在HPC上快速使用Qutip和slepc4py找出特征向量

Question

我正在做一些量子计算的数值模拟，我希望找到一个大的厄米特矩阵的本征向量（~2^14行/列）

我在一台24核/48线程的XEON机器上运行。代码最初是在Qutip库的帮助下编写的。我发现包含的eigenstates()函数只在我的机器上使用一个线程，所以我试图找到一种更快的方法来实现这一点。在

我尝试过使用scipy.linalgeig()和{}函数，以及scipy.sparse.linalgeig()和{}函数，但两者似乎都比Qutip中构建的函数慢。在

我已经看到一些建议，我可能会从使用slepc4py得到一些加速，但是包的文档似乎非常缺乏。我不知道如何将numpy复数数组转换为SLEPC矩阵。在

A = PETSc.Mat().create()
A[:,:] = B[:,:]
# where B is a scipy array of complex type

^{pr2}$

Answer 1

QuTiP中的特征解算器使用SciPy特征解算器。使用多少线程取决于SciPy链接到的BLAS库，以及您使用的是稀疏解算器还是密集解算器。在稠密的情况下，如果底层BLA利用了优势（例如Intel MKL），eigensolver将使用多个核心。稀疏解算器主要使用稀疏matvec操作，这些操作的内存带宽有限，因此使用单个内核最有效。如果你想要所有的特征值，那么你基本上就只能使用密集解算器了。然而，如果你只需要几个，比如最低的几个本征态，那么稀疏就是最好的选择。在

Answer 2

我最终找到了一个更简单的方法来使用所有的核心，似乎qutip没有告诉mkl使用所有的核心。 在python代码中，我添加了：

import ctypes
mkl_rt = ctypes.CDLL('libmkl_rt.so')
mkl_get_max_threads = mkl_rt.mkl_get_max_threads
mkl_rt.mkl_set_num_threads(ctypes.byref(ctypes.c_int(48)))

这迫使英特尔mkl使用所有的核心，给了我一个很好的加速。在

（回答来自question）