[论文解读] Quantics Tensor Cross Interpolation for High-Resolution, Parsimonious Representations of Multivariate Functions in Physics and Beyond

Marc K. Ritter, Yuriel Núñez Fernández+4 more|arXiv (Cornell University)|Mar 21, 2023

Computational Physics and Python Applications被引用 4

一句话总结

本文提出量化张量交叉插值（QTCI）方法，结合多变量函数的量化表示与张量交叉插值，实现高分辨率、低内存的表示。该方法仅使用 4×10⁵ 个样本和单核 20 秒，即可高效计算复杂物理量（如 Haldane 模型中的陈数），在最大 bond 维数 D_max = 50 的条件下，实现 10⁻¹⁰ 的相对误差容差。

ABSTRACT

Multivariate functions of continuous variables arise in countless branches of science. Numerical computations with such functions typically involve a compromise between two contrary desiderata: accurate resolution of the functional dependence, versus parsimonious memory usage. Recently, two promising strategies have emerged for satisfying both requirements: (i) The quantics representation, which expresses functions as multi-index tensors, with each index representing one bit of a binary encoding of one of the variables; and (ii) tensor cross interpolation (TCI), which, if applicable, yields parsimonious interpolations for multi-index tensors. Here, we present a strategy, quantics TCI (QTCI), which combines the advantages of both schemes. We illustrate its potential with an application from condensed matter physics: the computation of Brillouin zone integrals.

研究动机与目标

• 解决多变量函数数值计算中高分辨率表示与内存效率之间的平衡挑战。
• 开发一种实用且可扩展的方法，用于构建具有尺度分离结构的函数的低秩张量列车（TT）表示。
• 实现在高维函数空间中对积分、傅里叶变换和拓扑不变量的高效计算。
• 在物理相关问题上展示该方法的有效性：计算 Haldane 模型中的陈数。
• 建立一个可推广至物理以外领域的框架，尤其适用于具有层次结构或多尺度结构的函数。

提出的方法

• 量化表示通过 R 个二进制位对每个变量进行编码，将连续变量转化为具有 L = nR 个索引的多维张量，利用二进制位分解实现指数级分辨率。
• 对量化张量应用张量交叉插值（TCI），以线性时间复杂度 O(L = nR) 构建低秩张量列车（QTT）近似，避免昂贵的 SVD 分解。
• 该方法利用量化网格的层次结构，自适应地采样函数值，聚焦于高变化区域（如峰值和奇点）。
• 一旦构建 QTCI，即可实现 O(L) 复杂度的超快速积分、卷积和傅里叶变换算法，远低于标准 FFT 的复杂度。
• 采用融合的量化表示，保持多尺度下的分辨率，确保在能带隙等关键特征附近实现精细采样。
• 算法使用 Julia 语言中的 ITensors.jl 实现，自适应采样由误差容差和收敛准则引导。

实验结果

研究问题

• RQ1 量化表示与张量交叉插值（QTCI）相结合，能否以极低内存使用量高效捕捉多变量函数中的多尺度结构？
• RQ2 在解析高维函数中尖锐特征（如峰值和不连续性）方面，QTCI 相较于标准采样或基于 SVD 的方法，性能提升程度如何？
• RQ3 QTCI 能否以高精度计算凝聚 matter 系统中具有精细动量空间结构的拓扑不变量（如陈数）？
• RQ4 为实现给定精度，QTCI 所需的最小样本数是多少？该数值如何随分辨率 R 变化？
• RQ5 在何种条件下，多变量函数可接受低秩 QTT 表示？该条件能否被高效检测？

主要发现

• QTCI 仅使用 4×10⁵ 个样本和单核 Apple M1 处理器上的 20 秒，便将 Haldane 模型的陈数计算结果与预期值 -1 的相对误差控制在 10⁻⁶ 以内。
• 该方法在 QTT 近似中实现了 ε = 10⁻¹⁰ 的相对容差，最大 bond 维数 D_max = 50，证明了其高精度与高效压缩能力。
• 当 R = 20 时，QTCI 成功分辨出贝里曲率峰值，其宽度为 δₘ = 10⁻⁵ 量级，证实 2⁻²⁰ 的网格间距足够精细。
• 当 R 较小（如 R = 10–14）时，网格变得过粗，导致在 δₘ = 0 处出现错误的平台状行为（-1/2），而非尖锐跃迁，凸显分辨率的重要性。
• 随机采样无法捕捉尖锐结构，导致外样本误差高于内样本误差；而 QTCI 有效识别并解析了这些结构。
• QTCI 方法将函数求值次数从直接求和所需的 2²⁰ ≈ 10¹² 减少至 4×10⁵，展示了指数级的效率提升。