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

Dit artikel introduceert H-NESSi, een open-source softwarepakket dat door middel van hiërarchische laag-rang compressie en geavanceerde tijdstappenmethoden de berekeningskosten en het geheugengebruik voor het oplossen van Kadanoff-Baym-vergelijkingen in niet-evenwichtssystemen drastisch verlaagt, waardoor langdurige simulaties van sterk gecorreleerde kwantummaterialen mogelijk worden.

De kern

H-NESSi: De Superheld die Kwantum-Chaos in Bedwang Houdt

Stel je voor dat je een enorme, chaotische stad probeert te bestuderen. In deze stad wonen miljarden deeltjes (zoals elektronen) die constant met elkaar praten, ruzie maken en samenwerken. Dit noemen we een kwantumsysteem.

De wetenschappers achter dit paper willen weten wat er gebeurt in deze stad als je er plotseling een flinke schok aan geeft, bijvoorbeeld door een sterke elektrische stroom of een laserflits. Ze willen weten hoe de stad eruitziet na een seconde, een minuut, of zelfs langer.

Het probleem? De berekeningen zijn zo complex dat ze de kracht van de sterkste supercomputers ter wereld nodig hebben. Zelfs dan stuiten ze op een muur: na een paar seconden "rekenen" is de computer volledig volgepropt met gegevens en stopt het werk. Het is alsof je probeert een onzichtbare, oneindig lange film te draaien, maar je camera heeft maar ruimte voor 5 minuten opslag.

H-NESSi is de nieuwe software die deze muur breekt. Hier is hoe het werkt, in simpele termen:

1. Het Oude Probleem: De "Alles-opslaan" Methode

Vroeger deden wetenschappers het zo: ze hielden elke interactie tussen elk deeltje op elk moment in de tijd bij.

• De analogie: Stel je voor dat je een gesprek tussen twee mensen bijhoudt. Maar in plaats van alleen de samenvatting te noteren, schrijf je elk woord, elke ademhaling en elke micro-expressie van beide personen op, van het begin tot het einde van hun leven.
• Het gevolg: De notitieblok wordt gigantisch. Als je de tijd verdubbelt, wordt het aantal notities niet twee keer zo groot, maar vier keer zo groot (of zelfs nog meer). De computer raakt hierdoor snel in de problemen met zijn geheugen en snelheid.

2. De Nieuwe Oplossing: De "Slimme Samenvatting" (HODLR)

H-NESSi gebruikt een slimme truc genaamd Hiërarchische Low-Rank Compressie.

• De analogie: In plaats van elk woord op te schrijven, kijkt H-NESSi naar het gesprek en zegt: "Oké, deze twee mensen hebben een patroon. Ze zeggen vaak hetzelfde, of hun reacties lijken sterk op elkaar."
• De software zegt dan: "Ik hoef niet alles op te slaan. Ik sla alleen de essentie op. Ik maak een slimme samenvatting van de interacties."
• Het resultaat: In plaats van een dik boek van 1000 pagina's, heb je nu een slimme samenvatting van slechts 10 pagina's die precies hetzelfde verhaal vertelt. Hierdoor kan de computer veel langer doorgaan zonder vol te raken.

3. De "Tijdsleutel" (Discrete Lehmann Representatie)

Bij het simuleren van warmte en energie (temperatuur) hebben wetenschappers vaak te maken met een soort "tijdsreizen" naar het verleden (imaginair tijd).

• De analogie: Stel je voor dat je een oude, vervormde foto probeert te restaureren. Normaal gesproken moet je elke pixel van de foto apart bekijken, wat heel lang duurt.
• H-NESSi gebruikt een techniek genaamd DLR. Dit is alsof je een speciale "lens" gebruikt die de foto direct in een heldere, schone versie zet, zonder dat je elke pixel hoeft te tellen. Het maakt het berekenen van de beginstand van het systeem (de temperatuur) veel sneller en nauwkeuriger.

4. Het Grote Teamwerk (MPI & OpenMP)

Om de zwaarste taken te doen, werkt H-NESSi samen met duizenden computers tegelijk.

• De analogie: Stel je voor dat je een enorme muur moet schilderen.
  • Oude methode: Eén schilder doet het hele werk. Hij wordt moe en het duurt eeuwen.
  • H-NESSi methode: Je hebt een heel team schilders (MPI) en elke schilder heeft een paar helpers (OpenMP). Ze werken allemaal tegelijk aan verschillende stukken van de muur.
  • De communicatie: Ze roepen elkaar af en toe toe: "Hé, ik heb hier een stukje verf nodig!" of "Kijk eens hoe ik dit stukje heb gedaan!" H-NESSi zorgt ervoor dat deze communicatie soepel verloopt, zodat niemand tijd verspilt.

Waarom is dit belangrijk?

Met H-NESSi kunnen wetenschappers nu simuleren wat er gebeurt in materialen die niet in rust zijn. Denk aan:

• Supergeleiders: Materialen die stroom zonder weerstand geleiden, zelfs als je ze trilt of verwarmt.
• Snelle elektronica: Hoe snel kunnen we computers maken die sneller schakelen?
• Nieuwe materialen: Het vinden van materialen die energie opslaan of omzetten op manieren die we nu nog niet begrijpen.

Kortom:
Vroeger waren deze berekeningen als het proberen om de hele geschiedenis van de mensheid te simuleren in één seconde. Dat was onmogelijk. Met H-NESSi is het alsof we een tijdmachine hebben gebouwd die ons toelaat om die geschiedenis in detail te bekijken, zonder dat de machine uitbrandt. Het opent de deur naar een nieuwe wereld van ontdekkingen in de kwantumwereld.

Technische samenvatting

Hieronder volgt een gedetailleerde technische samenvatting van het artikel over H-NESSi in het Nederlands.

Titel: H-NESSi: Het Hiërarchische Non-Equilibrium Systemen Simulatiepakket

Auteurs: Thomas Blommel e.a.
Doel: Een open-source softwarepakket presenteren voor het oplossen van de Kadanoff-Baym-vergelijkingen (KBE) voor niet-evenwichtsgroene functies (NEGF) met behulp van hiërarchische laag-rang compressietechnieken.

---

1. Het Probleem

De theoretische beschrijving van niet-evenwichtsverschijnselen in kwantummaterialen (zoals tijdelijke supergeleiding of metastabiele fasen) vereist numerieke methoden die sterke correlaties, langetijddynamica en ultrakorte aandrijvingen gelijktijdig kunnen behandelen.

• Beperkingen van bestaande methoden: Traditionele twee-tijdformuleringen van de Kadanoff-Baym-vergelijkingen (KBE) lijden onder een kubische schaling ($O(N_t^3)$) in rekentijd en een kwadratische groei ($O(N_t^2)$) in geheugengebruik met de propagatietijd $N_t$.
• Consequentie: Dit maakt langetijdsimulaties en simulaties van grote systemen (zoals 2D-roosters of multiorbitale materialen) computationeel onhaalbaar.
• Uitdagingen: Bestaande benaderingen zoals de Generalized Kadanoff-Baym Ansatz (GKBA) zijn minder accuraat in sterk gecorreleerde regimes, terwijl exacte methoden vaak vastlopen op geheugenlimieten of convergentieproblemen bij lange tijden.

2. Methodologie

H-NESSi combineert hoog-orde tijdstap-algoritmen met geavanceerde datacompressie om de rekenkosten drastisch te verlagen.

• Hiërarchische Off-Diagonal Low-Rank (HODLR) Compressie:
  • De retarded ($G^R$) en lesser ($G^<$) Groene functies worden niet als volle matrices opgeslagen, maar worden hiërarchisch gepartitioneerd in blokken.
  • Deze blokken worden benaderd via een Truncated Singular Value Decomposition (TSVD). Singulariteiten onder een bepaalde drempelwaarde ($\epsilon_{SVD}$) worden verwijderd.
  • Dit leidt tot een $\epsilon$-rang die vaak sublineair groeit met de blokgrootte, wat resulteert in een aanzienlijke geheugenbesparing.
• Discrete Lehmann Representatie (DLR):
  • Imaginaire-tijd grootheden (zoals Matsubara-componenten) worden efficiënt gediscretiseerd op een schaarse grid met behulp van de DLR-methode. Dit zorgt voor een compacte en accurate behandeling van thermische beginstaten zonder de noodzaak van equidistante grids.
• Numerieke Integratie:
  • Het pakket gebruikt hoog-orde tijdstap-schema's (tot orde 6) voor het oplossen van de integro-differentiaalvergelijkingen.
  • De implementatie ondersteunt adaptieve rangselectie en multiorbitale systemen (spin, orbitaal, roosterplaats).
• Parallelisatie:
  • Gedeeld geheugen (OpenMP): Voor parallelle verwerking binnen een knooppunt.
  • Verspreid geheugen (MPI): Voor grote roosters met translatie-invariantie. De Green-functies worden in de impulsruimte ($k$-ruimte) verdeeld over MPI-processen, terwijl de zelf-energie-evaluatie (die vaak in de reële ruimte efficiënter is) via FFT en communicatie wordt gemanaged.

3. Belangrijkste Bijdragen

• Open-source Implementatie: H-NESSi is beschikbaar als een C++-bibliotheek met Python-scripts voor analyse, ontworpen met een interface die sterk lijkt op het bestaande NESSi-pakket, maar met ingebouwde compressie.
• Controleerbare Nauwkeurigheid: De methode introduceert geen extra fysische aannames; de nauwkeurigheid wordt uitsluitend bepaald door de compressiedrempel ($\epsilon_{SVD}$) en de DLR-parameters.
• Flexibele Workflow: Ondersteuning voor dynamische mean-field theorie (DMFT), impurity-solvers, en zowel evenwichts- als niet-evenwichtscondities.
• Geavanceerde Communicatie: Een mpi_comm-klasse die de communicatie van Green-functies en zelf-energieën tussen MPI-processen en threads automatiseert, inclusief transpositie van data tussen tijds- en impuls-domeinen.

4. Resultaten en Benchmarking

De auteurs testen H-NESSi op twee voorbeeldsystemen:

1. Aangedreven Supergeleider (DMFT):
   • Vergelijking met de NESSi-implementation toont aan dat H-NESSi een asymptotische tijdscomplexiteit heeft van $O(T^{2+\alpha})$, waarbij $\alpha$ afhangt van de ranggroei (bijv. $\alpha \approx 0.5$ voor supergeleiders).
   • Dit is een enorme verbetering ten opzichte van de kubische schaling ($O(T^3)$) van traditionele methoden.
   • De $\epsilon$-rang is in de normale toestand zeer laag (hoge compressie), terwijl deze in de supergeleidende toestand groeit als $N^{1/2}$, maar toch veel efficiënter blijft dan volle matrices.
2. 2D Hubbard Model (Second Born Approximatie):
   • Simulaties op grote roosters ($L=64$, $N_t > 16000$) tonen aan dat H-NESSi langetijdsimulaties mogelijk maakt die met NESSi onmogelijk zouden zijn vanwege geheugenbeperkingen (NESSi is beperkt tot $N_t \approx 2048$ bij gelijke geheugenbudgetten).
   • De hybride MPI+OpenMP-schaling toont bijna lineaire snelheidswinst tot 32 MPI-processen en goede schaling tot 16 OpenMP-threads.
   • Bij optimale configuratie (8 threads per rank) wordt de rekentijd geminimaliseerd.

5. Betekenis en Impact

H-NESSi doorbreekt de computationele barrières die tot nu toe langetijdsimulaties van sterk gecorreleerde kwantummaterialen in niet-evenwicht beperkten.

• Toegang tot nieuwe tijdschalen: Het stelt onderzoekers in staat om processen op picoseconde tot nanoseconde-schalen te simuleren, wat cruciaal is voor het begrijpen van experimenten met ultrafast driving.
• Schaalbaarheid: Het maakt simulaties van grote, realistische systemen (zoals 2D-roosters en multiorbitale materialen) haalbaar op moderne supercomputers.
• Toekomstperspectief: De modulaire architectuur biedt een basis voor verdere uitbreidingen, zoals geavanceerdere zelf-energie-benaderingen, embedding-schema's en koppeling aan andere vrijheidsgraden.

Kortom, H-NESSi biedt een robuust, nauwkeurig en schaalbaar framework voor de volgende generatie studies naar de niet-evenwichtsdynamica van gecondenseerde materie.