科学计算中的预处理艺术

玻尔百科

核心要点

预处理将一个病态线性系统转化为一个等价的良态系统，从而使迭代求解器能够快速收敛。
最优预处理器与原系统的算子“谱等价”，确保求解器的性能独立于网格尺寸等离散化细节。
对于复杂的物理模型，诸如Multigrid和Domain Decomposition等基于物理动机的方法，通常比纯代数方法更具鲁棒性和可扩展性。
有效的预处理对于应对高级计算挑战至关重要，包括多物理场耦合、大规模优化和不确定性量化。

引言

在科学计算的世界里，对更高保真度和更大精确度的追求几乎总是不可避免地导致产生庞大的线性方程组。这些可以模拟从机翼上的气流到分子的量子态等一切事物的系统，是现代模拟的基石。然而，随着我们的模型变得越来越精细，这些系统常常会变得“病态”，这是一种危险的状态，即使是最强大的迭代求解器也可能因此陷入停滞。这种困境对科学进步构成了重大障碍，造成了计算瓶颈，限制了我们探究的范围和规模。

本文探讨了解决这一问题的优雅而强大的方案：预处理。这是一门将困难问题转化为一个求解器可以快速高效解决的等价简单问题的艺术。通过对这一主题的探索，您将对数值分析中最基本的概念之一产生深刻的理解。我们将首先在“原理与机制”一章中探索其核心思想，揭示病态的来源和预处理的理论基础，从谱等价这一统一概念到其设计的两种伟大哲学：代数方法与物理方法。然后，我们将审视该领域的杰作，包括Multigrid和Domain Decomposition方法。随后，“应用与跨学科联系”一章将带领我们游览不同的科学领域，揭示这些抽象技术如何成为地球物理学、流体动力学、电磁学等领域取得突破所不可或缺的工具。

原理与机制

病态之苦

想象你有一个极其精密的仪器——一个现代迭代求解器，比如共轭梯度法。它是数学工程的奇迹，旨在在高维空间中导航，以找到唯一解 $x$ ，满足方程 $A x = b$ 。这个方程组可能代表处理器中的稳态热分布、桥梁上的应力或机翼上的气流。矩阵 $A$ 编码了物理定律和问题的几何形状，向量 $b$ 代表外部力或源。

求解器通过采取一系列巧妙的步骤来工作，每一步都使其更接近解。但有时，求解器会陷入几乎停滞的状态，迈出无数微小而混乱的步伐，似乎迷失了方向。问题出在哪里？求解器并没有坏。它试图导航的地形太过险恶。这就是病态问题。

把矩阵 $A$ 看作一个拉伸和旋转向量的变换。它在不同方向上的“拉伸因子”由其特征值给出。如果最大的拉伸因子巨大而最小的拉伸因子微不足道，那么该矩阵就是病态的。这就像试图在同一台秤上称量一根羽毛和一头大象：这台秤至少对其中一项任务是不合适的。最大与最小拉伸因子之比（对于对称正定矩阵，即最大与最小特征值之比）就是条件数 $\kappa(A)$ 。一个大的条件数预示着麻烦。一个迭代求解器在审视这样的地形时，看到的是一个被拉伸成一个狭长椭圆的区域；在这样一个扭曲的山谷中寻找最小值是极其缓慢的。

这不仅仅是一个理论上的好奇。它是科学计算中的核心难题。当我们通过细化计算网格（使网格尺寸 $h$ 变小）或使用更复杂的逼近（增加多项式阶数 $p$ ）来创建更精细的模拟时，得到的矩阵 $A$ 不可避免地会变得更加病态。条件数通常会爆炸式增长，其尺度类似于 $1/h^2$ 或 $p^4$ 。我们为追求更高精度所付出的代价是一个在计算上变得棘手的问题。

预处理思想：一种视角的转变

如果地形太难导航，或许我们可以改变地形。这就是预处理深刻而优美的思想。我们不求解原始的、棘手的系统 $A x = b$ 。相反，我们找到一个辅助矩阵 $M$ ，即预处理器，然后求解一个等价但好得多的系统，例如：

M^{-1} A x = M^{-1} b

解 $x$ 完全相同，但我们希望系统的新矩阵 $M^{-1}A$ 是良态的。我们理想的预处理器 $M$ 必须满足两个看似矛盾的目标：

$M$ 必须是 $A$ 的一个“良好近似”。在最好的情况下，如果 $M$ 完全等于 $A$ ，我们的新系统矩阵将是 $A^{-1}A = I$ ，即单位矩阵。单位矩阵不拉伸任何东西；它的条件数是完美的1。所以，我们希望 $M^{-1}$ 接近 $A^{-1}$ 。
应用 $M^{-1}$ 的操作在计算上必须是廉价的。这意味着求解形如 $M z = r$ 的线性系统必须非常快。如果用 $M$ 求解和用 $A$ 求解一样困难，那我们就一无所获。

预处理的艺术就在于平衡这种权衡的艺术：找到一个算子 $M$ ，它既足够接近 $A$ 以驯服条件数，又足够简单以便能轻松求逆。

统一原理：范数的交响

对此有一种更深刻、更几何化的理解方式。一个对称正定矩阵 $A$ 不仅定义了一个方程组；它还定义了一个“能量”内积， $a(u,v) = u^T A v$ 。一个状态 $u$ 的“能量”是 $a(u,u)$ ，这产生了一种在我们的系统中衡量大小和距离的自然方式：能量范数， $\|u\|_a = \sqrt{a(u,u)}$ 。

预处理器 $M$ 也定义了它自己的范数， $\|u\|_M = \sqrt{u^T M u}$ 。现代预处理的宏大统一原理是：如果一个预处理器的范数与原始问题的能量范数等价，且等价常数独立于离散化参数 $h$ 和 $p$ ，那么这个预处理器就是最优的。从数学上讲，这意味着我们可以找到两个不依赖于网格精细度的正常数 $c_1$ 和 $c_2$ ，使得对于任何向量 $u$ ：

c_1 \|u\|_M^2 \le \|u\|_a^2 \le c_2 \|u\|_M^2

这个条件，被称为谱等价，是预处理领域的“圣杯”。如果它成立，就能保证预处理后系统 $M^{-1}A$ 的条件数受常数比值 $c_2/c_1$ 的限制。问题被驯服了，我们的迭代求解器将在一个不再依赖于网格尺寸或多项式次数的步数内收敛。寻找一个好的预处理器变成了一场美妙的探索，即寻找一个简单的、可逆的算子，其几何“形状”（它的范数）模仿了物理问题内在的几何结构。[@problem_id:3395415, E]

两种哲学：炼金术士与物理学家

我们如何构造这样一个神奇的算子 $M$ ？历史上，出现了两种广泛的哲学，我们可以称之为炼金术士之道和物理学家之道。

炼金術士（代数方法）： 这种方法是一种数学上的炼金术。它将矩阵 $A$ 看作一个给定的数字数组，忘记了它的物理起源。然后，它应用纯代数变换，试图产生一个“黄金”预处理器。一个经典的例子是不完全LU (ILU) 分解，它执行高斯消元的步骤，但有策略地丢弃一些元素以保持因子稀疏。另一种方法是构建一个稀疏近似逆 (SPAI)，通过构造一个稀疏矩阵 $M$ 来直接最小化诸如 $\|AM - I\|_F$ 或 $\|MA - I\|_F$ 的目标函数。这些方法虽然巧妙，但对底层的物理学是“盲目”的。因为它们看不到问题的全局结构，当网格被细化或物理属性（如电导率）在区域内剧烈跳跃时，它们的有效性常常会减弱。总的来说，它们不具有鲁棒性。[@problem_id:2570909, A, C]
物理学家（基于算子的方法）： 这种方法记住矩阵 $A$ 不仅仅是数字的集合，而是一个连续物理算子（如拉普拉斯算子 $-\nabla^2$ ）的离散投影。其思想是通过离散化一个更简单但物理上合理的模型来构建预处理器 $M$ ，该模型在谱上等价于原始算子。这种哲学催生了一些已知最强大、最鲁棒的预处理技术。

物理学家预处理方法的杰作

让我们探讨一下从“物理学家”哲学中涌现出的两个最优雅、最强大的思想。

Multigrid：在所有尺度上思考

想象一下试图画一幅巨大的、细节丰富的壁画。你不会用一支小画笔逐个像素地填充。你会先用粗线条勾勒出大规模的构图，然后完善中等尺度的特征，只有在最后才添加精细的细节。

Multigrid方法体现了这种尺度感知的智慧。它认识到许多简单迭代方法（称为“光滑子”，如Jacobi或Gauss-Seidel）的一个基本特性：它们擅长消除误差的局部、高频（摆动）分量，但在减少全局、低频（光滑）分量方面却异常缓慢。

Multigrid算法是在从细到粗的一系列网格上进行的一种递归舞蹈：

在细网格上，应用几步简单的光滑子。这能迅速消除误差的摆动部分。
剩下的误差是光滑的。一个光滑的函数不需要细网格就能被精确表示。因此，我们将残差问题（关于误差的方程）转移到一个更粗的网格上。
在这个粗网格上，问题变得小得多，求解成本也低得多。我们甚至可以通过应用相同的Multigrid思想来递归地求解它。在最粗的层级上，我们可以负担得起直接精确求解这个微小的系统。
一旦我们从粗网格得到了误差校正，我们将其传回细网格并更新我们的解。
这个粗网格校正处理了我们细网格光滑子难以解决的光滑误差。我们可能会做几步后平滑来清理插值过程中引入的任何高频误差。

当作为一个预处理器使用时，一个单独的Multigrid“V-cycle”充当了 $M^{-1}$ 的一次高效、隐式的应用。它的天才之处在于为每项任务使用正确的工具：用光滑子处理高频，用粗网格校正处理低频。对于许多问题，如Poisson方程，一个Multigrid循环的总工作量仅仅是细网格上单次矩阵向量乘积成本的一个小常数倍。它具有最优复杂度 $\Theta(n)$ ，并且它实现了网格无关收敛的“圣杯”[@problem_id:3362565, A]。对于更复杂的物理问题，如电磁学或高阶离散化，Multigrid的传递算子和粗网格算子必须被设计成尊重微分算子的底层结构，从而产生了强大的变体，如 $p$ -multigrid [@problem_id:3399015, A] 和基于交换图的方法[@problem_id:3575840, A]。

Domain Decomposition：分而治之

另一个强大的、基于物理动机的思想是将一个大的、单一的区域分解成许多更小的、重叠的子区域。然后，我们在这些更小、更易于管理的部分上求解问题，并将结果拼接在一起形成全局解。这就是Domain Decomposition方法的精髓，它天然适合并行计算。

主要有两种变体：

Additive Schwarz： 我们同时在所有子区域上求解局部问题，基于相同的全局残差，然后简单地将所有得到的校正相加。这是高度可并行的，因为每个子区域都可以独立工作。这就像一个工人团队，每人负责一小块区域，所有人同时工作。[@problem_id:3544248, A, C]
Multiplicative Schwarz： 我们按顺序逐一求解子区域问题。当我们在子区域 $i$ 上求解时，我们使用最新的信息，包括刚刚在子区域 $1, 2, \dots, i-1$ 上计算出的校正。这就像一场接力赛，通常能让你用更少的圈数（迭代次数）到达终点，但本质上是串行的。[@problem_id:3544248, A, C]

使这些方法具有鲁棒性和可扩展性的秘密武器是增加了一个全局粗网格求解。每个子区域只有局部信息。一个全局粗糙求解充当了全局通信的机制，将信息传播到整个区域，并校正任何单个子区域都看不到的光滑误差分量。加上这个部分，像element-wise additive Schwarz这样的方法可以对网格尺寸 $h$ 和多项式阶数 $p$ 都具有鲁棒性[@problem_id:3399015, D]。

思想的演变：一窥更广阔的世界

预处理的核心概念——使用近似逆来改善算子性质从而加速收敛——是如此强大，以至于它出现在科学计算的许多其他角落。

结构化问题： 许多物理系统，如不可压缩流体流动或电磁学，会导致具有独特分块结构的“鞍点”系统。简单地对整个系统进行预处理常常会失败。一个成功的策略是采用分块预处理器，它尊重这种结构，对系统的不同物理分量（如流体中的速度场和压力场）使用单独的、量身定制的预处理器。
特征值问题： 寻找特征值和特征向量——一个系统的自然振动模式——的过程也可以被加速。这里必须小心：简单地将 $M^{-1}$ 应用于特征问题 $Ax = \lambda x$ 会改变特征值。相反，预处理是在迭代求解器内部使用的。对于当前猜测的特征向量，我们计算一个残差。然后，我们应用一个近似于 $(A - \sigma I)^{-1}$ 的预处理器，其中 $\sigma$ 是接近目标特征值的位移。这个“移位-反演”步骤就像一个强大的滤波器，放大了我们正在寻找的特征向量的分量，从而导致极快的收V敛。这是像Jacobi-Davidson方法这类复杂算法背后的引擎。[@problem_id:2427829, B, E]
无矩阵计算： 在许多现代高阶方法中，系统矩阵 $A$ 可能非常大且密集，以至于我们甚至不敢组装和存储它。所有操作都是“无矩阵”的，即 $A$ 对向量的作用是即时计算的。这种情况要求预处理器也是无矩阵的。这排除了许多代数方法，如ILU，但偏爱物理学家的方法：带有 polynomial smoothers 的 multigrid 和带有 fast local solvers 的 domain decomposition 在这个无矩阵的世界里如鱼得水。

从驯服病态线性系统到加速寻找特征值，预处理原理证明了计算中的一个深刻思想：通常，解决一个难题的最快方法是首先解决一个相关的、更简单的问题。这是物理学、数学和计算机科学之间美妙的相互作用，使得现代大规模模拟的大部分成为可能。

应用与跨学科联系

在探索了预处理的基本原理之后，我们现在站在了一个制高点。从这个有利位置，我们可以俯瞰现代科学与工程的广阔图景，看到这些思想不仅仅是抽象的数学工具，更是发现和设计的关键仪器。我们学会驯服的“病态系统”并非罕见的野兽；它们无处不在，潜伏在几乎每一个宏大计算挑战的核心。让我们开始一次“狩猎旅行”，去看看它们在自然栖息地中的样子。

我们脚下的大地：从材料到行星

我们的第一站或许是最直观的。想象一下，试图预测热量如何流过一种现代复合材料——一个由金属和陶瓷相互交错构成的块体。金属以惊人的速度传导热量，而陶瓷则起绝缘作用。当我们使用有限元方法建立这个过程的计算模型时，得到的方程组继承了这种巨大的反差。我们矩阵中代表金属的部分将有巨大的数值，而代表陶瓷的部分将有微小的数值。这种巨大的尺度范围给简单的迭代求解器带来了麻烦；它们会陷入困境，迈出无数微小的步伐，迷失在数值的荒野中。

这正是我们旅程的起点。一个简单的对角或“Jacobi”预处理器，只关注局部情况，完全无法应对。要真正征服这个问题，我们需要一个能够理解材料电导率全局结构的方法。这就是Algebraic Multigrid (AMG)的魔力所在。AMG智能地将强耦合的变量（比如金属通道内的所有点）分组，并创建一系列更粗糙、更简单的问V题表示。通过在这些粗糙层级上求解问题，它可以有效地处理那些让简单方法束手无策的大尺度通信。它的力量在于“系数感知”——其策略由矩阵本身编码的强反差物理特性决定。

我们可以将这个想法从一小块材料扩展到整个地球。在计算地球物理学中，科学家模拟地震波在地球地壳中的传播，或石油和水在多孔岩层中的流动。这里我们再次面临材料属性的剧烈跳跃——从坚硬的岩石到液态的油藏，或者从一个地质层到另一个。对于这些大规模问题，另一个强大的思想应运而生：Domain Decomposition。像BDDC或FETI-DP这样的方法通过将巨大的问题区域（地球地壳）分解成更小、更易于管理的子区域来工作。每个子区域可以独立求解（可能在超级计算机的不同处理器上），但其天才之处在于如何将解拼接在一起。这需要一个“粗糙空间”来正确捕捉整个区域的低能物理特性，特别是高电导率区域是如何连接的。这也是一种系数感知的预处理，旨在对地球的剧烈非均质性保持鲁棒性。

流体的舞蹈与时间的行进

现在让我们把目光从坚实的土地转向流动的空气和水。在计算流体力学 (CFD) 中，我们模拟从飞机机翼上的气流到飓风的天气模式等各种现象。许多这些模拟是瞬态的，意味着我们必须观察系统如何随时间演变。为了高效地做到这一点，我们希望采取尽可能大的时间步长 $\Delta t$ 。

当我们使用隐式时间步进格式（如Backward Differentiation Formulas, BDF）时，每一步都需要求解一个大型非线性系统，而这个系统又通过Newton-Raphson方法进行线性化。这使得我们在每个时间步都必须求解一个线性系统。该系统的矩阵具有一个有趣的结构：它看起来像 $A \approx \frac{1}{\Delta t} M + K$ ，其中 $M$ 是良态的“质量矩阵”，而 $K$ 是代表流体复杂空间相互作用的棘手的“刚度矩阵”。

在这里，我们发现了一种美丽的二元性。如果我们采取一个非常小的时间步长（ $\Delta t \to 0$ ）， $\frac{1}{\Delta t} M$ 项占主导地位。系统变得“类质量”，并且表现得非常好，易于求解。预处理器的工作很简单。但这是一种得不偿失的胜利——我们需要无数个微小的步长才能模拟任何有意义的事情。如果我们大胆地采取一个大的时间步长（ $\Delta t \to \infty$ ）以更快地得到答案， $\frac{1}{\Delta t} M$ 项就会消失。我们只剩下与 $K$ 这个棘手、病态且通常非对称的“猛兽”搏斗。我们迭代求解器的收敛现在严重依赖于一个复杂的预处理器，也许是一个Incomplete LU factorization (ILU) 或一个专门设计的Multigrid或Domain Decomposition方法。因此，预处理器的选择是每个时间步计算成本与所需步数之间动态平衡行为的一个组成部分。

电磁学与量子力学的奇异世界

我们目前看到的挑战源于材料或动力学的复杂性。但有时，物理理论本身的结构就编织出了一张困难的数学织锦。

考虑模拟一个电磁波（如雷达脉冲）从一个物体上散射的任务。Maxwell方程组主宰着这个世界。为了使用有限元精确地模拟这一点，特别是在尖角或边缘附近，物理学家使用一种被称为Nédélec元素的特殊“矢量基函数”。这些元素非常出色，因为它们正确地表示了电场的物理属性，并自动防止了无意义的伪解的出现。但这种出色是有代价的。得到的刚度矩阵 $K$ 有一个巨大的零空间。这意味着存在大量的向量，当乘以 $K$ 时得到零。这个零空间不是随机的；它精确地对应于所有“梯度场”的集合，这些场没有旋度，因此代表了一种静电场。一个标准的预处理器，如AMG，在这个广阔平坦的地形中会完全迷失，无法区分物理上有趣的波状解和这片梯度之海。解决方案是什么？一个保结构预处理器。最先进的方法，被称为Auxiliary-space Maxwell Preconditioner (AMS)，是独创性的杰作。它的工作原理是将原始问题与一个更简单的辅助问题（一个标量Poisson方程）耦合起来，这个辅助问题精确地刻画了零空间。通过求解这个辅助问题，它有效地“预处理”掉了零空间，使得一个标准预处理器可以在良态的剩余部分上工作。这是一个深刻的例子，说明了对物理学最深刻的洞见必须直接构建到线性代数中。

一个同样奇异的世界在量子化学中等待着我们。在计算分子性质时，化学家经常需要使用像MCSCF这样的方法来找到电子轨道的最佳“形状”。这是一个高度非线性的优化问题。在Newton-Raphson优化的每一步，我们都必须求解一个线性系统来更新轨道，其中的矩阵是能量的Hessian矩阵。这个Hessian矩阵是出了名的病态。在轨道参数空间中的某些方向是“刚性”的（能量变化迅速），而另一些方向，特别是那些对应于近简并活性空间轨道之间旋转的方向，是“柔性”的（能量几乎不变）。对于迭代求解器来说，这是一场噩夢。这里的预处理器充当了穿越这片险恶地形的向导。它的对角线通常由轨道能量的差异构成，这近似于旋转的“刚度”。但对于柔性的、危险的方向，这个分母可能接近于零。一个巧妙而简单的解决方法是在分母上加上一个小的正常数，这种技术被称为level-shifting。这有效地为在柔性方向上可以迈出的步长设置了一个下限，防止优化过程出现剧烈的、发散的跳跃。这是一种美妙的、基于物理动机的正则化形式，其核心是一种预处理技术。

宏大挑战：耦合、优化与不确定性

现代计算科学越来越关注于 tackling 最令人生畏形式的复杂性：耦合多种物理现象、优化设计和量化不确定性的影响。预处理是解锁这三者的钥匙。

多物理场耦合： 想象设计一个微芯片，其中电流流动产生热量，热量反过来又改变了材料的电阻。这是一个耦合的电热问题。线性化后的系统矩阵呈现出 $2 \times 2$ 的分块结构：

\begin{pmatrix} A_{ee} & A_{et} \\ A_{te} & A_{tt} \end{pmatrix}

对角块 $A_{ee}$ 和 $A_{tt}$ 分别代表电学和热学自身的物理过程。非对角块 $A_{et}$ 和 $A_{te}$ 代表耦合——温度如何影响电学，反之亦然。一种简单的方法是使用分块对角预处理器，这就像试图孤立地解决这两个物理问题。如果耦合很弱，这行得通。但如果耦合很强（强焦耳热效应），这个预处理器就毫无用处。解决方案是使用基于Schur complement的预处理器。这种方法类似于说：“让我们先求解电势，然后找出在给定该电势的情况下，等效的热学问题是什么。”这个“等效”的热学问题由Schur complement $S_t = A_{tt} - A_{te} A_{ee}^{-1} A_{et}$ 描述。通过近似这个对象，我们创建了一个分块三角预处理器，它完全尊重耦合，并提供鲁棒的收敛性，无论相互作用有多强。

优化与反问题： 通常，目标不仅仅是模拟一个系统，而是找到使系统与观测数据匹配的参数 $p$ ——这就是所谓的反问题。这是医学成像、地震层析成像和天气预报的核心。在这里，出现了两种宏大的策略。“全空间”方法组装一个单一、巨大但不定的KKT系统，将状态、参数和伴随变量一次性耦合起来。求解这个系统需要针对鞍点系统的复杂分块预处理器。“缩减空间”方法消除了状态变量，纯粹在小得多的参数空间中进行优化。然而，这会导致一个密集且计算昂贵的Hessian矩阵。像L-BFGS这样的拟牛顿法通过构建Hessian逆的低秩近似来解决这个问题，这本身就是一种预处理形式。更先进的方法使用Hessian的Gauss-Newton近似作为Newton-CG求解的预处理器。这些策略之间的选择是在内存、每次迭代的成本和可用预处理器的质量之间进行的复杂权衡。

不确定性量化 (UQ)： 如果我们不确切知道我们系统的材料属性怎么办？在UQ中，我们通过将渗透率等参数视为随机场来承认这种不确定性。为了理解可能结果的范围，我们必须不是一次，而是成千上万次地求解我们的PDE，针对参数的不同随机实现——这种技术被称为stochastic collocation。这对求解器的效率提出了极高的要求。我们现在面临一个选择：我们是构建一个单一的、通用的预处理器（例如，基于材料的平均属性）并为所有百万次求解重复使用它？还是我们为每一个随机实现构建一个新的、量身定制的、“节点特定”的预处理器？前者构建成本低但效果较差，导致每次求解的迭代次数更多。后者构建成本更高但效果好得多，大幅减少了迭代次数。最优选择取决于具体问题，但这个场景完美地说明了，在一个大规模计算活动的宏伟蓝图中，预处理是一个经济权衡的问题。

最后的类比：积分方程的艺术

为了结束我们的旅程，让我们考虑两个看似 disparate 的领域之间的惊人联系：模拟电磁学中的雷达反射和在计算机图形学中渲染逼真的电影场景。两者都可以用物体表面上的积分方程来表述。

在计算机图形学中，“radiosity”方程描述了光如何在漫反射表面之间反弹。它是一个第二类Fredholm积分方程，形式为 $(I - K)B = B_e$ 。这里， $I$ 是单位算子， $K$ 是一个与表面反射率（反照率）相关的紧算子。由于强大的单位算子 $I$ 的存在，这个系统通常是良态的。迭代求解器的收敛性取决于反照率；如果小于1，收敛是保证的，尽管对于明亮的表面可能会很慢。预处理通常涉及简单的、类似Jacobi的缩放。

在电磁学中，电场积分方程 (EFIE) 是一个第一类积分方程， $TB = f$ 。这里没有那个有帮助的单位算子。算子 $T$ 是超奇异的，其谱在原点附近聚集，使其病态到无以复加。简单的预处理会 spectacularly 失败。解决方案需要深入研究算子代数本身，使用所谓的Calderón identities来构造一个完美的、基于物理的预处理器，将第一类方程转换为一个良态的第二类方程。

这最后的比较恰当地总结了我们整个探索。它告诉我们，要真正掌握计算的艺术，我们不能将求解器和预处理器视为黑箱。我们必须深入研究由我们正在研究的系统的物理定律所锻造出的数学结构。从地球的非均质性到多物理场的耦合，再到量子力学的抽象对称性，有效预处理器的设计是一种发现行为，揭示了计算科学固有的美和统一性。