[论文解读] Deflated BiCGStab for linear equations in QCD problems

Abdou Abdel-Rehim, Ronald B. Morgan+1 more|ArXiv.org|Oct 10, 2007

Matrix Theory and Algorithms参考文献 2被引用 5

一句话总结

本文提出了一种用于在格点量子色动力学（QCD）中求解大规模复线性系统（特别是多个右端项和多个平移）的降维BiCGStab（D-BiCGStab）方法。通过将左右特征向量（利用威尔逊费米子中的γ₅对称性，由右特征向量导出）投影到初始猜测上，D-BiCGStab 加速了收敛。该方法在近临界κ问题中将矩阵-向量乘积减少了约5倍，在具有多个质量的扭曲质量QCD中减少了20–50%。

ABSTRACT

The large systems of complex linear equations that are generated in QCD problems often have multiple right-hand sides (for multiple sources) and multiple shifts (for multiple masses). Deflated GMRES methods have previously been developed for solving multiple right-hand sides. Eigenvectors are generated during solution of the first right-hand side and used to speed up convergence for the other right-hand sides. Here we discuss deflating non-restarted methods such as BiCGStab. For effective deflation, both left and right eigenvectors are needed. Fortunately, with the Wilson matrix, left eigenvectors can be derived from the right eigenvectors. We demonstrate for difficult problems with kappa near kappa_c that deflating eigenvalues can significantly improve BiCGStab. We also will look at improving solution of twisted mass problems with multiple shifts. Projecting over previous solutions is an easy way to reduce the work needed.

研究动机与目标

• 解决在格点QCD中求解大规模复线性系统时，标准BiCGStab方法在多个右端项情况下收敛缓慢的问题。
• 将此前仅用于重启GMRES的降维技术，扩展至非重启方法（如BiCGStab），以提升效率。
• 改善具有多个平移和偶奇预处理的扭曲质量费米子问题的收敛性。
• 利用左右特征向量实现有效降维，尤其在威尔逊费米子体系中，左特征向量可由右特征向量导出。
• 通过在先前计算解上进行最小残差投影，改进初始猜测，从而降低计算成本。

提出的方法

• 使用GMRES-DR求解第一个右端项，并提取对应于小特征值的近似右特征向量。
• 利用威尔逊狄拉克算符的γ₅对称性γ₅A_Wγ₅ = A_W†，从右特征向量推导出左特征向量。
• 通过正交化处理的左右特征向量矩阵U和V构造k维降维子空间。
• 求解小型k×k系统U†AVy = U†r₀，以计算改进初始猜测x₀⁺ = x₀ + Vy的系数y。
• 使用降维后的初始猜测，对后续右端项高效应用标准BiCGStab方法。
• 对于扭曲质量问题，对先前计算的解进行最小残差投影，以改进每个新平移的初始猜测。

实验结果

研究问题

• RQ1 降维技术能否有效应用于非重启Krylov求解器（如BiCGStab）以处理格点QCD中多个右端项的问题？
• RQ2 在降维中同时使用左右特征向量，是否能显著改善仅使用右特征向量时的收敛性能？
• RQ3 GMRES-DR提取的特征向量精度如何影响D-BiCGStab在近临界κ QCD问题中的性能表现？
• RQ4 通过先前解的投影实现的降维，能否在具有多个平移的扭曲质量费米子问题中减少矩阵-向量乘积？
• RQ5 求解平移系统时，按质量从重到轻或从轻到重的顺序，是否会影响基于投影的初始猜测改进方法的性能？

主要发现

• 在16⁴和20³×32格点的近临界κ问题中，当使用高精度特征向量（L3情况）时，D-BiCGStab将矩阵-向量乘积减少了约5倍。
• 随着特征向量精度的提高（第一个右端项收敛时的残差范数为10⁻¹⁴，L3情况），收敛性能的提升更加显著。
• 在具有11个质量值的扭曲质量费米子问题中，对先前解进行投影，使总矩阵-向量乘积减少了20–50%，从8,540降至5,180–5,870，具体取决于求解顺序。
• 无论先求解最重质量还是最轻质量，投影方法均表现出类似的有效性，两种情况下均实现了相近的减少量。
• 对于威尔逊费米子体系，该方法无需额外计算工作，因为左特征向量可通过γ₅乘法从右特征向量获得。
• 在接近κ_c的困难问题中，必须同时使用左右特征向量进行降维；仅使用右特征向量的投影无法充分减少小特征值方向的分量。