[论文解读] Fast eigenpairs computation with operator adapted wavelets and hierarchical subspace correction

Hehu Xie, Lei Zhang+1 more|arXiv (Cornell University)|Jun 2, 2018

Advanced Numerical Methods in Computational Mathematics参考文献 50被引用 3

一句话总结

本文提出了一种快速、鲁棒的方法，用于计算具有粗糙系数的多尺度椭圆PDE的特征对，通过将算子自适应小波（gambles）与层级子空间校正相结合。该方法利用gambles实现稳定、多尺度的分解，从而在特征值求解器（如LOBPCG）中显著加速收敛，同时保持高精度，即使在极端尺度分离的难题中亦然，且计算复杂度接近线性。

ABSTRACT

We present a method for the fast computation of the eigenpairs of a bijective positive symmetric linear operator $\mathcal{L}$. The method is based on a combination of operator adapted wavelets (gamblets) with hierarchical subspace correction.First, gamblets provide a raw but fast approximation of the eigensubspaces of $\mathcal{L}$ by block-diagonalizing $\mathcal{L}$ into sparse and well-conditioned blocks. Next, the hierarchical subspace correction method, computes the eigenpairs associated with the Galerkin restriction of $\mathcal{L}$ to a coarse (low dimensional) gamblet subspace, and then, corrects those eigenpairs by solving a hierarchy of linear problems in the finer gamblet subspaces (from coarse to fine, using multigrid iteration). The proposed algorithm is robust for the presence of multiple (a continuum of) scales and is shown to be of near-linear complexity when $\mathcal{L}$ is an (arbitrary local, e.g.~differential) operator mapping $\mathcal{H}^s_0(Ω)$ to $\mathcal{H}^{-s}(Ω)$ (e.g.~an elliptic PDE with rough coefficients).

研究动机与目标

• 为解决具有高度振荡或粗糙系数的椭圆PDE特征对高效计算的挑战，标准特征求解器因尺度耦合而难以奏效。
• 通过利用gambles实现鲁棒、条件良好的多尺度分解，克服多尺度设置下多级校正方法收敛缓慢的问题。
• 开发一种方法，在$σ$-正则性空间中实现特征值问题的近线性计算复杂度，即使算子具有不可分的多尺度特征。
• 提供一种预条件框架，以提升最先进特征求解器（如LOBPCG和多级校正方案）的性能。

提出的方法

• 该方法使用gambles——满足尺度正交性、条件良好分解和空间局部化的算子自适应小波——为算子$σ$构建分层多尺度基。
• 通过首先在粗gambles子空间上求解特征值问题，然后在更细子空间上使用多重网格迭代逐步校正解，实现层级子空间校正。
• 特征值问题被限制在$σ$在粗gambles子空间上的Galerkin投影上，而校正通过在更细子空间中使用多重网格加速的线性求解计算。
• 该方法将gambles与多重网格迭代相结合，确保内部线性求解的快速且鲁棒的收敛，这对特征问题求解器至关重要。
• 通过提供高质量的初始近似和利用多尺度稀疏性与条件性，该方法实现了LOBPCG的高效预条件处理。
• 该方法在$σ$将$σ^{s}_{0}(\Omega)$映射到$σ^{-s}(\Omega)$时，即使对于具有粗糙系数的微分算子，也能保持近线性复杂度。

实验结果

研究问题

• RQ1 gambles能否用于构建稳定、多尺度的分解，从而实现对具有多尺度特征的算子的快速且鲁棒的特征对计算？
• RQ2 将层级子空间校正与基于gambles的多重网格相结合，是否能在求解多尺度特征值问题时实现近线性复杂度？
• RQ3 在具有粗糙系数的问题中，基于gambles的方法与最先进特征求解器（如LOBPCG）相比，在收敛速度和精度方面表现如何？
• RQ4 gambles分解能否作为迭代特征求解器（如LOBPCG）的有效预条件器，其如何改善收敛性能？
• RQ5 在Anderson局域化等难题中，结合多级校正与LOBPCG的混合方法表现如何？

主要发现

• 基于gambles的多级校正方案在未使用自适应停止准则的情况下，对SPE10问题的前12个特征值实现了$10^{-14}$的精度，表现出极高的鲁棒性。
• gambles预条件LOBPCG所需的外迭代次数少于标准预条件器（如ILU或几何多重网格），表明收敛速度更快。
• 对于$\varepsilon = 0.01$的Anderson局域化问题，混合方法（使用基于gambles的多级校正初始化LOBPCG）实现了快速收敛且精度极高。
• 该方法在具有粗糙系数的椭圆PDE中表现出近线性计算复杂度，即使算子具有连续尺度时亦然。
• 数值结果表明，基于gambles的方法在收敛速度和鲁棒性方面均优于标准预条件技术（如ILU、几何多重网格）。
• gambles与层级子空间校正的结合，使得在多个测试案例（包括高对比度和多尺度问题）中，能够实现快速、稳定且精确的特征对计算。