[论文解读] FEAST Eigenvalue Solver v3.0 User Guide

Eric Polizzi, James Kestyn|arXiv (Cornell University)|Mar 19, 2012

Matrix Theory and Algorithms参考文献 1被引用 5

一句话总结

FEAST v3.0 是一个高性能数值库，用于求解大规模特征值问题，通过先进的轮廓积分和多种求积规则，支持厄米特矩阵、非厄米特矩阵及复对称矩阵。它引入了用户自定义轮廓的支持、随机特征值计数以及增强的负载均衡，显著提升了对称与非对称问题的精度与可扩展性。

ABSTRACT

The FEAST library package represents an unified framework for solving various family of eigenvalue problems and achieving accuracy, robustness, high-performance and scalability on parallel architectures. Its originality lies with a new transformative numerical approach to the traditional eigenvalue algorithm design - the FEAST algorithm. The algorithm gathers key elements from complex analysis, numerical linear algebra and approximation theory, to construct an optimal subspace iteration technique using approximate spectral projectors. FEAST can be used for solving both standard and generalized forms of the Hermitian or non-Hermitian problems (linear or non-linear), and it belongs to the family of contour integration eigensolvers. FEAST's main computational task consists of a numerical quadrature computation that involves solving independent linear systems along a complex contour, each with multiple right hand sides. In v4.0, FEAST has been reimplemented using an inverse residual iteration algorithm which enables the linear systems to be solved with very low accuracy (in single precision) with no impact on the FEAST double precision convergence rate. As a result, v4.0 is on average 3-4 times faster than v2.1 and v3.0 using new default optimization parameters (v2.1 has been featured as Intel-MKL's principal HPC eigensolver since 2013). v4.0 also implements new important features such as IFEAST (using Inexact Iterative solver), Non-linear polynomial FEAST, and PFEAST with its 3-MPI levels of parallelism. FEAST is both a comprehensive library package, and an easy to use software. It includes flexible reverse communication interfaces and ready to use driver interfaces for dense, banded and sparse systems.

研究动机与目标

• 将 FEAST 特征值求解器扩展至支持非厄米特矩阵，以求解复对称及一般复特征值问题。
• 通过优化的求积规则（包括佐洛塔列夫、高斯与梯形规则）以及负载均衡技术，提升数值效率与可扩展性。
• 为用户提供灵活的轮廓设计能力，包括椭圆轮廓与用户自定义轮廓，以实现对特定特征值的精准提取。
• 通过专家模式例程、随机特征值数量估计以及对自定义积分节点与权重的支持，提升易用性与性能。
• 在引入全轮廓积分与改进收敛准则的同时，确保向后兼容性，扩展 FEAST 框架的新功能。

提出的方法

• FEAST 算法在复平面上使用轮廓积分，将特征值问题投影到子空间，从而隔离指定区间内的特征值。
• 对于非厄米特问题，采用双子空间（Q 与 Q̂）分别计算右特征向量与左特征向量，实现对复特征值问题的精确求解。
• 实现多种求积规则——高斯、梯形与佐洛塔列夫规则——以优化积分精度与计算负载均衡。
• 通过专家模式例程支持用户自定义轮廓，允许使用节点、权重与几何参数指定分段轮廓。
• 集成随机估计例程，用于预测给定区间内的特征值数量，有助于合理设定初始搜索子空间大小 M₀。
• 该库提供驱动级与专家级接口，fpm 参数用于控制积分类型、轮廓形状与收敛行为。

实验结果

研究问题

• RQ1 如何将 FEAST 算法扩展以求解具有复特征值与特征向量的非厄米特特征值问题？
• RQ2 哪些求积规则与轮廓形状能在大规模特征值计算中实现精度与负载均衡的最优化？
• RQ3 随机估计如何提升 FEAST 框架中特征值数量预测的鲁棒性与效率？
• RQ4 用户自定义轮廓对非厄米特问题中特定特征值簇的靶向定位有何影响？
• RQ5 不同积分方案与参数设置如何影响 FEAST v3.0 中的收敛性与性能表现？

主要发现

• FEAST v3.0 通过双子空间公式与复轮廓积分，成功支持非厄米特特征值问题，能够精确计算复特征值与特征向量。
• 在厄米特问题中引入佐洛塔列夫求积规则，显著提升了积分精度与负载均衡能力，尤其在特征值聚集时表现更优。
• 随机特征值计数估计减少了对初始子空间维数 M₀ 进行试错的需要，提升了易用性与收敛鲁棒性。
• 用户自定义轮廓可实现对复平面上特征值簇的精确靶向，尤其适用于谱分布非对称的非厄米特问题。
• 专家模式接口支持自定义节点与权重，实现对积分过程的细粒度控制，显著提升在各类问题类型中的性能与适应性。
• 当通过 fpm(10) 参数在积分过程中存储分解结果时，密集矩阵求解器的性能得到显著提升。