Linear convergence of iterative contour integral-based eigensolvers for nonlinear eigenvalue problems

技術要約：非線形固有値問題における反復的輪郭積分ベースの固有値ソルバーの線形収束

問題設定
本論文は、ホロモーフィックな行列値関数 $T(\cdot)$ に対して、$T(\lambda)u = 0$ という形式の非線形固有値問題（NEP）を解く際の課題に取り組んでいる。輪郭積分に基づく手法は、規定された領域 $D \subset \mathbb{C}$ 内のすべての固有値を確実に標的にできるという利点があるが、Beynの手法や非線形Sakurai–Sugiura（SS）法といった従来のアプローチには、固有の反復的な精緻化メカニズムが欠けている。その結果、これらの手法で高精度を実現するには、離散化誤差を減らすために求積ノードの数を増やす必要があり、これは行列の再分解を繰り返す必要があるため、計算コストが膨大になる。NLFEASTアルゴリズムは、輪郭積分と非線形レイリー・リッツ抽出ステップを組み合わせており、経験的に反復法として振る舞うが、その理論的な収束特性については十分に理解されていない。

手法およびフレームワーク
著者らは、既存の手法を統一し、収束解析を容易にするための、反復的な輪伐積分ベースの固有値ソルバー（アルゴリズム1）のための一般的なフレームワークを提案している。このフレームワークは、1回の反復ごとに以下の2つの交互ステップで動作する：

1. 抽出 (Extraction): 部分空間 $X^{(k)}$ が与えられたとき、レイリー・リッツ法を用いて近似固有値対 $(\rho_i^{(k)}, x_i^{(k)})$ を抽出する。
2. フィルタリング (Filtering): 近似固有ベクトルに対して、フィルタ演算子 $F_{it}(\rho_i^{(k)})$ を適用し、新しい部分空間 $X^{(k+1)}$ を生成する。このフィルタは、スペクトル射影体の輪郭積分表現から導出された、連続演算子 $F_{ci}(\rho)$ の離散近似である。

連続演算子 $F_{ci}(\rho)$ は次のように定義される：
$$F_{ci}(\rho) := \frac{1}{2\pi i} \oint_{\partial D} \frac{1}{\xi - \rho} \left( I - T(\xi)^{-1}T(\rho) \right) d\xi$$
著者らはKeldyshの定理を用いて、この演算子のスペクトル特性を特徴付け、これがターゲットとなる固有空間外の成分を消去し、一方でターゲット内の成分を保持することを示している。

主要な貢献および理論的結果
本論文の主要な貢献は、このフレームワークに関する厳密な収束理論の確立である：

• 反復精緻化のための必要条件: 著者らは、反復法が収束するためには、フィルタが近似固有ベクトルをターゲットとなる不変部分空間 $U_D$ へと、近似が改善するにつれて写像しなければならないことを示している。彼らは、Beynの手法などで用いられる標準的な離散化は、この条件を満たさないことを証明した。なぜなら、離選化されたペンシル $M_{1,N} - \xi M_{0,N}$ は、求積が厳密でない限り、元のNEPと同じ不変部分空間を共有しないからである。これは、なぜBeynの手法が反復のみによって精度を向上させることができないのかを説明している。
• 線形収束のための十分条件 (定理6): 緩やかな仮定（単純な固有値および線形独立な固有ベクトル）の下で、フィルタファミリーが特定の漸近誤差境界（「部分空間外」の成分が因子 $\gamma_N$ によって減少する）を満たす場合、アルゴリズムが局所的な線形収束を示すことを証明した。具体的には、計算された部分空間と厳密な固有空間の間の角度は、$\angle(X^{(k+1)}, U_D) = O(\gamma_N \angle(X^{(k)}, U_D))$ となる。
• NLFEASTの収束 (定理7および系8): 著者らは、この理論をNLFEASTアルゴリズムに適用した。NLFEASTで定義される特定のフィルタ構造（指示関数の有理近似と残差逆反復の概念の組み合わせ）を利用することで、NLFEASTが線形収束のための必要条件を満たすことを証明した。収束速度は、求積ノード数 $N$ に対して指数関数的に減少する求積誤差 $\gamma_N$ に依存する。

数値実験
理論的知見は、NLEVPコレクションからの9つの困難なNEPおよび特定のフォトニック問題を用いた広範な数値実験によって検証されている：

• 収束挙動: 実験により、NLFEASTが線形収束を達成することが確認された。限定された数の求積ノードであっても、反復が進むにつれて残差が着実に減少する。
• Beynの手法との比較: 直接比較において、NLFEASTは高精度に到達するために必要な計算時間において、Beynの手法を大幅に上回る性能を示した。Beynの手法は精度を向上させるために $N$ を増やす（したがって行列の再分解が必要となる）必要があるが、NLFEASTは第1イテレーションで計算された行列 $T(\xi_j)$ のLU分解を再利用し、より安価な三角解法に依存する。
• 堅牢性: 本手法は、異なる固有値に対応する固有ベクトルが線形従属である特殊なケース（例：左または右固有ベクトルを共有する場合）においても、圧縮されたNEPに対して信頼できるソルバーを使用している限り、堅牢であることが示されている。

意義および主張
本論文は、NLFEASTの線形収束に対する初の理論的正当化を提供し、なぜ他の輪郭積分ベースのアプローチ（Beynの手法など）は機能しない一方で、NLFEASTは効果的な反復法として機能するのかを明らかにしていると主張している。著者らは、特定のメソッドが反復による収束に失敗する理由を説明している。すなわち、それらは求積誤差によって解消できないまま、部分空間多様体における不動点を欠いているのである。

その意義は、NEPにおいて高精度を達成するために、求積ノードを際限なく増やすという法外なコストをかける必要がないことを示した点にある。代わりに、中程度の数のノードと反復的な精緻化（NLFEASTのように）を組み合わせることで十分である。著者らは、このフレームワークが、より優れた特性を持つ新しい反復的非線形固有値ソルバーを設計する道を開くものであると結論付けているが、同時に、収束条件を満たすフィルタを構築することは依然として困難であり、現在はNLFEASTがこのフレームワークに適合する主要な例であると控えめに述べている。