[论文解读] Chain complex reduction via fast digraph traversal

Leon Lampret|arXiv (Cornell University)|Mar 2, 2019

Topological and Geometric Data Analysis参考文献 73被引用 4

一句话总结

该论文提出了一种新颖的算法，通过快速有向图遍历对链复形进行约化，利用代数莫尔斯理论避免昂贵的矩阵运算。通过在二分有向图表示上计算无环匹配，该方法显著减少了填充项和内存使用量，实现了高效的同调计算——即使对于高达 500 万 × 500 万的稀疏矩阵——同时保持同伦类型，并返回显式的同调生成元和诱导映射。

ABSTRACT

Reducing a chain complex (whilst preserving its homotopy-type) using algebraic Morse theory gives the same end-result as Gaussian elimination, but AMT does it only on certain rows/columns and with several pivots (in all matrices simultaneously). Crucially, instead of doing costly row/column operations on a sparse matrix, it computes traversals of a bipartite digraph. This significantly reduces the running time and memory load (smaller fill-in and coefficient growth of the matrices). However, computing with AMT requires the construction of a valid set of pivots (called a Morse matching). We discover a family of Morse matchings on any chain complex of free modules of finite rank. We show that every acyclic matching is a subset of some member of our family, so all maximal Morse matchings are of this type. Both the input and output of AMT are chain complexes, so the procedure can be used iteratively. When working over a field or a local PID, this process ends in a chain complex with zero matrices, which produces homology. However, even over more general rings, the process often reveals homology, or at least reduces the complex so much that other algorithms can finish the job. Moreover, it also returns homotopy equivalences to the reduced complexes, which reveal the generators of the homology and the induced maps $H_\ast(φ)$. We design a new algorithm for reducing a chain complex and implement it. We test that it outperforms other CASs. As a special case, given a sparse matrix over any field, the algorithm offers a new way of computing the rank and a sparse basis of the kernel (or null space), cokernel (or quotient space, or complementary subspace), image, preimage, sum and intersection subspace. It outperforms built-in algorithms in other CASs.

研究动机与目标

• 开发一种节省内存与时间的链复形约化方法，同时保持其同伦类型。
• 通过用基于图的遍历替代传统稀疏矩阵的行/列运算，克服计算瓶颈。
• 提供一种实用算法，可在一般环上计算同调、同调生成元及诱导映射 $ H_*(\varphi) $。
• 实现链复形的迭代约化，特别是在域和主理想整环（PID）上，使过程终止于零矩阵复形。
• 在 Mathematica 中实现并基准测试该算法，证明其在性能上优于现有计算机代数系统（CAS）。

提出的方法

• 该方法从链复形构建一个二分有向图，将非零条目表示为源模与目标模之间的有向边。
• 通过对此有向图的快速遍历计算莫尔斯匹配（即一组主元），确保无环性与最大约化。
• 该算法应用代数莫尔斯理论，同时消除行与列，避免对稀疏矩阵进行昂贵的高斯消去。
• 使用一族通用莫尔斯匹配，包含所有最大无环匹配，确保完备性与最优性。
• 约化过程为迭代式，返回同伦等价，保留提取同调生成元与诱导映射所需的结构。
• 在 Mathematica 中的实现使用优化的数据结构与图遍历策略，最大限度减少填充项与系数增长。

实验结果

研究问题

• RQ1 能否通过在二分有向图表示上用图遍历替代矩阵运算，加速链复形约化？
• RQ2 是否存在一族通用的莫尔斯匹配，使得对任意有限秩自由模链复形，该族均包含所有最大无环匹配？
• RQ3 与传统 CAS 算法相比，该方法能否在大规模稀疏链复形上显著减少内存使用与运行时间？
• RQ4 当标准方法因系数增长而失效时，该算法在一般环（包括 $\mathbb{Z}$）上计算同调的能力在多大程度上仍有效？
• RQ5 即使约化后矩阵变得稠密，该算法能否从约化复形中恢复完整的同调信息（包括挠率与诱导映射）？

主要发现

• 该算法在不到 10 分钟内成功约化了来自 8,3-Kneser 图的独立复形的 500 万 × 500 万矩阵，内存使用极少，性能优于 SageMath。
• 对于对称半群代数 $ A_3 $ 的 Hochschild 复形，该方法在 34 分钟内使用 14GB 内存计算出 $ H_* $（模 $ \mathbb{Z}_2 $），而 SageMath 在运行 1 天后崩溃。
• 在外部 Stanley-Reisner 代数 $ A_3 $ 的情况下，该方法在 2 小时 43 分钟内使用 46GB 内存完成 $ H_* $ 计算（模 $ \mathbb{Z}_2 $），而 SageMath 在运行 4 天后中止。
• 在 $ \mathbb{Q} $ 上，该方法在 1 小时 47 分钟内使用 18GB 内存计算出 Heisenberg李代数 $ \mathfrak{g}_{13} $ 的 $ H_* $，而 SageMath 在运行 8 天后崩溃。
• 该方法将 $ \mathfrak{g}_5 $ 的 Chevalley 复形中最大的矩阵从 520 万 × 520 万约化为仅含 11,760 个非零条目的稀疏矩阵，所有条目绝对值均不超过 28。
• 该算法对所有测试复形均返回了 $ \mathbb{Z} $ 上的完整同调数据，包括挠率与生成元，证明了在标准 CAS 失效时计算 $ H_* $ 的可行性。