[论文解读] A Modified Abramov-Petkovsek Reduction and Creative Telescoping for Hypergeometric Terms

Shaoshi Chen, Hui Huang+2 more|arXiv (Cornell University)|Jan 19, 2015

Polynomial and algebraic computation参考文献 21被引用 6

一句话总结

本文提出了一种改进的 Abramov-Petkovšek 约化方法，该方法在不求解辅助线性差分方程的前提下，将超几何项分解为可求和部分与不可求和部分，从而实现了针对二元超几何项的更高效第四代创造性微分 telescoping 算法。该方法避免了证书的计算，与现有方法相比，显著减少了运行时间和内存使用量，同时实现了最小阶数的 telescoper。

ABSTRACT

The Abramov-Petkovsek reduction computes an additive decomposition of a hypergeometric term, which extends the functionality of the Gosper algorithm for indefinite hypergeometric summation. We modify the Abramov-Petkovsek reduction so as to decompose a hypergeometric term as the sum of a summable term and a non-summable one. The outputs of the Abramov-Petkovsek reduction and our modified version share the same required properties. The modified reduction does not solve any auxiliary linear difference equation explicitly. It is also more efficient than the original reduction according to computational experiments. Based on this reduction, we design a new algorithm to compute minimal telescopers for bivariate hypergeometric terms. The new algorithm can avoid the costly computation of certificates.

研究动机与目标

• 开发一种针对超几何项的更高效且实用的 Abramov-Petkovšek 约化变体。
• 通过将 telescoper 计算与证书计算分离，实现第四代创造性微分 telescoping。
• 避免显式求解辅助线性差分方程，从而提升计算效率。
• 设计一种新算法，用于在不计算证书的前提下，为二元超几何项计算最小阶数的 telescoper。
• 通过实验表明，新方法在运行时间和内存使用方面优于现有实现。

提出的方法

• 该改进约化方法基于基于平移约化有理函数的精细标准型，将超几何项分解为可求和部分与不可求和部分。
• 该算法对变换项 $\sigma_x^i(T)$ 迭代应用改进约化，将其模可求和项的理想进行约化。
• 通过计算约化商 $q_i$ 之间的线性相关性，确定 telescoper 系数 $\ell_i$。
• 该方法避免了在传统方法中计算 $uH$ 中的证书 $u$，后者在传统方法中计算成本较高。
• 该算法利用平移约化有理函数和核计算，确保在进行线性组合时具有良好的标准型行为。
• Maple 中的实现利用符号计算高效处理有理函数和移位算子。

实验结果

研究问题

• RQ1 能否对 Abramov-Petkovšek 约化进行改进，使其在不求解辅助线性差分方程的前提下仍保持正确性？
• RQ2 能否在不计算证书的前提下，为离散情形构建第四代创造性微分 telescoping 算法？
• RQ3 该改进约化是否能显著加快对二元超几何项的最小阶数 telescoper 的计算？
• RQ4 该改进约化所产生的标准型是否能高效支持线性相关性检测？
• RQ5 新算法的性能与 Zeilberger 算法和原始 Abramov-Petkovšek 约化等经典方法相比如何？

主要发现

• 改进的 Abramov-Petkovšek 约化在不求解辅助线性差分方程的前提下，实现了可求和部分与不可求和部分的分解。
• 对于不可求和项 $T$，改进版本（MAP）相比原始版本（AP）显著更快，对于大输入（如 $\lambda=10, \mu=30$）的运行时间最高可提升 50 倍（例如 316.51s 对比 15.73s）。
• 对于可求和项 $\sigma_y(T) - T$，MAP 版本将运行时间从 4.41s 降低至 2.29s（在 $(0,0)$ 情况下），在其他情况下最多减少 80%。
• 新算法（RCT 2）仅计算 telescoper 而不计算证书，使得 $n=2, m=0, \alpha=2, \lambda=5, \mu=10$ 的运行时间从 53.15s 降低至 4.93s。
• 在二元情形下，新方法计算出的 telescoper 阶数与已知结果一致（例如阶数 4、6、7），但计算时间大幅减少。
• 实验结果表明，新方法在各种输入类型和规模下，始终比 Zeilberger 算法和经典 Abramov-Petkovšek 约化更快。