jax.experimental.sparse.linalg.lobpcg_standard#

jax.experimental.sparse.linalg.lobpcg_standard(A, X, m=100, tol=None)[源代码]#

使用 LOBPCG 例程计算前 k 个标准特征值。

LOBPCG [1] 代表局部最优块预处理共轭梯度法。该方法能够在加速器友好的方式中找到前 k 个特征向量。

这个初始实验版本有几个注意事项。

  • 仅支持标准特征值问题 A U = lambda U，不支持广义特征值。

  • 梯度代码不可用。

  • f64 仅在支持该类型的 jnp.linalg.eigh 的地方工作。

  • 尚不支持查找最小的特征向量。因此，我们尚不支持预处理，这主要是在这种情况下需要的。

该实现基于 [2] 和 [3]；但是，我们在几个方面偏离了这些来源，以提高鲁棒性或方便实现

  • 尽管迭代成本增加，我们始终为块搜索方向维护一个正交基。

  • 我们更改了收敛准则；请参阅 tol 参数。

  • 有意未实现软锁定 [4]；它依赖于选择适当的特定于问题的容差，以防止在接近收敛时因接近 0 残差的灾难性抵消而导致爆炸。相反，实现的方案倾向于截断迭代基。

[1]: http://ccm.ucdenver.edu/reports/rep149.pdf [2]: https://arxiv.org/abs/1704.07458 [3]: https://arxiv.org/abs/0705.2626 [4]: DOI 10.13140/RG.2.2.11794.48327

参数:

  • A (jax.Array | Callable[[jax.Array], jax.Array]) – 表示方阵 Hermitian 矩阵的 (n, n) 数组或具有其动作的可调用对象。

  • X (jax.Array) – 表示 k 个所需顶部特征向量的初始搜索方向的 (n, k) 数组。这不需要是正交的，但必须在数值上线性独立（X 将被正交化）。请注意，我们必须有 0 < k * 5 < n。

  • m (int) – 最大整数迭代计数；LOBPCG 将只探索（Krylov 基的子空间）{X, A X, A^2 X, …, A^m X}。

  • tol (jax.Array | float | None | None) – 浮点收敛容差；当特征对 (lambda, v) 的残差 L2 范数 r = |A v - lambda v| 低于 tol * 10 * n * (lambda + |A v|) 时，即收敛，这粗略估计了理想特征向量的最坏情况浮点误差。如果所有 k 个特征向量都满足容差比较，则 LOBPCG 提前退出。如果保留为 None，则将其设置为 A.dtype 的浮点 epsilon。

返回:

theta, U, i，其中 theta 是 (k,) 特征值数组，U 是 (n, k) 特征向量数组，i 是执行的迭代次数。

引发:

ValueError – 如果 A,X 数据类型或 n 维度不匹配，或者 k 太大（仅支持 k * 5 < n），或者 k == 0。