[论文解读] Zolotarev Quadrature Rules and Load Balancing for the FEAST Eigensolver

Stefan Guettel, Eric Polizzi+2 more|arXiv (Cornell University)|Jul 30, 2014

Matrix Theory and Algorithms参考文献 26被引用 5

一句话总结

本文提出使用Zolotarev求积规则作为传统高斯和梯形求积规则在FEAST特征值求解器中的更优替代方案，显著提升了并行计算中的收敛速度与负载均衡。通过利用符号函数的最优有理逼近，该方法实现了更快、更可预测的收敛——尤其在特征值分离度较差或搜索空间维数较小时表现更优。

ABSTRACT

The FEAST method for solving large sparse eigenproblems is equivalent to subspace iteration with an approximate spectral projector and implicit orthogonalization. This relation allows to characterize the convergence of this method in terms of the error of a certain rational approximant to an indicator function. We propose improved rational approximants leading to FEAST variants with faster convergence, in particular, when using rational approximants based on the work of Zolotarev. Numerical experiments demonstrate the possible computational savings especially for pencils whose eigenvalues are not well separated and when the dimension of the search space is only slightly larger than the number of wanted eigenvalues. The new approach improves both convergence robustness and load balancing when FEAST runs on multiple search intervals in parallel.

研究动机与目标

• 提升大型稀疏广义特征值问题中FEAST特征值求解器的收敛鲁棒性与效率。
• 解决FEAST在多个搜索区间并行运行时出现的负载不平衡问题。
• 以基于Zolotarev的有理逼近替代传统的求积规则（高斯、梯形），实现更优的谱滤波。
• 通过最优有理逼近，为FEAST提供理论基础明确、可分析预测的收敛因子。
• 在保持高精度的前提下，减少搜索空间维数，尤其适用于特征值分离度较差的情况。

提出的方法

• 将FEAST方法推导为使用有理矩阵函数 $ r_m(M) $ 的子空间迭代，其中 $ M = B^{-1}A $，并引入隐式正交化步骤。
• 通过有理函数 $ r_m(z) $ 对指示函数 $ f(z) = 1/(2\bar{\rho}i) \int_{\Gamma} (\gamma - z)^{-1} d\gamma $ 的逼近误差建模FEAST的收敛性，该函数可将投影至所需特征值。
• 引入Zolotarev有理函数作为符号函数的最优逼近，其以等波纹特性与区间边界处的陡峭过渡著称。
• 基于Zolotarev理论构建有理滤波器，使在所需与非所需特征值区域上的最大偏差最小化。
• 通过用基于Zolotarev的有理函数替代标准求积法生成的有理函数，将这些滤波器应用于FEAST算法，提升谱投影精度。
• 证明Zolotarev滤波器可提供可预测、可分析计算的收敛因子，并因过渡陡峭且在无穷远处不衰减，从而减少所需搜索空间维数。

实验结果

研究问题

• RQ1 FEAST特征值求解器的收敛行为在多大程度上依赖于其谱投影器中所用有理逼近的质量？
• RQ2 已知在滤波器设计中具有最优性的Zolotarev有理函数，是否能相比高斯与梯形求积规则，实现FEAST中更快、更鲁棒的收敛？
• RQ3 当FEAST在多个搜索区间并行应用时，基于Zolotarev的滤波器在多大程度上改善了负载均衡？
• RQ4 Zolotarev滤波器在无穷远处的非衰减行为对FEAST中线性系统求解的稳定性与精度有何影响？
• RQ5 Zolotarev求积规则的极点与权重在实际FEAST实现中如何影响数值条件与收敛性？

主要发现

• 基于Zolotarev的FEAST变体在特征值未充分分离或搜索空间仅略大于所需特征值数量时，收敛速度优于高斯与梯形求积规则。
• 对于Caffeinep2矩阵，Zolotarev将区间 $[-711, -4]$ 上的FEAST迭代次数从高斯方法的39次减少至8次（$ m=8 $），在 $[-4, 1.995]$ 上从5次减少至9次——表明负载均衡性显著提升。
• 当 $ m=32 $ 时，Zolotarev在第一个区间仅需3次迭代，第二个区间仅需2次，而高斯方法分别为5次与3次，表现出一致且均衡的收敛行为。
• Zolotarev滤波器在区间边界处的陡峭过渡使得可在保持高精度的同时减小搜索空间维数，从而降低计算成本。
• 基于Zolotarev的方法收敛因子具有可分析预测性，并在不同问题实例间保持稳定，而高斯求积法则可能表现出不规则的收敛行为。
• 数值实验表明，尽管极点趋近实轴，仍无不稳定现象，表明线性系统求解中的不准确性被极点虚部与权重成比例的特性所抑制。