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

Resumo Técnico: Convergência Linear de Solucionadores de Autovalores Iterativos Baseados em Integrais de Contorno para Problemas de Autovalores Não Lineares

Enunciado do Problema
O artigo aborda o desafio de resolver problemas de autovalores não lineares (NEPs) da forma $T(\lambda)u = 0$, onde $T(\cdot)$ é uma função matricial holomorfa. Embora métodos baseados em integrais de contorno sejam atraentes por visarem de forma confiável todos os autovalores dentro de um domínio prescrito $D \subset \mathbb{C}$, as abordagens tradicionais, como o método de Beyn e o método de Sakurai–Sugiura (SS) não linear, carecem de um mecanismo inerente de refinamento iterativo. Consequentemente, alcançar alta precisão nesses métodos exige aumentar o número de nós de quadratura para reduzir o erro de discretização, o que leva a custos computacionais proibitivos devido à necessidade de fatorações de matrizes repetidas. Embora o algoritmo NLFEAST combine integrais de contorno com um passo de extração de Rayleigh–Ritz não linear e se comporte empiricamente como um método iterativo, suas propriedades de convergência teórica permaneceram insuficientemente compreendidas.

Metodologia e Estrutura
Os autores propõem um framework geral para solucionadores de autovalores iterativos baseados em integrais de contorno (Algoritmo 1) que unifica métodos existentes e facilita a análise de convergência. O framework opera em duas etapas alternadas por iteração:

1. Extração: Dada uma subespaço $X^{(k)}$, autopaares $(\rho_i^{(k)}, x_i^{(k)})$ são extraídos usando um procedimento de Rayleigh–Ritz.
2. Filtragem: Um operador de filtro $F_{it}(\rho_i^{(k)})$ é aplicado aos autovetores aproximados para gerar um novo subespaço $X^{(k+1)}$. Este filtro é uma aproximação discretizada de um operador contínuo $F_{ci}(\rho)$, derivado da representação por integral de contorno do projetor espectral.

O operador contínuo $F_{ci}(\rho)$ é definido como:
$$F_{ci}(\rho) := \frac{1}{2\pi i} \oint_{\partial D} \frac{1}{\xi - \rho} \left( I - T(\xi)^{-1}T(\rho) \right) d\xi$$
Usando o teorema de Keldysh, os autores caracterizam as propriedades espectrais deste operador, mostrando que ele aniquila componentes fora do subespaço de autovetores alvo enquanto preserva aquelas dentro dele.

Contribuições Principais e Resultados Teóricos
A principal contribuição do artigo é o estabelecimento de uma teoria de convergência rigorosa para este framework:

• Condição Necessária para Refinamento Iterativo: Os autores demonstram que, para um método iterativo convergir, o filtro deve mapear os autovetores aproximados para o subespaço invariante alvo $U_D$ conforme a aproximação melhora. Eles provam que as discretizações padrão, como as usadas no método de Beyn, falham nesta condição porque o lápis discretizado $M_{1,N} - \xi M_{0,N}$ não compartilha o mesmo subespaço invariante que o NEP exato, a menos que a quadratura seja exata. Isso explica por que o método de Beyn não consegue melhorar a precisão apenas através de iteração.
• Condição Suficiente para Convergência Linear (Teorema 6): Sob suposições suaves (autovalores simples e autovetores linearmente independentes), os autores provam que, se a família de filtros satisfizer limites de erro assintóticos específicos (onde o erro nas componentes "fora do subespaço" é reduzido por um fator $\gamma_N$), o algoritmo exibe convergência linear local. Especificamente, o ângulo entre o subespaço computado e o espaço de autovetores exato diminui linearmente: $\angle(X^{(k+1)}, U_D) = O(\gamma_N \angle(X^{(k)}, U_D))$.
• Convergência do NLFEAST (Teorema 7 & Corolário 8): O artigo aplica esta teoria ao algoritmo NLFEAST. Utilizando a estrutura de filtro específica definida no NLFEAST (uma aproximação racional da função indicadora combinada com o conceito de iteração inversa residual), os autores provam que o NLFEAST satisfaz as condições necessárias para a convergência linear. A taxa de convergência depende do erro de quadratura $\gamma_N$, que decai exponencialmente com o número de nós de quadratura $N$.

Resultados Numéricos
As descobertas teóricas são validadas através de extensos experimentos numéricos em nove NEPs desafiadores da coleção NLEVP e um problema fotônico específico:

• Comportamento de Convergência: Os experimentos confirmam que o NLFEAST alcança convergência linear, com resíduos diminuindo de forma constante conforme as iterações progridem, mesmo com um número limitado de nós de quadratura.
• Comparação com o Método de Beyn: Em comparações diretas, o NLFEAST supera significativamente o método de Beyn em termos de tempo computacional necessário para atingir alta precisão. Enquanto o método de Beyn requer o aumento de $N$ (e, portanto, a refatoração de matrizes) para melhorar a precisão, o NLFEAS reutiliza as fatorações LU das matrizes $T(\xi_j)$ computadas na primeira iteração, dependendo de resoluções triangulares mais baratas nos passos subsequentes.
• Robustez: O método mostra-se robusto mesmo em casos especiais onde autovetores correspondentes a diferentes autovalores são linearmente dependentes (por exemplo, compartilhando o mesmo autovetor esquerdo ou direito), desde que um solver confiável seja utilizado para o NEP comprimido.

Significância e Alegações
O artigo afirma fornecer a primeira justificativa teórica para a convergência linear do NLFEAST, esclarecendo por que ele funciona efetivamente como um método iterativo enquanto outras abordagens baseadas em integrais de contorno (como o método de Beyn) não o fazem. Os autores enfatizam que sua análise explica a "falha" de certos métodos em convergir via iteração: eles carecem de um ponto fixo no manifold de subespaços devido a erros de quadratura que não podem ser mitigados pela iteração.

A significância reside em demonstrar que uma alta precisão em NEPs pode ser alcançada sem o custo proibitivo de aumentar indefinidamente os nós de quadratura. Em vez disso, um número moderado de nós combinado com o refinamento iterativo (como no NLFEAST) é suficiente. Os autores concluem que este framework abre caminho para o design de novos solucionadores de autovalores não lineares iterativos com propriedades melhoradas, embora notem modestamente que construir filtros que satisfaçam as condições de convergência permanece desafiador e que, atualmente, o NLFEAST é o principal exemplo conhecido que se ajusta a este framework.