Approximation and composition of functions in quantized tensor trains via orthogonal polynomial expansions
本文提出了一种利用正交多项式展开和 Clenshaw 求值来高效地将解析函数表示为量化张量列（QTT）的构造性算法，从而实现在高维设置下稳定且快速收敛的函数复合。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代科学与工程领域，研究人员经常面临一个令人畏惧的问题：如何描述一个拥有数百甚至数千个运动部件的系统，而不至于淹没在海量数据之中。想象一下，试图绘制每一粒沙子的地图；信息的巨大容量会迅速让任何计算机不堪重负。为了解决这个问题，数学家和物理学家开发了压缩这些信息的方法，在保留问题本质形状的同时，剥离掉不必要的细节。实现这一目标的一种强大的方法被称为张量列（tensor train），这种技术将一个庞大且复杂的对象分解为一系列较小的、易于处理的部分。当这些部分以特定的分层方式排列时，就形成了所谓的量子化张量列（quantized tensor train）。这种结构极其高效，使计算机能够处理那些原本无法处理的问题，例如模拟量子粒子的行为或求解高维空间中的复杂方程。然而，一个持久的挑战仍然存在：如何将一个平滑的连续函数——即对曲线或曲面的数学描述——转化为这种压缩格式，而不损失精度或稳定性？
马德里基础物理研究所的一个研究小组开发了一种新方法来回答这个问题。他们创建了一种构造性算法，通过使用一种被称为正交多项式（orthogonal polynomials）的特定数学构建模块，将平滑的连续函数转化为这些压缩的张量格式。可以将这些多项式想象成一组标准且表现良好的曲线，它们可以相互混合以重构几乎任何平滑的形状。研究人员发现，通过将一个函数展开为这些曲线的求和，然后将该求和过程仔细地转化为张量格式，他们可以创建出高度精确的近似值。该方法对于那些平滑且没有尖锐、锯齿状边缘的函数特别有效。它的工作原理是逐步构建解，使用一种稳定的数学配方，即使在计算涉及数千个变量时也能防止误差累积。
该团队在多种数学函数上测试了他们的方法，其范围从简单的钟形曲线到复杂的振荡波。他们发现，对于平滑函数，他们的方法收敛迅速，这意味着它能以相对较少的计算步骤达到很高的精度。在涉及一元函数（即只有一个变量的函数）的测试中，他们的技术比其他流行方法需要更少的数据点即可达到相同的精度。许多其他技术通常依赖于从函数中随机采样点来猜测其形状，这可能导致效率低下且不可预测，而这种新方法则利用函数已知的数学结构直接构建解。这种确定性的方法确保了结果的稳定性和可重现性。研究人员还展示了通过将更简单的单变量近似进行链式组合，他们可以处理涉及多个变量的多元函数。这使得他们能够应对高达 200 个变量的问题，代表了一个拥有超过一万亿种可能状态的系统，这一规模远远超出了传统未压缩方法的处理能力。
该新算法的核心优势之一是，即使在问题复杂度增加时也能保持稳定性。在许多数值方法中，增加变量数量或提高计算精度可能会导致精度崩溃，即微小的误差会成倍放大并毁掉结果。研究人员表明，他们使用正交多项式结合一种被称为 Clenshaw 递归（Clenshaw recurrence）的特定评估技术，可以有效地控制这些误差。他们观察到，该方法具有高效的可扩展性，这意味着求解问题所需的时间和内存以可控的速率增长，而不是呈指数级爆炸。这对于量子启发式计算（quantum-inspired computing）至一个至关重要的应用，其目标是模拟那些对于标准计算机来说过于庞大的复杂物理系统。该团队将他们的结果与现有的最先进技术（如张量交叉插值，tensor cross-interpolation）进行了比较，发现虽然他们的方法并不总是对每种类型的题目都最快，但在处理平滑且高阶可微函数时，它提供了一个稳健且可靠的替代方案。
这项工作还强调了数据在计算机内存中组织方式的重要性。研究人员探索了在计算中排列变量的不同方式，发现对于某些类型的复杂非线性模型，一种他们称为“串行顺序”（serial order）的特定排列方式往往比更杂乱的“交错排列”（interleaved arrangement）表现更好。这一发现表明，我们构建数学模型的方式与我们用来求解它们算法同样重要。通过仔细选择运算顺序和多项式展开类型，研究人员能够突破计算可行性的边界，处理那些通常会导致其他方法失效的具有密集相互作用和强相关性的系统。
最终，这项研究为在这些压缩格式内组合函数提供了一个通用的框架。它允许科学家将一个已知函数应用于另一个已经处于压缩状态的函数，从而能够在无需将其展开为完整、臃肿形式的情况下，构建复杂的层级模型。这种能力为求解非线性方程和模拟复杂的物理过程开启了大门，并实现了此前难以企及的效率水平。本研究开发的算法现已作为开源软件发布，允许其他研究人员将这些技术应用于他们自己的问题。通过将高维数据的抽象挑战转化为具体的、可求解的过程，这项工作为在现代科学计算的广袤且复杂的景观中航行提供了新的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。