ML n BiCGStab 비대칭 선형 시스템을 위한 효율적인 다중 시작 Krylov 방법

본 논문은 대규모 희소 비대칭 선형 시스템 Ax = b를 풀기 위한 새로운 Krylov 서브스페이스 방법인 ML(n)BiCGStab을 소개한다. 기존의 BiCGStab은 단일 시작 Lanczos 과정을, GMRES/FOM은 Arnoldi 과정을 기반으로 하지만, 두 방법 사이에는 저장 요구량과 수렴 특성에서 큰 차이가 있다. ML(n)BiCGStab은 n개의 좌측 시작 벡터(그림자 벡터)를 이용한 다중 시작 Lanczos 과정을 도입함으로써, n=1이면 BiCGStab, n=N이면 GMRES/FOM이 되는 연속적인 방법군을 형성한다. 이 구조적 특징은 사용자가 문제의 특성에 따라 n을 조절함으로써 저장량(O(nN))과 수렴 속도를 균형 있게 맞출 수 있게 한다. 논문은 먼저 지수 함수 g_n(k)와 r_n(k)를 정의하는 인덱스 함수들을 도입하고, 이를 이용해 ML(n)BiCG 알고리즘을 수식적으로 전개한다. 여기서 p_k = Aᴴ^{g_n(k)} q_{r_n(k)} 로 정의된 좌측 검색 벡터는 다중 시작 Lanczos 과정의 핵심이다. 이후, ML(n)BiCG를 기반으로 세 가지 BiCGStab 변형을 제시한다. 첫 번째와 두 번째 변형은 Aᴴ를 사용하지 않으며, 각각 Ω_k(λ) 다항식과 잔차 정의 방식에 차이가 있다. 세 번째 변형(ML(n)BiCGStab‑t)은 Aᴴ를 명시적으로 사용해 잔차 r_k = Ω_{g_n(k)+1}(A) b − Ax_k 로 정의하고, ω 파라미터를 통해 최소 2‑노름을 보장한다. 각 알고리즘에 대한 연산 복잡도와 저장 요구량을 표로 정리하였다. 첫 번째와 세 번째 변형은 전형적인 BiCGStab과 동일한 O(nN) 저장을 필요로 하며, 이는 전체 GMRES의 O(N²) 저장에 비해 현저히 적다. 또한, 사전조건 M⁻¹을 적용한 전처리 버전을 제시해 실제 대규모 문제에 적용 가능하도록 하였다. 실험에서는 Matrix Market의 utm5940(5940×5940, 83 842 비대칭 비제로)과 qc2534(2534×2534, 복소 대칭) 행렬, 그리고 석유 저장소 시뮬레이션 데이터 SPE9를 사용하였다. 초기 벡터는 x₀ = 0, 그림자 벡터 Q는 r₀와 무작위 벡터의 조합으로 설정하였다. 수렴 기준은 ‖r_k‖₂/‖b‖₂ < 10⁻⁷ 로 정의하였다. 결과는 다음과 같다. 1. **안정성**: 두 번째 변형은 n ≥ 4에서 utm5940에 대해 발산하는 경향을 보였으며, 반면 첫 번째와 세 번째 변형은 안정적으로 수렴하였다. 2. **성능**: n을 4~8 정도로 설정했을 때, 첫 번째와 세 번째 변형 모두 BiCGStab 대비 60 %~70 % 정도의 시간 절감 효과를 보였다. 특히, SPE9 데이터에서 자동 n 선택 알고리즘(코드 #4)을 적용하면 전체 계산 시간이 70 % 이상 감소하였다. 3. **ω 파라미터**: ω = (Au_k)ᴴu_k / ‖Au_k‖₂² 로 정의했을 때, ω가 매우 작아지는 경우 수치적 불안정성이 발생한다. 이를 방지하기 위해 ρ = (Au_k)ᴴu_k / (‖Au_k‖₂‖u_k‖₂) 가 사전에 정의된 κ보다 작으면 ω를 스케일링하는 보정 방식을 제안하였다. 논문은 또한 ML(n)BiCGStab이 IDR(s)와 같은 다른 최신 비정형 Krylov 방법과도 관계가 있음을 언급한다. n ≥ N이면 FOM/GMRES와 동일한 동작을 보이며, n = 1이면 전통적인 BiCGStab과 일치한다는 점에서 “브릿지” 역할을 수행한다. 결론에서는 ML(n)BiCGStab이 저장 효율성(O(nN)), 수치 안정성, 그리고 빠른 수렴이라는 세 가지 측면에서 기존 방법들을 능가한다는 점을 강조한다. 특히, 연속적인 선형 시스템을 해결할 때 n을 동적으로 조정하는 전략이 큰 이점을 제공한다는 점을 강조하며, 앞으로의 연구 방향으로는 자동 n 선택 메커니즘의 고도화와 다양한 사전조건과의 결합을 제시한다.