[论文解读] Riemannian gradient descent for Hartree-Fock theory

Evgueni Dinvay|arXiv (Cornell University)|Mar 16, 2026

Stochastic Gradient Optimization Techniques被引用 0

一句话总结

本文在 Sobolev 空间 H^1 上为 Hartree-Fock 理论开发了一个黎曼优化框架，推导了在 Stiefel/Grassmann 流形上的梯度、投影和回退，并在小分子上以随机初始猜测展示了与 DIIS 的竞争性收敛。

ABSTRACT

We present a Riemannian optimization framework for Hartree-Fock theory formulated directly in the Sobolev space $H^1$. The orthonormality constraints are interpreted geometrically via infinite-dimensional Stiefel and Grassmann manifolds endowed with the embedded $H^1$ metric. Explicit expressions for Euclidean and Riemannian gradients, tangent-space projections, and retractions are derived using resolvent operators, avoiding distributional formulations. The resulting algorithms include Riemannian steepest descent and a preconditioned nonlinear conjugate gradient method equipped with Armijo backtracking and Powell-type restarts. Particular attention is given to physically motivated preconditioning based on inversion of the kinetic energy operator. The framework is naturally compatible with adaptive multiwavelet discretizations, where Coulomb-type convolutions can be evaluated efficiently. Numerical experiments demonstrate robust convergence and competitive performance compared to conventional SCF-DIIS schemes. In addition, for small molecules the gradient descent method converges from random initial guesses. The proposed formulation provides a geometrically consistent and discretization-independent perspective on electronic structure optimization and offers a foundation for further developments in infinite-dimensional Riemannian methods for quantum chemistry.

研究动机与目标

• 在 Sobolev 空间 H^1 中将 Hartree-Fock 的轨道优化问题建模，并附带正交约束。
• 将约束曲面嵌入为黎曼流形（Stiefel/Grassmann）并推导梯度与回退。
• 开发并分析黎曼梯度下降和预条件化非线性共轭梯度法。
• 结合物理动机的预条件化和多小波离散化以实现高效计算。
• 在小分子上从随机初始猜测展示鲁棒收敛性，并与 DIIS 进行比较。

提出的方法

• 将轨道表示在 H^1 嵌入的 Stiefel 流形中，以确保能量泛函的可微性。
• 计算欧氏梯度 ∇E(φ) 并投影得到黎曼梯度 grad E(φ)（方程 2.7 与 2.8）。
• 定义一阶回退 Rφ，使之保持在 L^2- Sobolev 约束曲面上（方程 2.9）。
• 建立无雅可比的黎曼梯度下降并采用自适应的 Armijo 回溯线搜索（算法 2.10 结合算法 1 的回溯）。
• 引入基于动能算符逆的预条件化，以模拟 SCF 预条件化（与（1.8）及相关部分的讨论相关）。
• 使用自适应多小波离散化以实现高效的库仑型卷积与离散化无关性。

Figure 1 . Convergence of the Riemannian steepest gradient descent for H 2 Hartree-Fock model starting from a random Gaussian superposition. DIIS oscillates and converges in twice as many iterations.

实验结果

研究问题

• RQ1 在 H^1 上的黎曼优化框架是否能为 Hartree-Fock 提供相对于标准 SCF/DIIS 的鲁棒替代？
• RQ2 在这个无限维设定中，欧氏梯度与黎曼梯度有何差异，如何高效地计算并在实践中使用？
• RQ3 相较于 DIIS，在小分子上黎曼梯度下降和预条件化共轭梯度法的性能如何？
• RQ4 梯度下降方案能否从简单系统（例如 H2）的随机初始猜测收敛，并扩展到如多小波这样的更复杂离散化？
• RQ5 在实际中，该框架如何与自适应离散化及库仑型卷积结合？

主要发现

• 在报道的示例中，Riemannian 梯度下降在 H2 的随机初始猜测下大约 10–15 次迭代即可收敛。
• 梯度范数单调下降至零，表明稳定的下降行为。
• 在所给的 H2 测试中，简单的无预条件黎曼梯度下降可以优于 DIIS，后者在该案例中表现出振荡。
• 该方法与自适应多小波离散化兼容，能够实现高效的库仑型卷积。
• 该方法提供了一种与离散化无关、几何一致的电子结构优化视角，在强相关性或对称性破缺情形下具有潜在的鲁棒性优势（作为背景引用）。
• 该工作展示了无限维黎曼方法在量子化学中的收敛性和实际可行性，超越有限维离散化。

Figure 2 . Convergence of the Riemannian conjugate gradient descent on the Stiefel manifold for Hartree-Fock model starting from a random Gaussian superposition.