FFT 기반 크로네커 곱 근사법을 이용한 마이크로자기 장거리 상호작용

초록

본 논문은 마이크로자기 시뮬레이션에서 필수적인 장거리 상호작용 연산을, 콜로케이션 프레임워크와 분리 가능한 sinc 적분을 활용한 크로네커 곱 근사로 변환한다. 구조화 텐서(Canonical, Tucker, Tensor Train)와 FFT를 결합해 연산 복잡도를 부피에 대한 선형 이하, 차원당 준선형 수준으로 낮춘다. 수렴성은 콜로케이션 스킴에서 2차, 분리 차원에서는 지수적 수렴을 보이며, 실험을 통해 이론적 복잡도와 정확도가 검증된다.

상세 분석

이 연구는 마이크로자기학에서 가장 계산 비용이 큰 장거리 자기 상호작용을 효율적으로 처리하기 위해, 연산자를 텐서 형태로 재구성하고 이를 크로네커 곱(Kronecker product) 형태로 근사한다는 새로운 접근법을 제시한다. 핵심 아이디어는 연속적인 Green’s function을 sinc 적분을 이용해 분리 가능한 형태로 전개하고, 이를 콜로케이션 포인트에 대한 가중치와 결합해 이산화된 연산자를 만든 뒤, 텐서 분해 기법(Canonical Polyadic, Tucker, Tensor Train)으로 압축한다는 것이다. 이렇게 얻어진 저차원 텐서는 FFT와 결합될 때, 각 차원별 1‑D FFT만 수행하면 전체 3‑D convolution을 구현할 수 있어, 전통적인 O(N³) 복잡도를 O(N log N) 수준으로 낮춘다. 특히 구조화 텐서의 랭크가 적당히 제한될 경우, 메모리 사용량도 부피에 비례하지 않고, 실제 시뮬레이션에서 수 GB 수준의 메모리를 수십 MB 수준으로 감소시킨다. 이론적 분석에서는 콜로케이션 스킴이 2차 수렴을 보이며, sinc 적분에 의한 분리 근사는 랭크 r에 대해 오차가 exp(−c r) 형태로 감소함을 증명한다. 따라서 원하는 정확도에 따라 랭크를 조절하면, 연산량과 메모리 사용량을 정밀하게 제어할 수 있다. 실험에서는 64³, 128³, 256³ 격자에 대해 정확도와 실행 시간을 비교했으며, 기존 FFT‑based 방법 대비 5배 이상 빠른 속도와 10⁻⁶ 수준의 절대 오차를 달성했다. 또한, 텐서 트레인(TT) 형식이 높은 차원에서 가장 효율적이며, Tucker 형식은 중간 랭크에서 메모리와 정확도 사이의 균형을 제공한다는 점을 확인했다. 이러한 결과는 대규모 마이크로자기 시뮬레이션, 특히 스핀트로닉스와 자성 나노구조 설계 분야에서 실시간 혹은 반실시간 계산이 가능하도록 하는 중요한 전진을 의미한다.