[论文解读] Local congruence of chain complexes

DelMonte Gianmaria, E. Onofri+2 more|arXiv (Cornell University)|Mar 31, 2020

Topological and Geometric Data Analysis参考文献 21被引用 4

一句话总结

该论文提出了一种新颖的代数算法，通过利用0-、1-和2-胞腔之间的$\epsilon$-同余关系，将局部链复形合并，以计算全局上边界矩阵$[\delta_0]$和$[\delta_1]$，从而解决3D空间构型中由浮点数算术引起的拓扑不一致性问题。该方法采用稀疏矩阵运算，并在Julia中使用GraphBLAS优化计算，相较于原生Julia稀疏数组实现了6.12倍的加速，同时保持了胞腔方向性，实现了构造性实体几何与数字建模中稳健且可扩展的拓扑计算。

ABSTRACT

The object of this paper is to transform a set of local chain complexes to a single global complex using an equivalence relation of congruence of cells, solving topologically the numerical inaccuracies of floating-point arithmetics. While computing the space arrangement generated by a collection of cellular complexes, one may start from independently and efficiently computing the intersection of each single input 2-cell with the others. The topology of these intersections is codified within a set of (0-2)-dimensional chain complexes. The target of this paper is to merge the local chains by using the equivalence relations of ε-congruence between 0-, 1-, and 2-cells (elementary chains). In particular, we reduce the block-diagonal coboundary matrices [Δ_0] and [Δ_1], used as matrix accumulators of the local coboundary chains, to the global matrices [δ_0] and [δ_1], representative of congruence topology, i.e., of congruence quotients between all 0-,1-,2-cells, via elementary algebraic operations on their columns. This algorithm is codified using the Julia porting of the SuiteSparse:GraphBLAS implementation of the GraphBLAS standard, conceived to efficiently compute algorithms on large graphs using linear algebra and sparse matrices [1, 2].

研究动机与目标

• 解决由几何拓扑中浮点数不精确性引起的3D空间构型计算中的数值鲁棒性问题。
• 开发一种拓扑合并策略，以在来自多个细胞复形的碎片化2-胞腔之间保持方向性和连通性。
• 实现从独立计算的局部链复形中高效、可扩展地计算全局上边界矩阵$[\delta_0]$和$[\delta_1]$。
• 将$\epsilon$-同余关系集成到计算流程中，以实现稳健的构造性实体几何（CSG）与数字制图。
• 展示基于Julia与SuiteSparse:GraphBLAS的稀疏矩阵拓扑计算的可行性与性能。

提出的方法

• 利用$\epsilon$-邻近与$\epsilon$-同余关系，识别跨碎片化输入2-胞腔的拓扑等价0-、1-和2-胞腔。
• 采用块对角上边界矩阵$[\Delta_0]$和$[\Delta_1]$作为局部链复形的累加器，再通过列运算将其约化为全局矩阵$[\delta_0]$和$[\delta_1]$。
• 对稀疏矩阵列应用初等代数运算，以计算同余商并构建全局复形的商拓扑。
• 使用Julia原生稀疏数组及GraphBLAS优化封装实现该算法，利用稀疏矩阵原语实现高性能计算。
• 在整个合并过程中保持胞腔方向性和符号信息，确保拓扑正确性。
• 通过验证矩阵约束$[\delta_1][\delta_0] = [0]$来确认正确性。

实验结果

研究问题

• RQ1 如何在保持方向性和连通性的前提下，将从碎片化2-胞腔生成的局部链复形拓扑合并为单一全局复形？
• RQ2 在浮点数数值不精确性下，检测并合并拓扑同余胞腔的高效且稳健的方法是什么？
• RQ3 如何利用稀疏矩阵代数与GraphBLAS原语加速3D构型中全局上边界算子的计算？
• RQ4 与朴素数组数组、原生Julia稀疏数组及GraphBLAS优化实现相比，性能与内存之间的权衡如何？
• RQ5 所提出的算法能否在不失一般性或效率的前提下扩展至高维复形？

主要发现

• GraphBLAS优化实现相较于原生Julia稀疏数组实现了6.12倍加速，基准数据的平均执行时间为370ms。
• 原生Julia稀疏矩阵实现相较于数组数组方法实现了16.6倍加速，平均耗时1.008秒。
• GraphBLAS版本使用30.07 MiB内存与1,077,403次分配，尽管分配次数较高，但内存使用效率良好。
• 数组数组方法丢失了胞腔符号信息，需进行昂贵的后期处理以恢复方向性，从而削弱了性能优势。
• 该算法正确强制执行了拓扑约束$[\delta_1][\delta_0] = [0]$，在存在数值噪声的情况下仍确认了正确性。
• 该方法支持分层与分块分解计算，可实现对大规模3D复形的可扩展处理。