂度从 O(m_tar·κ(A)·nnz(A)·log(1/ε)) 降低至 O(m_tar·nnz(A)·(log(1/ε)+log n)^C)，其中C为与m_tar、nnz(A)和κ(A)无关的小常数。
• 谱保持预处理器在Lanczos过程中维持了狭窄的残差谱，显著加速了各层共轭梯度求解器的收敛。
• 在图拉普拉斯矩阵（如bunny和brain数据集）上的数值实验表明，压缩算子生成的特征向量与原始矩阵产生的图划分结果几乎完全一致，验证了谱保真度。
• 从MMD框架导出的局部化基函数（如ψ_cm、ψ_o）在不同构造方法下表现出相似的形态，表明存在由算子内在驱动的局域化机制。
• 由于指数衰减和局部支撑特性，该算法实现了高效、无需依赖的并行计算基函数，显著降低了全局计算成本。
• 该方法在大规模病态问题上实现了高精度与可扩展性，在运行时间上优于经典IRLM，同时保持了谱精度。