[论文解读] Efficient Numerical Method for Models Driven by Lévy Process via Hierarchical Matrices

Kailai Xu, Eric Darve|arXiv (Cornell University)|Dec 18, 2018

Fractional Differential Equations Solutions参考文献 8被引用 6

一句话总结

本文提出了一种针对由 Lévy 过程驱动的对流-扩散方程的高效数值求解器，采用层级矩阵（H-矩阵）技术。通过利用 H-矩阵压缩与无条件稳定的 Crank-Nicolson 格式，该方法实现了 O(N) 的存储与计算复杂度——显著降低了直接方法的 O(N²) 和 O(N³) 成本——在中等到大规模问题上展现出显著的加速效果。

ABSTRACT

Modeling via fractional partial differential equations or a Lévy process has been an active area of research and has many applications. However, the lack of efficient numerical computation methods for general nonlocal operators impedes people from adopting such modeling tools. We proposed an efficient solver for the convection-diffusion equation whose operator is the infinitesimal generator of a Lévy process based on $\mathcal{H}$-matrix technique. The proposed Crank Nicolson scheme is unconditionally stable and has a theoretical $\mathcal{O}(h^2+Δt^2)$ convergence rate. The $\mathcal{H}$-matrix technique has theoretical $\mathcal{O}(N)$ space and computational complexity compared to $\mathcal{O}(N^2)$ and $\mathcal{O}(N^3)$ respectively for the direct method. Numerical experiments demonstrate the efficiency of the new algorithm.

研究动机与目标

• 解决由于非局部 Lévy 算子导致的稠密、病态的刚度矩阵所引发的对流-扩散方程求解计算瓶颈。
• 为源自 Lévy 过程的分数阶 PDE（特别是涉及分数阶拉普拉斯算子的情形）开发一种快速、可扩展的数值方法。
• 通过层级矩阵技术，将一般 Lévy 驱动模型的存储与计算成本从 O(N²) 和 O(N³) 降低至 O(N)，实现高效数值求解。
• 提供一种黑箱式、自动化的 H-矩阵构建与 LU 分解方法，用户仅需极少输入关于核结构或低秩展开的信息。

提出的方法

• 采用 Crank-Nicolson 时间格式对由 Lévy 过程驱动的对流-扩散方程进行时间离散化，确保无条件稳定，并实现理论上的 O(Δt² + h²) 收敛率。
• 利用层级矩阵（H-矩阵）表示非局部算子的稠密刚度矩阵，其利用了非对角块中的低秩结构。
• 采用分层划分策略（如四叉树）递归地对矩阵块进行细分，对小块存储完整矩阵，对可接受块使用低秩近似。
• 采用自动 H-矩阵构建：算法可自动确定最优的块划分与低秩压缩，无需用户显式指定核展开形式。
• 通过 H-矩阵算术递归执行矩阵-向量乘法与 LU 分解，对全矩阵、低秩及分层子块分别使用专用求解器。
• 支持基于级数展开与黑箱 FMM 的 H-矩阵构建两种模式，用户可直接输入核函数或稠密矩阵。

实验结果

研究问题

• RQ1 层级矩阵能否有效应用于加速由具有通用 Lévy 测度的一般 Lévy 过程驱动的对流-扩散方程的求解？
• RQ2 与直接方法相比，基于 H-矩阵的求解器在非局部算子上的可实现计算与存储复杂度如何？
• RQ3 所提方法是否能在实现近线性复杂度的同时保持二阶时间与空间收敛性？
• RQ4 在无需手动指定低秩展开的前提下，自动 H-矩阵构建在不同 Lévy 测度与核类型下的表现如何？
• RQ5 在实际应用中，H-矩阵方法与直接 LU 分解相比，性能超越的临界点（即交叉点）出现在何处？

主要发现

• 所提出的 Crank-Nicolson 格式实现了无条件稳定，并具有理论收敛率 O(h² + Δt²)。
• 基于 H-矩阵的求解器将存储与计算复杂度从 O(N²) 和 O(N³) 降低至 O(N)，从而可扩展求解大规模问题。
• 数值实验表明，与直接方法相比，该方法实现了显著的加速，且在 1D 情况下，LU 分解的性能交叉点出现在 N ≈ 1100 左右。
• 该方法支持广泛的 Lévy 测度，包括奇异型与缓慢衰减型，仅需较弱假设。
• 自动 H-矩阵构建在基于级数展开与黑箱 FMM 两种模式下均有效，且用户输入极少。
• 该算法在近似逆刚度矩阵时实现了块秩的指数收敛，与低秩结构的理论预期一致。