In this Note, we formulate a sparse Krylov-based algorithm for solving large-scale linear systems of algebraic equations arising from the discretization of randomly parametrized (or stochastic) elliptic partial differential equations (SPDEs). We analyze the proposed sparse conjugate gradient (CG) algorithm within the framework of inexact Krylov subspace methods, prove its convergence and study its abstract computational cost. Numerical studies conducted on stochastic diffusion models show that the proposed sparse CG algorithm outperforms the classical CG method when the sought solutions admit a sparse representation in a polynomial chaos basis. In such cases, the sparse CG algorithm recovers almost exactly the sparsity pattern of the exact solutions, which enables accelerated convergence. In the case when the SPDE solution does not admit a sparse representation, the convergence of the proposed algorithm is very similar to the classical CG method.

Dans cette Note, nous formulons une méthode de Krylov creuse pour la résolution de grands systèmes linéaires issus de la discrétisation d'équations aux dérivées partielles elliptiques paramétrées aléatoirement. Nous analysons l'algorithme du gradient conjugué (GC) creux dans le cadre des méthodes de sous-espaces de Krylov inexactes, montrons sa convergence et étudions sa complexité algorithmique. Les études numériques réalisées sur des modèles de diffusion stochastiques montrent que la méthode du GC creux converge plus rapidement que le GC classique lorsque la solution recherchée admet une représentation creuse dans une base de chaos polynomial. Dans ce cas, l'algorithme du GC creux retrouve presque intégralement la structure creuse de la solution exacte, permettant d'accélérer la convergence. Lorsque la solution exacte est dense, l'algorithme du GC creux fournit des résultats de convergence similaires à ceux obtenus avec le GC classique.