🔬 materials science

Solvers for the Hermitian and the pseudo-Hermitian Bethe-Salpeter equation in the Yambo code: Implementation and Performance

यह शोध पत्र Yambo कोड के भीतर हर्मिटी और स्यूडो-हर्मिटी बेथे-साल्सेटेर समीकरणों के लिए प्रत्यक्ष (ScaLAPACK/ELPA) और पुनरावृत्ति (SLEPc) दोनों सॉल्वरों के कार्यान्वयन को प्रस्तुत और बेंचमार्क करता है, जो CPU और GPU क्लस्टरों पर $10^5$ तत्वों तक की घने मैट्रिसेस (dense matrices) को संभालने की व्यवहार्यता को प्रदर्शित करता है।

मूल लेखक: Petru Milev, Blanca Mellado-Pinto, Muralidhar Nalabothula, Ali Esquembre Kucukalic, Fernando Alvarruiz, Enrique Ramos, Francesco Filippone, Alejandro Molina-Sanchez, Ludger Wirtz, Jose E. Roman, David

प्रकाशित 2026-07-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Petru Milev, Blanca Mellado-Pinto, Muralidhar Nalabothula, Ali Esquembre Kucukalic, Fernando Alvarruiz, Enrique Ramos, Francesco Filippone, Alejandro Molina-Sanchez, Ludger Wirtz, Jose E. Roman, Davide Sangalli

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह भविष्यवाणी करने की कोशिश कर रहे हैं कि एक नया पदार्थ प्रकाश के साथ कैसे प्रतिक्रिया करेगा—चाहे वह चमके, रंग सोखे, या एक दर्पण की तरह व्यवहार करे। इसे करने के लिए, वैज्ञानिक एक जटिल गणितीय रेसिपी का उपयोग करते हैं जिसे बेटे-साल्पीटर समीकरण (Bethe-Salpeter Equation - BSE) कहा जाता है। इस समीकरण को एक विशाल, जटिल पहेली के रूप में सोचें जहाँ हर टुकड़ा एक इलेक्ट्रॉन और एक "होल" (एक गायब इलेक्ट्रॉन) को एक-दूसरे के साथ परस्पर क्रिया करते हुए दर्शाता है।

आपके द्वारा प्रदान किया गया पेपर वास्तव में इस बारे में एक रिपोर्ट कार्ड है कि एक विशिष्ट सॉफ़्टवेयर टूल, जिसे Yambo कहा जाता है, इन पहेलियों को हल करने में कितना तेज़ और कुशल है। लेखकों ने इन पहेलियों को हल करने के दो अलग-अलग तरीकों का परीक्षण किया और उनकी तुलना विभिन्न प्रकार के कंप्यूटर हार्डवेयर (मानक प्रोसेसर और शक्तिशाली ग्राफिक्स कार्ड) पर की।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. पहेलियों के दो प्रकार

BSE पहेली दो स्वादों में आती है:

"सरल" संस्करण (Hermitian/TDA): यह एक ऐसी पहेली की तरह है जहाँ टुकड़े केवल एक दिशा में परस्पर क्रिया करते हैं। इसे हल करना आसान है।
"जटिल" संस्करण (Pseudo-Hermitian): यह पूर्ण, वास्तविक संस्करण है जहाँ टुकड़े दोनों दिशाओं में परस्पर क्रिया करते हैं, जिससे एक बहुत अधिक उलझा हुआ जाल बन जाता है। ऐतिहासिक रूप से, इसे हल करना बहुत कठिन और धीमा था।

2. दो सॉल्वर (कैसे करें - "How-To" विधियाँ)

शोधकर्ताओं ने इन पहेलियों को हल करने के लिए दो मुख्य रणनीतियों का परीक्षण किया:

"ब्रूट फ़ोर्स" विधि (डायरेक्ट डायगोनलाइजेशन - Direct Diagonalization):
कल्पना कीजिए कि आप एक जिग्सॉ पहेली को एक विशाल मेज पर हर एक टुकड़ा बिछाकर, सभी को एक साथ छाँटकर और फिर चित्र ढूँढकर हल करने की कोशिश कर रहे हैं। यह बहुत विस्तृत और सटीक है, लेकिन यदि पहेली बहुत बड़ी हो जाती है (लाखों टुकड़े), तो मेज पर जगह खत्म हो जाएगी और प्रक्रिया में बहुत समय लगेगा।
- उपकरण: उन्होंने ScaLAPACK और ELPA नामक लाइब्रेरी का उपयोग किया। इन्हें "पहेली छाँटने वाले" के विभिन्न ब्रांडों के रूप में सोचें। पेपर में पाया गया कि ELPA, ScaLAPACK की तुलना में बहुत तेज़ और अधिक कुशल छाँटने वाला है, विशेष रूप से पहेली के जटिल संस्करण के लिए।
"स्मार्ट सर्च" विधि (इटरेटिव सॉल्वर - Iterative Solver):
हर एक टुकड़े को देखने के बजाय, कल्पना कीजिए कि आपको मुख्य चित्र देखने के लिए केवल 100 सबसे महत्वपूर्ण टुकड़ों की आवश्यकता है। आप पूरे टेबल को छाँटने के बजाय केवल उन टुकड़ों को खोजने के लिए एक स्मार्ट सर्च एल्गोरिदम का उपयोग करते हैं। यह बहुत तेज़ है और कम जगह लेता है।
- उपकरण: उन्होंने SLEPc नामक लाइब्रेरी का उपयोग किया। यह एक जासूस की तरह है जो केवल उन्हीं विशिष्ट सुरागों को देखता है जिनकी आपको आवश्यकता है।

3. बड़ी सफलता: "जटिल" पहेली को ठीक करना

कागज़ का सबसे रोमांचक हिस्सा यह है कि उन्होंने "जटिल" (Pseudo-Hermitian) संस्करण को कैसे संभाला।

पहले: जटिल संस्करण को हल करना भारी जूतों में मैराथन दौड़ने जैसा था। यह धीमा और अक्षम था।
अब: लेखकों ने एक नई ट्रिक लागू की जो जटिल पहेली में छिपी समरूपता (symmetry) को पहचानती है। यह ऐसा है जैसे यह महसूस करना कि भारी जूते वास्तव में एक विशेष सामग्री से बने हैं जो आपको पहले की तुलना में तेज़ दौड़ने में मदद करते हैं।
परिणाम: इस नई ट्रिक का उपयोग करके, जटिल पहेली को हल करना अब लगभग सरल संस्करण जितना ही तेज़ है। वे 100,000 टुकड़ों (मैट्रिक्स का आकार $10^5$ ) वाली पहेलियों को हल करने में सफल रहे, जो पहले बहुत कठिन था।

4. हार्डवेयर: CPU बनाम GPU

उन्होंने दो प्रकार के कंप्यूटर "मांसपेशियों" पर इन विधियों का परीक्षण किया:

CPUs (सामान्य कार्यकर्ता): ये कई सामान्य विशेषज्ञों की एक टीम की तरह हैं जो मिलकर काम करते हैं। "ब्रूट फ़ोर्स" विधि (ELPA) यहाँ बहुत अच्छी तरह से काम करती है, जैसे-जैसे हम अधिक कार्यकर्ता जोड़ते हैं, यह कुशलता से स्केल होती है।
GPUs (सुपर-स्पेशलिस्ट): ये स्पीडस्टर्स की एक विशाल सेना (ग्राफिक्स कार्ड) की तरह हैं।
- छोटी पहेलियों के लिए, स्पीडस्टर्स इतने तेज़ थे कि अधिक उन्हें जोड़ने से ज्यादा मदद नहीं मिली (वे निर्देशों के लिए प्रतीक्षा कर रहे थे)।
- विशाल पहेलियों के लिए, GPUs चमक उठे। पहेली जितनी बड़ी होती गई, GPUs का प्रदर्शन उतना ही बेहतर होता गया, जिससे वे उन विशाल गणनाओं को संभालने में सक्षम हुए जो एक मानक कंप्यूटर को रोक सकती थीं।

5. मेमोरी की समस्या (मेज़ की जगह)

इन गणनाओं में एक प्रमुख बाधा मेमोरी (RAM) है।

समस्या: पूरे पहेली टेबल को स्टोर करने के लिए बहुत अधिक स्थान की आवश्यकता होती है। कभी-कभी, केवल डेटा स्टोर करने में टेराबाइट्स (हजारों गीगाबाइट) लग जाते हैं।
निष्कर्ष: "स्मार्ट सर्च" विधि (SLEPc) स्थान बचाने में बहुत बेहतर है। इसे पूरा टेबल बिछाने की आवश्यकता नहीं है; यह केवल वही लेता है जिसकी इसे आवश्यकता है। हालाँकि, "ब्रूट फ़ोर्स" विधि (ELPA) डेटा को व्यवस्थित करने में इतनी कुशल है कि यदि आपके पास भार साझा करने के लिए पर्याप्त कंप्यूटर नोड्स (कार्यकर्ता) हैं, तो यह अभी भी विशाल पहेलियों को संभाल सकती है।

सारांश

पेपर का दावा है कि Yambo सॉफ़्टवेयर को शक्तिशाली बाहरी लाइब्रेरी (ELPA और SLEPc) के साथ जोड़ने और जटिल अंतःक्रियाओं को संभालने के लिए एक नई गणितीय ट्रिक का उपयोग करके, वैज्ञानिक अब यह अनुमान लगा सकते हैं कि पदार्थ प्रकाश के साथ कैसे प्रतिक्रिया करते हैं, इसके विशाल और वास्तविक मॉडल को हल कर सकते हैं।

उन्होंने सफलतापूर्वक उस "गति की बाधा" को हटा दिया है जो उन्हें बहुत बड़े या जटिल पदार्थों का अध्ययन करने से रोकती थी। वे अब 100,000 टुकड़ों वाली पहेलियों को मानक सुपरकंप्यूटर और अगली पीढ़ी के GPU क्लस्टर दोनों पर हल कर सकते हैं, जिससे उच्च सटीकता के साथ जटिल 2D सामग्रियों, दोषों (defects) और नैनोस्ट्रक्चर के ऑप्टिकल गुणों की भविष्यवाणी करना संभव हो गया है।

तकनीकी सारांश: Yambo कोड में हर्मिटी और स्यूडो-हर्मिटीयन बेथे-साल्सेर समीकरण (Bethe-Salpeter Equation) के लिए सॉल्वर

समस्या विवरण
बेथे-साल्सेर समीकरण (BSE) संघनित पदार्थ भौतिकी (condensed matter physics) में तटस्थ उत्तेजनाओं (neutral excitations) और ऑप्टिकल गुणों की गणना करने के लिए अत्याधुनिक प्रथम-सिद्धांत दृष्टिकोण है। हालाँकि, BSE आइजनवैल्यू समस्या को हल करना महत्वपूर्ण कम्प्यूटेशनल चुनौतियाँ पेश करता है, विशेष रूप से जैसे-जैसे सिस्टम का आकार बढ़ता है। BSE मैट्रिक्स, जो अक्सर $N \approx 10^5$ आयामों तक पहुँच जाता है, सघन (dense) और संरचित होता है। जबकि टैम-डांकोफ सन्निकटन (TDA) समस्या को हर्मिटीयन आइजनवैल्यू समस्या तक सीमित कर देता है, कई भौतिक मामलों में (जैसे, चुंबकीय सामग्रियाँ, बिना समय-व्युत्क्रम समरूपता वाले सिस्टम) पूर्ण स्यूडो-हर्मिटीयन (pseudo-Hermitian) स्वरूप की आवश्यकता होती है। इस पूर्ण रूप में एक गैर-हर्मिटीयन संरचित मैट्रिक्स शामिल है जो इसे डायगोनलाइज़ करने के लिए अधिक कम्प्यूटेशनल रूप से मांग वाला बनाता है। इसके अलावा, जबकि मैट्रिक्स जनरेशन को HPC वातावरण के लिए अनुकूलित किया गया है, सॉल्वर चरण ऐतिहासिक रूप से एक बाधा रहा है, विशेष रूप से जब आइजनवेक्टर्स (एक्सिटोनिक वेवफंक्शंस) की आवश्यकता होती है। मानक पुनरावृत्ति सॉल्वर (iterative solvers) अक्सर पूर्ण BSE मैट्रिक्स की विशिष्ट संरचना के साथ संघर्ष करते हैं, और डायरेक्ट डायगोनलाइज़ेशन $O(N^3)$ के रूप में स्केल करता है, जो बड़े सिस्टम के लिए निषेधात्मक हो जाता है।

कार्यप्रणाली
यह कार्य Yambo कोड के भीतर BSE आइजनवैल्यू समस्या को हल करने के लिए दो अलग-अलग रणनीतियों का विश्लेषण और कार्यान्वयन करता है, जो स्थापित लीनियर अलजेब्रा लाइब्रेरीज़ के साथ इंटरफेस करती है:

डायरेक्ट डायगोनलाइज़ेशन: लेखक Yambo को ScaLAPACK और ELPA लाइब्रेरीज़ के साथ इंटरफेस करते हैं। पूर्ण स्यूडो-हर्मिटीयन मामले के लिए (जहाँ कपलिंग टर्म्स गैर-शून्य हैं), वे एक विशेष एल्गोरिदम लागू करते हैं जो समस्या को वास्तविक तिरछी-सममित (real skew-symmetric) आइजनवैल्यू समस्या में बदल देता है। इसमें एक वास्तविक सममित मैट्रिक्स $M_r$ का निर्माण और एक यूनिटरी ट्रांसफॉर्मेशन का उपयोग शामिल है जो मूल हैमिल्टनियन $H_{2p}$ को एक ऐसे रूप में मैप करता है जिसे मानक हर्मिटीयन या तिरछी-सममित सॉल्वरों द्वारा हल किया जा सकता है। यह दृष्टिकोण सामान्य गैर-हर्मिटीयन सॉल्वरों की कम्प्यूटेशनल लागत से बचाता है।
पुनरावृत्ति सॉल्वर (Iterative Solver): लेखक SLEPc लाइब्रेरी का उपयोग करके एक पुनरावृत्ति दृष्टिकोण लागू करते हैं। वे संरचना-संरक्षण लैंज़ोस इटरेशन (विशेष रूप से शाओ विधि) का उपयोग करते हैं जो स्यूडो-हर्मिटीयन मैट्रिसेस के लिए डिज़ाइन किए गए हैं। दो वितरण स्कीमा का परीक्षण किया गया है:
- शेल अप्रोच (Shell approach): यह बिना किसी स्पष्ट मैट्रिक्स पुनर्वितरण के Yambo के मौजूदा समानांतर संरचना का पुन: उपयोग करता है, जिससे मेमोरी कम लगती है लेकिन इसमें GPU सपोर्ट की कमी होती है।
- एक्सप्लिसिट अप्रोच (Explicit approach): यह BSE मैट्रिक्स को Yabom के ब्लॉक-साइक्लिक लेआउट से SLEPc के मानक 1D रो-वाइज़ पार्टीशनिंग में पुनर्वितरित करता है, जिससे CUDA/HIP के माध्यम से GPU त्वरण सक्षम होता है।

इन सॉल्वर्स के प्रदर्शन का मूल्यांकन CPU (ISM-CNR क्लस्टर) और GPU (Leonardo Booster) आर्किटेक्चर दोनों पर किया गया है। अध्ययन तीन मैट्रिक्स आकारों ( $N \approx 10^4$ , $3 \cdot 10^4$ , और $10^5$ ) पर विचार करता है और हर्मिटीयन (TDA), गैर-हर्मिटीयन, और स्यूडो-हर्मिटीयन एल्गोरिद्मिक कार्यान्वयन की तुलना करता है।

प्रमुख योगदान

स्यूडो-हर्मिटीयन सॉल्वर्स का कार्यान्वयन: पेपर पूर्ण BSE मैट्रिक्स के लिए विशेष सॉल्वर्स के कार्यान्वयन का विवरण देता है जो इसकी स्यूडो-हर्मिटीयन संरचना का लाभ उठाते हैं। यह सामान्य गैर-हर्मिटीयन सॉल्वरों के बजाय कुशल वास्तविक तिरछी-सममित या हर्मिटीयन-डेफिनेट सॉल्वरों के उपयोग की अनुमति देता है।
लाइब्रेरी इंटीग्रेशन: यह कार्य ScaLAPACK, ELPA, और SLEPc के बीच मजबूत इंटरफेस स्थापित करता है, जिसमें एक नई लाइब्रेरी (Lumen fork) शामिल है जो कपलिंग केस के लिए आवश्यक विशिष्ट डायगोनलाइज़ेशन रूटीन को संभालती है।
GPU पोर्टिंग: लेखकों ने सफलतापूर्वक पुनरावृत्ति सॉल्वर (SLEPc explicit) और डायगोनलाइज़ेशन सॉल्वर (ELPA) को GPU आर्किटेक्चर पर पोर्ट किया है, जो NVIDIA A100 GPUs पर इसकी व्यवहार्यता प्रदर्शित करता है।
परफॉरमेंस बेंचमार्किंग: विभिन्न मैट्रिक्स आकारों और आर्किटेक्चरों में समय जटिलता (time complexity), स्ट्रॉन्ग स्केलिंग और मेमोरी उपयोग के लिए व्यापक बेंचमार्क प्रदान किए गए हैं।

परिणाम

एल्गोरिद्मिक दक्षता: नए स्यूडो-हर्मिटीयन (PH) एल्गोरिदम मानक गैर-हर्मिटीयन (NH) दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करते हैं। पुनरावृत्ति सॉल्वर्स (SLEPc) के लिए, PH कार्यान्वयन NH विधियों की तुलना में 5 से 6 गुना गति वृद्धि प्रदान करता है, जिसका मुख्य कारण बेहतर स्केलिंग एक्सपोनेंट्स (आदर्श $O(N^2)$ के करीब) है। डायरेक्ट डायगोनलाइज़ेशन के लिए, PH दृष्टिकोण भी NH विधियों की तुलना में लगभग 5x गति वृद्धि प्रदान करता है।
स्केलिंग व्यवहार:
- CPU: ELPA, ScaLAPACK की तुलना में लगातार बेहतर स्केलिंग और दक्षता प्रदर्शित करता है, विशेष रूप से कपलिंग केस के लिए। ELPA का समानांतरकरण कारक ( $p$ ) आदर्श $-1 $के करीब पहुँचता है ($ -0.8 $से$ -0.9$ के आसपास मान), जबकि ScaLAPACK और SLEPc कम दक्षता ( $p \approx -0.6$ से $-0.7$) दिखाते हैं।
- GPU: SLEPC, छोटे से मध्यम आकार के मैट्रिसेस के लिए ELPA की तुलना में कई गुना तेज़ है, लेकिन यह मेमोरी ओवरहेड और डेटा ट्रांसफर द्वारा सीमित है। ELPA कपलिंग केस के लिए GPU पर उत्कृष्ट स्केलिंग दिखाता है, जिसकी दक्षता बहुत बड़े कोर काउंट पर ही स्थिर होती है।
मेमोरी उपयोग: पुनरावृत्ति सॉल्वर्स (SLEPc) को आमतौर पर डायरेक्ट डायगोनलाइज़ेशन की तुलना में कम मेमोरी की आवश्यकता होती है। हालाँकि, सीरियल से पैरेलल रन में संक्रमण के दौरान 'एक्सप्लिसिट SLEPc' दृष्टिकोण महत्वपूर्ण समानांतर ओवरहेड मेमोरी लागत उत्पन्न करता है। SLEPc में स्यूडो-हर्मिटीयन कार्यान्वयन, गैर-हर्मिटीयन संस्करण की तुलना में बेहतर मेमोरी दक्षता में सुधार करता है, जबकि डायगोनलाइज़ेशन केस NH की तुलना में PH के लिए थोड़ा अधिक मेमोरी उपयोग दिखाता है।
व्यवहार्यता: परिणाम प्रदर्शित करते हैं कि $10^5$ के क्रम के घने BSE मैट्रिसेस को प्रभावी ढंग से संभाला जा सकता है, बशर्ते पर्याप्त MPI टास्क और मेमोरी संसाधन उपलब्ध हों।

महत्व और दावे
लेखक दावा करते हैं कि उनका कार्य बड़े मैट्रिसेस के लिए BSE गणनाओं में एक महत्वपूर्ण बाधा को दूर करता है: "सॉल्वर बैरियर"। उनकी स्यूडो-हर्मिटीयन संरचना का लाभ उठाकर, उन्होंने पूर्ण कपलिंग BSE मैट्रिक्स के समाधान को रेजोनेंट (TDA) सन्निकटन के लगभग उतना ही कुशल बना दिया है। यह उन जटिल प्रणालियों (जैसे, चुंबकीय सामग्रियाँ, 2D हेटरोस्ट्रक्चर) में एक्सिटोनिक प्रभावों के अध्ययन को सक्षम बनाता है जहाँ TDA अपर्याप्त है।

पेपर इस बात पर जोर देता है कि जबकि मैट्रिक्स जनरेशन में महत्वपूर्ण अनुकूलन देखा गया है, सॉल्वर चरण अब आइजनवेक्टर्स को निकालने के लिए सीमित कारक है। लेखक तर्क देते हैं कि अत्यधिक अनुकूलित बाहरी लाइब्रेरीज़ (ELPA, ScaLAPACK, SLEPc) का उपयोग करना BSE सॉल्वर्स के लिए एक व्यवहार्य और प्रभावी रणनीति है, जो DFT के विपरीत है जहाँ अक्सर कस्टम पुनरावृत्ति सॉल्वर्स को प्राथमिकता दी जाती है। सफल GPU पोर्टिंग और $N \approx 10^5$ मैट्रिसेस को संभालने का प्रदर्शन यह सुझाव देता है कि कोड अब बड़े पैमाने पर ऑप्टिकल प्रॉपर्टी सिमुलेशन को संबोधित करने में सक्षम है जो पहले कम्प्यूटेशनल रूप से अव्यावहारिक थे। यह कार्य यह दावा नहीं करता है कि यह सबसे बड़े सिस्टमों के लिए मेमोरी स्टोरेज समस्या को हल करता है (जो 1 TB से अधिक हो सकते हैं), बल्कि यह प्रदर्शित करता है कि डायगोनलाइज़ेशन चरण को ऐसे पैमानों पर कुशलतापूर्वक किया जा सकता है।