H-NESSi: The Hierarchical Non-Equilibrium Systems Simulation package

Ce papier présente H-NESSi, un logiciel open-source qui utilise des techniques de compression hiérarchique à faible rang pour résoudre efficacement les équations de Kadanoff-Baym et permettre des simulations à long terme de systèmes quantiques corrélés hors équilibre, surmontant ainsi les limitations de coût computationnel et de mémoire des méthodes conventionnelles.

L'essentiel

🌌 H-NESSi : Le Super-Héros de la Simulation Quantique

Imaginez que vous essayez de filmer un film ultra-rapide, comme une goutte d'eau qui éclate ou un électron qui danse dans un matériau. Pour comprendre ce qui se passe, les physiciens utilisent des équations très complexes appelées équations de Kadanoff-Baym.

Le problème ? Ces équations sont comme un énorme labyrinthe de mémoire. Plus vous voulez regarder loin dans le temps (pour voir l'histoire complète du film), plus le labyrinthe devient gigantesque. Avec les méthodes classiques, si vous doublez la durée du film, la mémoire nécessaire explose de façon démesurée (comme passer d'une maison à un gratte-ciel entier). C'est pour cela que les simulations s'arrêtaient souvent après quelques femtosecondes (un millionième de milliardième de seconde).

H-NESSi est un nouveau logiciel (un "package") qui change la donne. Il permet de simuler des systèmes quantiques complexes sur de très longues durées, là où les anciennes méthodes échouaient.

Voici comment il fonctionne, avec des analogies simples :

1. Le Problème : Le Mur de la Mémoire 🧱

Imaginez que vous devez décrire la position de chaque personne dans une foule à chaque seconde, et que vous devez aussi noter comment chaque personne a interagi avec toutes les autres personnes à chaque instant passé.

• Méthode ancienne : Vous écrivez tout sur des feuilles de papier. Pour 1000 secondes, vous avez besoin d'un million de feuilles. Pour 10 000 secondes, vous avez besoin d'un océan de papier. C'est impossible à gérer.
• Le défi : Les matériaux quantiques (comme les supraconducteurs) ont des interactions si fortes que cette "mémoire" est cruciale.

2. La Solution : La Compression Intelligente (HODLR) 🗜️

H-NESSi utilise une technique appelée compression hiérarchique à rang faible.

• L'analogie du résumé : Au lieu d'écrire chaque interaction mot par mot, H-NESSi agit comme un éditeur très intelligent. Il remarque que beaucoup de détails sont redondants.
  • Exemple : Si vous regardez une photo de foule, vous n'avez pas besoin de noter la couleur de chaque chemise individuellement. Vous pouvez dire "il y a 50 personnes en bleu, 30 en rouge".
• Comment ça marche ? Le logiciel découpe le temps en blocs. Pour les blocs où l'information est "lisse" ou prévisible, il ne stocke pas tout le détail, mais seulement les "idées principales" (les vecteurs singuliers). Il jette le superflu tout en gardant la précision.
• Résultat : Au lieu d'avoir un océan de papier, vous avez un petit carnet de notes qui contient tout l'essentiel. Cela réduit la mémoire nécessaire de façon spectaculaire.

3. Le Début du Film : L'État Chaud (Représentation de Lehmann) 🔥

Avant de lancer le film, il faut définir l'état de départ (la température).

• L'analogie : Imaginez que vous devez décrire la température d'une pièce. Au lieu de mesurer la température à chaque millimètre de l'air (ce qui prendrait des heures), H-NESSi utilise une représentation de Lehmann discrète.
• C'est comme si le logiciel savait que la température varie de façon lisse et qu'il suffisait de mesurer à quelques points stratégiques pour reconstruire tout le reste avec une précision parfaite. Cela permet de démarrer la simulation très rapidement.

4. La Puissance de Calcul : Une Équipe de Chantiers 🏗️

Pour faire tourner ces calculs sur de vrais ordinateurs (des supercalculateurs), H-NESSi utilise deux stratégies :

• OpenMP (Les ouvriers dans la même usine) : Sur un seul ordinateur puissant, il divise le travail entre plusieurs cœurs de processeur qui travaillent ensemble sur la même tâche.
• MPI (Les chantiers à travers le monde) : Pour les très gros problèmes, il répartit le travail sur des centaines d'ordinateurs connectés.
  • L'analogie : Imaginez un chantier de construction géant. Au lieu qu'un seul architecte dessine tout le plan, H-NESSi envoie un architecte par étage (ou par quartier de la ville). Ils se téléphonent (communication MPI) pour s'assurer que les murs s'alignent, mais chacun travaille sur sa partie. Cela permet de simuler des matériaux immenses (des réseaux d'atomes) qui seraient impossibles à modéliser sur un seul ordinateur.

5. À quoi ça sert ? 🚀

Grâce à H-NESSi, les scientifiques peuvent maintenant :

• Regarder plus loin dans le temps : Simuler des phénomènes qui durent des nanosecondes au lieu de femtosecondes. C'est comme passer d'une photo floue à un film HD.
• Étudier des matériaux complexes : Comprendre comment fonctionnent les supraconducteurs (qui conduisent l'électricité sans perte) ou comment les matériaux réagissent à des lasers ultra-rapides.
• Prédire l'avenir : Ces simulations aident à concevoir de nouveaux matériaux pour l'électronique de demain, plus rapides et plus efficaces.

En Résumé 🎬

H-NESSi, c'est comme passer d'une calculatrice de poche à un super-ordinateur capable de lire un livre entier en une seconde, grâce à une technique de "résumé intelligent" qui ne perd aucune information importante. Il permet aux physiciens de voir l'invisible : le mouvement des électrons dans les matériaux les plus complexes, sur des échelles de temps qui étaient jusque-là hors de portée.

C'est un outil open-source (gratuit et ouvert à tous) qui ouvre la porte à une nouvelle ère de découverte pour la science des matériaux.

Résumé technique

Titre du papier

H-NESSi : Le package de simulation des systèmes hors équilibre hiérarchiques

1. Problème et Contexte

La simulation numérique des systèmes quantiques fortement corrélés hors équilibre est confrontée à des défis computationnels majeurs. Les méthodes traditionnelles basées sur les fonctions de Green hors équilibre (NEGF) et les équations de Kadanoff-Baym (KBE) souffrent de deux limitations critiques :

• Complexité temporelle : Le coût de calcul croît de manière cubique ($O(T^3)$) avec le temps de propagation $T$.
• Consommation mémoire : La mémoire requise croît de manière quadratique ($O(T^2)$) car les fonctions de Green dépendent de deux temps ($t, t'$).

Ces contraintes limitent sévèrement la durée des simulations et la taille des systèmes (notamment pour les modèles multi-orbitales et les réseaux étendus), rendant l'étude de phénomènes dynamiques à long terme (picosecondes à nanosecondes) ou de matériaux complexes pratiquement impossible avec les approches conventionnelles.

2. Méthodologie

H-NESSi propose une solution innovante en combinant des schémas d'intégration temporelle d'ordre élevé avec des techniques de compression hiérarchique de rang faible.

• Compression Hiérarchique (HODLR) :

  • Les composantes retardées et "moindres" (lesser) des fonctions de Green et des self-énergies, qui sont des matrices triangulaires inférieures dans l'espace des temps, sont représentées sous forme de matrices hiérarchiques à rang faible hors-diagonal (HODLR).
  • Le domaine temporel est divisé hiérarchiquement en blocs. Chaque bloc est approximé par une décomposition en valeurs singulières tronquée (TSVD).
  • Seuls les vecteurs singuliers au-dessus d'un seuil de tolérance $\epsilon_{SVD}$ sont conservés. Le rang $\epsilon$ de ces blocs reste souvent sous-linéaire par rapport à la taille du bloc, permettant une compression efficace même pour de longs temps d'intégration.

• Représentation de Lehmann Discrète (DLR) :

  • Pour traiter efficacement les quantités en temps imaginaire (états initiaux thermiques), le package utilise la DLR via la bibliothèque libdlr. Cela permet de représenter les fonctions sur une grille d'espacement non uniforme et sparse, réduisant considérablement le nombre de points nécessaires par rapport à une grille équidistante.

• Intégration et Algorithme :

  • Le code utilise des schémas d'intégration d'ordre élevé (jusqu'à l'ordre 6) pour résoudre les équations intégro-différentielles couplées des KBE.
  • Une stratégie itérative auto-cohérente est employée pour les self-énergies.
  • L'algorithme gère dynamiquement la mise à jour des blocs TSVD à chaque pas de temps via des algorithmes de mise à jour de rang 1, évitant le recalcul complet.

• Parallélisation Hybride (MPI + OpenMP) :

  • Pour les systèmes de réseau (comme le modèle de Hubbard 2D), le code exploite l'invariance par translation. Les équations de Dyson sont découplées par vecteur d'onde $k$.
  • Une classe mpi_comm gère la distribution des données entre les processus MPI et la communication des fonctions de Green nécessaires au calcul de la self-énergie (qui dépend de tout le Brillouin).
  • Le parallélisme intra-noeud est assuré par OpenMP, notamment pour les transformations de Fourier et les boucles sur les points $k$ et les temps.

3. Contributions Clés

• Logiciel Open-Source : H-NESSi est un package C++ open-source (licence MIT) conçu pour être compatible avec les workflows existants de NEGF (similaire à l'ancien package NESSi), facilitant l'adoption par la communauté.
• Généralisation Multi-Orbitale : Contrairement à des implémentations précédentes, H-NESSi gère nativement les systèmes multi-orbitales et les interactions complexes (ex: approximations de Born, DMFT).
• Contrôle de Précision : L'utilisateur peut contrôler la précision via le seuil de troncature SVD ($\epsilon_{SVD}$) et les paramètres DLR, offrant un compromis flexible entre coût et précision sans approximations physiques supplémentaires.
• Gestion de l'État Initial : L'intégration transparente de la DLR permet un traitement compact et précis des états initiaux thermiques.
• Fonctionnalités Avancées :
  • Support de la troncature adaptative des valeurs singulières.
  • Gestion des points de contrôle (checkpointing) via HDF5 pour les simulations longues.
  • Deux schémas d'intégration de la densité (diagonale vs horizontale) pour optimiser la conservation du nombre de particules selon le régime dynamique.

4. Résultats et Performances

Les auteurs ont validé H-NESSi sur deux benchmarks majeurs :

1. Supraconducteur entraîné (DMFT) :

   • Comparé à l'implémentation non compressée (NESSi), H-NESSi montre une complexité temporelle asymptotique bien inférieure à $T^3$.
   • Dans l'état supraconducteur, le rang $\epsilon$ croît comme $N^{1/2}$, tandis que dans l'état normal, il sature rapidement.
   • Les résultats montrent une réduction drastique du temps de calcul et de la mémoire, permettant des simulations jusqu'à des temps physiquement inaccessibles auparavant.

2. Modèle de Hubbard 2D (Approximation de Born) :

   • Simulation sur de grands réseaux (jusqu'à $L=64$, $N_t > 16000$) nécessitant plus de 15 000 cœurs CPU.
   • L'utilisation de la compression HODLR permet de réduire l'empreinte mémoire d'un facteur proche de 100 par rapport au stockage dense.
   • L'échelle de performance est proche de $O(N_t^2)$, confirmant l'efficacité de la méthode lorsque les rangs saturent.
   • Le calcul de la conductivité optique et des fonctions spectrales d'équilibre démontre la capacité à traiter des systèmes de grande taille avec une précision contrôlée.

5. Signification et Impact

H-NESSi représente une avancée significative dans le domaine de la dynamique quantique hors équilibre. En levant la barrière computationnelle liée à la croissance cubique du temps et quadratique de la mémoire, il ouvre la voie à :

• L'étude de la dynamique à long terme de matériaux corrélés.
• La simulation de protocoles de pilotage complexes (champs électriques intenses, impulsions laser).
• L'exploration de phases métastables et de phénomènes de supraconductivité transitoire.
• L'application de la théorie de la fonctionnelle de la densité dynamique (DMFT) à des systèmes réalistes et multi-orbitales.

Ce package fournit une infrastructure robuste et modulaire pour les simulations de matière condensée, permettant des études systématiques qui étaient auparavant prohibitives en termes de ressources informatiques.