정확 대각화 메모리 절감 위한 특이값 분해 Lanczos 알고리즘

초록

본 논문은 격자 해밀토니안을 정확히 대각화하기 위해 Lanczos 알고리즘에 특이값 분해(SVD)를 결합한 새로운 방법을 제안한다. 격자를 두 개의 서브클러스터로 나누고, 각 Lanczos 벡터를 SVD로 압축함으로써 메모리 사용량을 지수적으로 감소시킨다. 저엔트로피(짧은 거리 상호작용) 시스템에서는 제한된 SVD 차원만으로도 높은 정확도를 유지할 수 있음을 보이며, 카고메(Kagomé) 격자 24·30·36 사이트에 대한 실험 결과를 제시한다.

상세 분석

이 연구는 전통적인 정확 대각화(Exact Diagonalization, ED)에서 가장 큰 제약인 메모리 요구량을 근본적으로 완화시키는 전략을 제시한다. 핵심 아이디어는 전체 격자를 두 개의 서브클러스터로 bipartite하게 분할한 뒤, Lanczos 반복 과정에서 생성되는 상태 벡터를 특이값 분해(SVD)로 표현하고, 가장 큰 nₛᵥᴅ개의 특이값만을 보존하는 것이다. 이렇게 하면 각 서브클러스터의 상태 벡터 차원이 원래의 2ⁿ⁄²에서 nₛᵥᴅ·2ⁿ⁄² 로 감소한다.

엔트로피 관점에서 보면, 짧은 거리 상호작용을 갖는 1‑D 또는 2‑D 시스템은 ‘area law’를 만족하여 엔트엔트로피 Sₑₑ가 시스템 크기에 비해 상대적으로 작다. 논문은 엔트엔트로피와 SVD 차원 사이의 관계를 ε≈exp(−nₛᵥᴅ^{1/Sₑₑ}) 로 추정하고, 이를 통해 nₛᵥᴅ를 충분히 크게 잡으면 truncation error ε가 지수적으로 감소함을 보인다. 특히, 엔트엔트로피가 1~3 정도인 카고메 클러스터에 대해 nₛᵥᴅ=200이면 ε≈10⁻¹³ 수준까지 떨어진다.

알고리즘 구현 단계는 다음과 같다. (1) 초기 상태를 두 서브클러스터의 직접곱 형태로 설정하고, (2) 해밀토니안을 H=H₁⊗I₂+I₁⊗H₂+∑_μ H₁^μ⊗H₂^μ 로 분해한다. (3) H를 적용하면 새로운 비정규화된 작은 벡터 집합이 생성되며, 이를 각각 직교화(오버랩 행렬 대각화)하고, (4) 두 서브클러스터 간의 결합 행렬 C에 대해 다시 SVD를 수행한다. 최종적으로 가장 큰 nₛᵥᴅ개의 특이값과 대응하는 벡터만을 보존한다. 이 과정을 매 Lanczos 스텝마다 반복함으로써 메모리 사용량을 일정하게 유지한다.

수치 실험에서는 Heisenberg 반강자성 모델을 카고메 격자(24, 30, 36 사이트)에 적용하였다. 메모리 제한을 15 GB 이하로 두고도, 대칭을 전혀 활용하지 않은 상태에서 정확한 기저 상태 에너지와 파동함수를 얻었다. 36‑site 클러스터의 ‘three‑star line’ 배치에서는 상대 오차 6×10⁻⁸, ‘three‑star triangle’ 배치에서는 1.3×10⁻⁴ 수준을 달성했다. 이는 엔트엔트로피 차이에 따른 오류 차이를 명확히 보여준다. 또한, 다중 파티셔닝을 재귀적으로 적용하면 메모리 절감 효과가 더욱 커지지만, 그에 따른 직교화·SVD 연산 비용이 급증하는 트레이드오프가 존재한다.

마지막으로, 기존 Lanczos와 DMRG와의 비교를 통해 장단점을 정리한다. Lanczos‑SVD는 메모리 절감과 경계조건·대칭에 대한 자유도가 큰 반면, 계산 시간은 추가 행렬 연산 때문에 늘어난다. DMRG는 변분적 최적화에 강점이 있지만, 초기 파라미터 선택에 민감하고, 복잡한 경계조건을 다루기 위해서는 별도의 구현이 필요하다. 따라서 두 방법은 상호 보완적인 관계에 놓여 있다.