Preconditioningstappen

Preconditioningstappen verwijzen naar de stappen die worden gevolgd bij het toepassen van een preconditioner op een probleem om de numerieke eigenschappen te verbeteren of de convergentie van iteratieve methoden te versnellen. Het begrip komt voor in lineaire algebra, optimalisatie en data-voorverwerking, en wordt toegepast op zowel wiskundige systemen als op machine learning-pijplijnen.

Het doel is om het oorspronkelijke probleem te transformeren naar een gelijkwaardig probleem met een gunstiger conditienummer en snellere convergentie, zonder de uiteindelijke oplossing te veranderen. Een preconditioner M (of P) wordt zo gekozen dat het transformeren van het systeem de effectiviteit van de gebruikte solver vergroot.

Typische stappen zijn: 1) probleemanalyse en selectie van een preconditioner; 2) constructie van de preconditioner M (of P); 3) toepassing van de preconditioner op het systeem, bijvoorbeeld als linker- of rechterpreconditionering; 4) oplossing van het getransformeerde systeem met een geschikte iteratieve methode zoals Conjugate Gradient (CG), GMRES of MINRES; 5) evaluatie van de convergentie en, indien nodig, aanpassing van de preconditioner.

Toepassingen bevinden zich voornamelijk in lineaire systemen Ax = b, waar men een preconditioner kiest zodat M^{-1}A beter geschikt is voor de solver; in machine learning bij data-voorverwerking zoals schalen en centreren of whitening; en in numerieke simulaties bij blokdiagonale of incomplete factorisatie-preconditioners om de conditionering te verbeteren.

Belangrijke overwegingen zijn de kosten van het toepassen van de preconditioner versus de verkregen snelheidwinst, de impact op sparsiteit en stabiliteit, en de mogelijkheid tot adaptieve aanpassing tijdens de berekening.