STOHASTICKE

SIMULACIJE U

KLASICNOJ
I KVANTNOJ FIZICI

Leandra Vranje Markic

Petar Stipanovic

Split, sijecanj 2016.

Sadraj
1

Uvod

Deterministicka slucajnost
2.1 Slucajni nizovi . . . . . . . . . . . . . . . . . . . . .
2.2 Generatori pseudoslucajnih brojeva . . . . . . . . . . .
2.2.1 Testovi: slucajnost i uniformnost . . . . . . . .
2.3 Slucajni hod . . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Slucajni hod i difuzija . . . . . . . . . . . . .
2.3.2 Difuzija i entropija . . . . . . . . . . . . . . .
2.4 Modificirani slucajni hod . . . . . . . . . . . . . . . .
2.4.1 Ograniceni slucajni hod . . . . . . . . . . . .
2.4.2 Ustrajan slucajni hod . . . . . . . . . . . . . .
2.4.3 Samoizbjegavajuci slucajni hod . . . . . . . .
2.5 Perkolacija . . . . . . . . . . . . . . . . . . . . . . .
2.5.1 Kriticni eksponenti . . . . . . . . . . . . . . .
2.6 Radioaktivni raspad . . . . . . . . . . . . . . . . . . .
2.6.1 Zakonitosti radioaktivnog raspada . . . . . . .
2.6.2 Monte Carlo simulacija radioaktivnog raspada
2.6.3 Lancani raspadi . . . . . . . . . . . . . . . . .
2.6.4 Poissonova raspodjela . . . . . . . . . . . . .
2.6.5 Modeli slicni radioaktivnom raspadu . . . . . .
2.6.6 Zadatci . . . . . . . . . . . . . . . . . . . . .
2.7 Racunanje integrala metodom Monte Carla . . . . . .
2.7.1 Analiza greke u Monte Carlo simulacijama .
2.7.2 Nejednolike funkcije raspodjele vjerojatnosti .
2.7.3 Znacajni odabir . . . . . . . . . . . . . . . . .
2.7.4 Metropolis algoritam . . . . . . . . . . . . . .

Monte Carlo simulacije termalnih sustava

3.1 Mikrokanonski ansambl . . . . . . . .
3.2 Demon algoritam . . . . . . . . . . .
3.3 Demon kao termometar . . . . . . . .
3.4 Isingov model . . . . . . . . . . . .
3.4.1 Teorija srednjeg polja . . . . .
3.4.2 Mikrokanonski ansambl . . .
3.4.3 Metropolis algoritam . . . . .
3.4.4 Fazni prijelaz drugog reda . .
3.4.5 Fazni prijelaz prvog reda . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

3
3
4
7
9
15
22
24
24
26
26
30
35
38
38
40
42
44
44
46
48
52
56
58
60

.
.
.
.
.
.
.
.
.

64
64
66
68
70
73
77
78
81
91
I

3.5
3.6

3.7

3.4.6 Kriticno usporavanje i Wolffov algoritam

3.4.7 Druge primjene Isingovog modela . . . .
Klasicni fluidi . . . . . . . . . . . . . . . . . . .
Drugi ansambli . . . . . . . . . . . . . . . . . .
3.6.1 N P T ansambl . . . . . . . . . . . . . .
3.6.2 V T ansambl . . . . . . . . . . . . . . .
Druge primjene Monte Carlo metoda . . . . . . .
3.7.1 Simulirano kaljenje . . . . . . . . . . . .
3.7.2 Paralelno kaljenje (Parallel tempering) . .

KVANTNE MONTE CARLO METODE

4.1 Varijacijski Monte Carlo . . . . . . . . . . . . .
4.1.1 Primjena Metropolisovog algoritma . . .
4.2 Probne valne funkcije . . . . . . . . . . . . . . .
4.2.1 Optimizacija prihvacanja . . . . . . . . .
4.2.2 Pohrana rezultata i minimizacija energije
4.2.3 Zadaci . . . . . . . . . . . . . . . . . . .
4.3 Difuzijski Monte Carlo . . . . . . . . . . . . . .
4.3.1 Aproksimacija kratkog vremena . . . . .
4.3.2 Znacajni odabir . . . . . . . . . . . . . .
4.3.3 Algoritam drugog reda . . . . . . . . . .
4.3.4 Tri operatora . . . . . . . . . . . . . . .
4.3.5 Aproksimacija fiksnih c vorova . . . . . .
4.3.6 Otputanje c vorova . . . . . . . . . . . .
4.4 Estimatori . . . . . . . . . . . . . . . . . . . . .
4.4.1 Mijeani estimatori . . . . . . . . . . . .

4.4.2 Cisti
estimatori . . . . . . . . . . . . . .
4.4.3 Procjena greke . . . . . . . . . . . . . .
4.5 Zadaci . . . . . . . . . . . . . . . . . . . . . . .
4.6 Kvantni Monte Carlo integrala po stazama . . . .
4.6.1 Klasicno-kvantni izomorfizam . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

95
97
99
106
106
107
108
109
110

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

113
114
115
118
123
123
127
131
133
135
135
138
145
146
147
147
150
157
159
160
162

A Newman i Ziff algoritam

168

B Klasteri

170

C Varijacijski princip

172

D Pravokutna potencijalna jama

174

E VMC za vodikov atom (kod)

176
II

Popis crtea
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
2.17
2.18
2.19
2.20
2.21
2.22
2.23
2.24
2.25
2.26
2.27
2.28
2.29
2.30
2.31
2.32
2.33
2.34
2.35

Slucajni brojevi dobiveni koritenjem dobrog generatora. . . . . . . . . . . .

Slucajni brojevi dobiveni koritenjem loeg generatora. . . . . . . . . . . . .
4
He3 na Cs: ekstrapolacija EDMC ( 0) posebno za razlicite seed . . . . . .
Skica slucajnog hoda u jednoj dimenziji. . . . . . . . . . . . . . . . . . . . . .
Poloaj x u ovisnosti o broju koraka za 1D slucajni hod. . . . . . . . . . . . . .
Prosjecni pomak etaca od ishodita za slucajni hod u 1D. . . . . . . . . . . . .
Kvadrat pomaka od ishodita u ovisnosti o broju koraka za 1D slucajni hod. . .
Rjeenje difuzijske jednadbe . . . . . . . . . . . . . . . . . . . . . . . . . . .
Numericko rjeenje difuzijske jednadbe u 1D za t = 0.5. . . . . . . . . . . .
Numericko rjeenje difuzijske jednadbe u 1D za t = 0.3. . . . . . . . . . . .
Numericko rjeenje difuzijske jednadbe u 2D za t = 10t. . . . . . . . . . .
Numericko rjeenje difuzijske jednadbe u 2D za t = 100t. . . . . . . . . . .
Numericko rjeenje difuzijske jednadbe u 2D za t = 1000t. . . . . . . . . .
Distribucija etaca u slucajnom hodu u jednoj dimenziji. . . . . . . . . . . . .
Distribucija etaca u slucajnom hodu u dvije dimenzije. . . . . . . . . . . . . .
Prikaz poloaja etaca u ovisnosti o broju koraka za slucajni hod u 2D. . . . . .
Shematska podjela alice kave u mreu c elija. . . . . . . . . . . . . . . . . . .
Entropija kao funkcija vremena . . . . . . . . . . . . . . . . . . . . . . . . . .
Shematski prikaz polimera i odgovarajuceg samoizbjegavajuceg slucajnog koda
Primjeri samoizbjegavajuceg hoda na kvadratnoj reetki. . . . . . . . . . . . .
Ovisnost hR2 (N )i o N za SAW hod. . . . . . . . . . . . . . . . . . . . . . . .
Primjer poloajne perkolacijske nakupine za L = 2. . . . . . . . . . . . . . . .
40x40 reetka s poloajima koji su zauzeti s vjerojatnostima 0.2, 0.4, 0.6 i 0.8. .
16x16 reetke s poloajima koji su zauzeti s vjerojatnosti 0.2. . . . . . . . . . .
Ovisnost duljine povezanosti (p) o p za kvadratnu reetku sa L = 128. . . . .
Vrijeme poluraspada jezgri od Z protona i N neutrona. . . . . . . . . . . . . .
MC simulacija radioaktivnog raspada. . . . . . . . . . . . . . . . . . . . . . .
Rezultati MC simulacije radioaktivnog raspada . . . . . . . . . . . . . . . . .
MC simulacija za 2 raspada u nizu. . . . . . . . . . . . . . . . . . . . . . . . .
Poissonove razdiobe za razlicite = 1, 2, 5, 10. . . . . . . . . . . . . . . . . .
Trapezno i Simpsonovo pravilo . . . . . . . . . . . . . . . . . . . . . . . . . .
Bacanje kamencica u jezerce kao tehnika za mjerenje povrine. . . . . . . . . .
Usporedba MC rezultata za povrinu kruga s analitickim. . . . . . . . . . . . .
Skica za proracun integrala Monte Carlo metodom . . . . . . . . . . . . . . .
Ovisnost greke srednje vrijednosti o duljini bloka m. . . . . . . . . . . . . . .

5
5
7
10
12
13
14
17
18
19
19
20
20
21
21
23
24
25
27
28
30
31
31
33
37
39
40
42
43
45
49
49
50
51
55

3.1
3.2

Razdioba energije demona . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Shematski spinski model feromagneta . . . . . . . . . . . . . . . . . . . . . .

69
71
III

3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
3.11
3.12
3.13
3.14
3.15
3.16
3.17
3.18
3.19
3.20
3.21
3.22
3.23
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
4.10
4.11
4.12
4.13
4.14
4.15
4.16

Energija interakcije najbliih spinova za H = 0. . . . . . . . . . . . . . . . . .

Magnetizacija ipod i iznad Tc . . . . . . . . . . . . . . . . . . . . . . . . . . .
Slobodna energija ispod i iznad Tc . . . . . . . . . . . . . . . . . . . . . . . . .
Magnetizacija kao funkcija temperature u teoriji srednjeg polja . . . . . . . . .
Konfiguracije spinova u ovisnosti o temperaturi. . . . . . . . . . . . . . . . . .
Ovisnost magnetizacije o broju koraka. . . . . . . . . . . . . . . . . . . . . . .
Spontana magnetizacija kao funkcija temperature za Isingov model. . . . . . .
Energija kao funkcija temperature za Isingov model. . . . . . . . . . . . . . .
Toplinski kapacitet Isingovog modela u 2D. . . . . . . . . . . . . . . . . . . .
Magnetska susceptibilnost za Isingov model u 2D. . . . . . . . . . . . . . . . .
Spin-spin korelacijske funkcije za Isingov model u 2D. . . . . . . . . . . . . .
Ovisnost magnetizacije o magnetskom polju za Isingov model u 2D i T=1, 2 i
2.25. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ovisnost magnetizacije o magnetskom polju za Isingov model u 2D i T=3 i 5. .
Usporedba H-T i P-T faznog dijagrama. . . . . . . . . . . . . . . . . . . . . .
Histereza u Isingovom modelu. . . . . . . . . . . . . . . . . . . . . . . . . . .
Skica za objanjenje Wolffovog algoritma. . . . . . . . . . . . . . . . . . . . .
Radijalna funkcija razdiobe tvrdih diskova za gustocu 0.04. . . . . . . . . . .
Radijalna funkcija razdiobe tvrdih diskova za gustocu 1.0577. . . . . . . . . .
Lennard-Jones potencijal . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Raspored gradova za problem trgovackog putnika. . . . . . . . . . . . . . . . .
Skica energijskog krajobraza. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Dijagram tijeka Metroplisovog algoritma tijekom jednog koraka. . . . . . .
Dimer: E = V (r) i karakteristicne velicine . . . . . . . . . . . . . . . . .
Trimer: skica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
RoVo: V (r) i (r) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
b
He3 T: EVMC (b) i EVMC
(b) za optimalne varijacijske parametre . . . . . .
4
b
He3 T: EVMC (b) i EVMC
(b) za neoptimalne varijacijske parametre . . . . .
Rezultati VMC simulacije za vodikov atom . . . . . . . . . . . . . . . . .
Rezultati VMC simulacije za vodikov atom i valna funkcija osnovnog stanja
4
He na grafenu: (x, y, z) za Izo i AnIzo . . . . . . . . . . . . . . . . . .
4
He20 na G (AnIzo/0): EDMC (b) za razlicit broj odbacenih pocetnih koraka .
RN energija kao funkcija vremena otputanja t . . . . . . . . . . . . . . .
4
He20 na Cs (LJ): ekstrapolacija EDMC ( 0) posebno za razlicite Nw .
4
He30 na G (AnIzo/0): ekstrapolacija EDMC (Nw , = 0) . . . . . .
4
2
He2 T: hrHeT
i (Nk ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Frekvencije pojavljivanja koordiata . . . . . . . . . . . . . . . . . . . . . .
Primjer pohrane polja dimenzije 6 6 = 36 u polje dimenzije 7 3 = 21 .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

72
74
75
76
82
83
83
84
85
86
87
91
92
93
94
96
101
102
103
109
110
116
120
122
122
124
124
126
126
129
145
146
148
150
153
154
155

IV

4.17 4 He20 na G (AnIzo/0): c isti i mijeani DMC estimatori P ((4 He 4 He)) . . . 156
4.18 4 He40 3 He na Cs (CCZ): P (cmi , z) za 4 He i 3 He . . . . . . . . . . . . . . . . . 157
4.19 4 He20 na Cs (LJ): blokiranjem procijenjena greka DMC energije . . . . . . . . 158
A.1 Ilustracija Newman-Ziff algoritma. Mjesta se zauzimaju po redoslijedu 3,7,4,5,.. 169

Popis tablica
2.1

Usporedba razlicitih MC procjena integrala. . . . . . . . . . . . . . . . . . . .

59

3.1

Mikrostanja sustava 4 neinteragirajuca spina. . . . . . . . . . . . . . . . . . .

65

4.1

VMC rezultati za vodikov atom . . . . . . . . . . . . . . . . . . . . . . . . . . 125

VI

1
Uvod

Povijesno, istraivanja u fizici dijelila su se teorijska i eksperimentalna. Napredak u razvoju

racunala omogucio je provodenje
simulacija modela koji nisu bili rjeivi klasicnim teorijskim

pristupom. U mnogim slucajevima racunala su omogucila fizicarima i smiljanje novih modela

te njihovo detaljno proucavanje bez znacajnih pojednostavljenja. Za neke od tih modela kasnije
je pokazano da dobro opisuju stvarne fiziklane sustave. S vremenom su racunalne simulacije
postale treci nacin provodenja
istraivanja.

U mnogim situacijama usporedba eksperimenta i analiticke teorije ne daje konacan odgovor

o slaganju. Na primjer, u mnogim problemima u fizici kondenzirane materije potrebno je krenuti
s Hamiltonijanom i c esto nije jasno u kojoj mjeri odabrani model odgovara stvarnom materijalu
na kojem se provode eksperimenti. Analiticki pristup c esto ukljucuje matematicke aproksimacije c iju je tocnost nekad teko procijeniti ili kontrolirati. Stoga se bez simulacija c esto ne
zna je li razlog neslaganju teorije i eksperimenta nedostatak modela, primijenjene aproksimacije
ili oboje. U takvim situacijama, ako racunalna simulacija daje egzaktno rjeenje odabranog
modela onda dobivamo teorijsku bazu za razumijevanje eksperimentalnih rezultata.

Cesto
se nalazimo i u situaciji kad nije moguce ili je teko ili preskupo izvodenje
eksper
imenta. Primjerice, kakvo je ponaanje vodika i drugih elemenata u uvjetima koji vladaju u
unutranjosti zvijeda? Kako se mijenja priroda faznih prijelaza kad idemo iz dvije u tri pa c etiri dimenzije? Tada nam simulacija daje eksperimentalne rezultate s kojima se teorija moe
usporediti.
U ovom c emo predmetu promotriti niz sustava za koje je slucajnost centralna karakteristika. Nazivati c emo ih stohastickim ili slucajnim ("random") sustavima. Najcece su to sustavi
s velikim brojem stupnjeva slobode. Pritom stupnjevi slobode mogu biti vezani uz c estice (npr.
u nekoj makroskopskoj kolicini tekucine) ili uz spinove (u nekom komadu feromagneta). Do
slucajnosti onda moe doci na nekoliko nacina. Na primjer, moda nije moguce saznati poloaje
i brzine svih c estica u sustavu. Ili moda na sustav interagira s termalnim rezervoarom na komplicirani nacin koji je najjednostavnije opisati koritenjem vjerojatnosti i prosjecnih vrijednosti.
To su situacije u kojima usprkos c injenici da je fizika sustava deterministicka, koristimo statisticki odnosno stohasticki pristup zbog naeg nepotpunog poznavanja sustava. Srecom je statisticki opis vrlo c esto izrazito koristan i u biti najprikladniji za navedene probleme. Navedene
1

sustave moemo istraivati koritenjem racunalnih simulacija i tada govorimo o stohastickim

simulacijama. U ovom c emo predmetu simulirati slucajni hod i njegove modifikacije, perkolaciju, radioaktivni raspad, razne modele na reetkama poput Isingovog modela, klasicne fluide
i razne kvantne sustave.
Stohasticke c emo simulacije, zbog efikasnosti, koristit i za probleme koji nisu nimalo stohasticki, poput racunanja viedimenzionalnih integrala. Prednost takvog pristupa je u skaliranju
s velicinom sustava.
Takoder,
pokazat c emo i neke primjene ovih simulacija izvan fizike. Pritom c emo u primjerima nastojati naglasiti koliko je vano simulacijske algoritme birati vodeci racuna o prirodi
problema.
Interpretacija rezultata kljucna je za uspjeh bilo kojeg simulacijskog eksperimenta pa
c emo u odabranim problemima ukljuciti i dodatne informacije o fizici sustava, posebno statistickoj fizici te faznim prijelazima. Posebnu c emo panju posvetiti i znanstvenoj vizualizaciji jer
ona moe znacajno doprinijeti razumijevanju rezultata simulacija.

Deterministicka slucajnost
U ovom c emo poglavlju promotriti kako racunala generiraju slucajne brojeve i koliko to dobro
rade. Zatim c emo uz pomoc slucajnih brojeva simulirati fizikalne procese poput slucajnog hoda,
perkolacije i radioaktivnog raspada te promotriti kako se koritenjem slucajnih brojeva mogu
racunati viedimenzionalni integrali. Dodatne informacije mogu se pronaci u udbenicima [4,
5] na kojima se temelji veci dio poglavlja.

2.1

Slucajni nizovi

Bilo kakav postupak koji se koristi nizom slucajnih brojeva naziva se Monte Carlo. Niz
brojeva nazivamo slucajnim ako ne postoje korelacije medu
elementima niza. Slucajnost medu
tim nuno ne povlaci jednaku vjerojatnost pojavljivanja svih brojeva u nizu. Ako je vjerojatnost pojavljivanja svih brojeva u nizu jednaka, tada navedeni niz nazivamo jednolikim. Na
primjer, niz brojeva 1,2,3,4,... je jednolik, medutim
nije slucajam. S druge strane niz brojeva

3,1,4,2,3,1,3,2,4,3,.. moda moe biti slucajan, ali se odmah vidi da nije jednolik. Takoder,

moguce je imati i nizove brojeva, koji su u nekom smislu slucajni, ali imaju vrlo kratkodosene
korelacije, npr. r1 (1 r1 )r2 (1 r2 )r3 (1 r3 )...
Matematicki, vjerojatnost dobivanja nekog slucajnog broja, opisujemo funkcijom raspodjele P (r). To znaci da je vjerojatnost pronalaenja nekog slucajnog broja ri u intervalu [r, r+dr]
jednaka P (r)dr. Standardni generatori slucajnih brojeva koji su ugradeni
u racunala generiraju
jednolike raspodjele (P (r) = 1) izmedu
0 i 1. Drugim rijecima standardni generator slucajnih brojeva daje brojeve u tom intervalu, svaki s jednakom vjerojatnocu. Ujedno, svaki broj
neovisan je o svom prethodniku. Kasnije c emo pokazati da se brojevi mogu generirati i neuniformno te i dalje biti slucajni.
Medutim,
potrebno je naglasiti da se istinski niz slucajnih brojeve moe dobiti samo po
mocu nekog prirodnog procesa poput radioaktivnog raspada. Racunala su po svojoj prirodi
deterministicka pa tako nisu u mogucnosti generirati zaista slucajne nizove. U simulacijama se
stoga koriste nizovi pseudoslucajnih brojeva koje generiramo pomocu nekog algoritma. To je s
jedne strane korisno jer se dobijeni niz brojeva moe uvijek reproducirati i tako provjeriti racun.
S druge strane treba voditi racuna o tome da se nakon odredenog
perioda niz pseudoslucajnih

brojeva pocinje ponavljati. U nastavku teksta najcece c emo koristiti naziv slucajni, medutim

uvijek se misli na pseudoslucajne nizove.

2.2

Generatori pseudoslucajnih brojeva

Za generiranje slucajnog niza brojeva r1 , r2 , ..., rk na intervalu [0, M 1] najcece se koristi

linearna kongruentna metoda. Prethodni se pseudoslucajni broj pomnoi s konstantom a, doda
mu se druga konstanta c, a zatim se uzme ostatak dijeljenja sa M .
ri = (ari1 + c)modM

(2.1)

Korisnik treba samo izabrati vrijednost prvog c lana niza, r1 (na engleskom "seed"). Operacija
modulo (ili ostatak kod dijeljenja) ugradena
je u racunalo i uglavnom se poziva kao amod ili

dmod. Kao primjer promotrimo niz koji dobivamo uz c = 1, a = 4, M = 9. Ako odaberemo

za prvi c lan r1 = 3, dobivamo niz
r1 = 3,

(2.2)

r2 = (4 3 + 1)mod9 = 13mod9 = 4,

(2.3)

r3 = (4 4 + 1)mod9 = 17mod9 = 8,
r4 = (4 8 + 1)mod9 = 33mod9 = 6,
r5 r10 = 7, 2, 0, 1, 5, 3.

(2.4)
(2.5)
(2.6)

Dobiveni niz ima duljinu M =9, nakon c ega se ponavlja. Ako elimo brojeve u rasponu od [0, 1]
tada dobiveni niz treba podijeliti s M =9. Tako c emo opet dobiti niz duljine 9, ali to vie nece
biti cijeli brojevi. Ako pak uzmemo a = c = r1 = 7, a M = 10, dobiva se jo jednostavniji niz
7,6,9,0,7,6,9,0.
Prije koritenja generatora slucajnih brojeva dobro je provjeriti raspon vrijednosti koje
daje te je li dobiveni brojevi zaista izgledaju slucajno ili ne. Na Crteu 2.1 prikazan je jedan
primjer dobrog, a na Crteu 2.2 jedan primjer loeg generatora.
Pravilo (2.1) daje cijele brojeve u intervalu [0, M 1]. To ne znaci da dobivamo svaki broj
iz tog intervala. Kad se neki od cijelih brojeva ponovi, pocinje se ponavljati cijeli niz. Kako
bismo dobili to dui niz, a i M trebaju biti veliki brojevi, ali ne toliko veliki da ari1 pokae
prelijevanje odozgo ("overflow"). Na 32-bitnim racunalima moe se koristiti M =231
= 2 109 .
Ako nam je potrebno vie slucajnih brojeva u racunu tada se moe tijekom racuna promijeniti
pocetni c lan niza, ili pak koristit generator s vecim periodom. Svako racunalo ima ugraden
neki
generator pseudoslucajnih brojeva koji su ponekad bolji od onoga koji c ete sami koritenjem
izraza (2.1) napisati. Na Unixu (Linuxu) moete provjeriti koji su generatori dostupni koritenjem naredbe man te ih zatim testirati. Imena koja se najcece pojavljuju su rand, rn, random,
srand, erand, drand ili drand48.
4

300

dobar generator

250

ri

200
150
100
50
0
0

200

400

600

800

1000

i
Crte 2.1: Slucajni brojevi ri za prvih 1000 koraka dobiveni pomocu rand generatora.

300

los generator

250

ri

200
150
100
50
0
0

200

400

600

800

1000

i
Crte 2.2: Slucajni brojevi ri za prvih 1000 koraka dobiveni pomocu linearnog kongruentnog
generatora s loe odabranim konstantama a, c, M .

drand48 koristi 48-bitnu cjelobrojnu aritmetiku te su mu dostupni M -ovi do 248

= 3
1014 . Dakle,
c = B(baza16) = 13(baza8),

(2.7)

a = 5DEECE66D(baza16) = 273573163155(baza8).

(2.8)

M = 248 ,

Za ispravno koritenje potrebno je prvo pozvati potprogram srand48 koji postavlja pocetni element.
Slicno je i s ostalim generatorima u C-u.
Kao to je vec receno, izraz (2.1) generirat c e cijele brojeve u segmentu [0, M 1],
odnosno ako ih podijelimo sa M , realne brojeve u segmentu [0, 1]. Ako su nam potrebni brojevi
u segmentu [A, B], trebamo samo skalirati izraz (2.1). Na primjer,
xi = A + (B A)ri ,

0 ri 1,

(2.9)

daje
A xi B.

(2.10)

Prednost linearnog kongruentnog generatora je njegova brzina. Naime, potrebno mu je

svega nekoliko operacija po pozivu te se zbog toga i toliko univerzalno koristi. Medutim,
ima i

veliku manu to pokazuje sekvencijalne korelacije ako se poziva sukcesivno. Naime, Marsaglia
je 1968. godine pokazao da slucajni brojevi padaju uglavnom u ravnine kod multiplikativnih
linearnih kongruentnih generatora. Preciznije, ako koristimo k-torke slucajnih brojeva za crtanje, onda one nece ispuniti k-dimenzionalni prostor vec c e leati na k 1 dimenzionalnim
ravninama kojih u najboljem slucaju ima M 1/k . Na 32-bitnom racunalu maksimalni broj hiperravnina u 3-dimenzionalnom prostoru je 2953, a u 10-dimenzionalnom samo 41.
U Numerical Recepies [1] moemo pronaci nekoliko generatora pseudoslucajnih brojeva.
Minimalni standard je ran0,
rj+1 = (arj )modM,
(2.11)
sa a = 75 = 16807, M = 231 1.
U ran1 uzima se izlaz iz minimalnog standarda ran0 te se ti podaci izmijeaju kako bi
se uklonile serijske korelacije niskog reda. Rutina ran1 prolazi sve statisticke testove koje
ran0 pada i ima problema samo kada broj poziva postane reda velicine perioda niza. Pronaden

je medutim
nacin na koji se moe iskombinirati dva razlicita niza s dva razlicita perioda te

tako dobiti novi niz c iji je period jednak najmanjem zajednickom viekratniku dva pocetna
niza. Takav je postupak, uz dodatno mijeanje redoslijeda c lanova primijenjen u ran2 rutini.
Dobiveni generator ima period reda velicine 1018 .
Rutina ran2 slicna je linearnom kongruentnom generatoru pa je u pocetku potrebno izabrati pocetni parametar, tzv. sjeme (eng. seed). Postavljanjem istog pocetnog parametra dobiva
se isti slucajni niz, a biranjem razlicitog moe se na jednostavan nacin ispitati ovise li rezultati o
6

njemu to je jedan od testova koji se mogu provesti prije davanja konacnih rezultata simulacija.
Primjer je takvog testa prikazan na crteu 2.3 gdje je pokazana neovisnost rezultata o seedu
u primjeru jedne kvante Monte Carlo simulacije, c iji c e detaljni biti prikazani u 4 poglavlju.
Do na standardnu devijaciju dobivene su iste energije za svaki od vremenskih koraka za koji je
provedena simulacija, pa onda i konacne ekstrapolirane energije.
-366

seed = 987654321
seed = 6597456
seed = 2589
seed = 1700
seed = 1234
seed = 777

-368

EDMC / mK

-370

4He

3(HFDB)

na Cs(CCZ)

-372
-374
-376
-378
-380
-382
0

10

12

14

16

18

/ 10-7 mK-1

Crte 2.3: Energija osnovnog stanja klastera 4 He3 adsorbiranog na povrini cezija procijenjena
je DMC metodom u kojoj su koriteni generatori gasdev i ran2 s razlicitim seed. Razliciti
parametri seed daju do na greku iste energije EDMC ( ) za razlicite vremeske korake
pa prema tome i iste ovisnosti EDMC ( ) = aE 2 + E(0). He-He interakcija opisana je
HFDB [2] potencijalom, a He-Cs CCZ [3] potencijalom. Postavke DMC simulacije: navedeni
seed i vremenski koraci te Nw = 100, Nk = 2000 i Nb = 1000 (vie u pogl. 4.3.4).

2.2.1

Testovi: slucajnost i uniformnost

Prije ozbiljnog znanstvenog proracuna korisno je testirati generator slucajnih brojeva koji se
planira upotrijebiti.
1. Jedan jednostavan test za uniformnost (jednolikost) izvrijednjuje k-ti moment raspodjele
slucajnih brojeva:
N

k
1 X k
x .
(2.12)
x =
N i=1 i
Ako su pseudoslucajni brojevi rasporedeni
s jednolikom funkcijom raspodjele vjerojatnosti

P (x), tada je (2.12) priblino jednak momentu od P (x):

Z 1
N

1 X k
dxxk P (x) + O(1/ N )
xi =
N i=1
0

1
1+k

(2.13)

U slucaju da (2.13) vrijedi za upotrijebljeni generator, tada znamo da je raspodjela jednolika.

Takoder
ako odstupanje od jednolike raspodjele ovisi o N kao 1/ N , tada znamo i da je
raspodjela slucajna.
2. Drugi jednostavan test koji nam moe pomoci da odredimo susjed-susjed korelacije u slucajnom nizu provodi se tako da se promotre sljedece sume umnoaka za male k:
N
1 X
xi xi+k ,
C(k) =
N i=1

(k = 1, 2, ...).

(2.14)

Ako su xi i xi+k raspodijeljeni sa zajednickom funkcijom raspodjele vjerojatnosti P (xi , xi+k )

te su medusobno
neovisni i jednoliki, tada se izraz (2.14) moe aproksimirati integralom:

Z 1 Z 1
N
1 X
1

xi xi+k =
dx
dyxyP (x, y) = .
N i=1
4
0
0

(2.15)

Ako prethodni izraz vrijedi za nizove slucajnih brojeva, tada znamo da nisu korelirani. Ako

odstupanje susjed-susjed korelacija od prethodnog izraza ovisi o N kao 1/ N , tada takoder

znamo da je niz slucajan.

3. Efikasno je slucajnost niza testirati i crtanjem parova (xi = r2i , yi = r2i+1 ) za velik broj i
vrijednosti. Ako tocke imaju primjetnu pravilnost, tada odabrani niz nije slucajan. Ako je
niz slucajan, tada bi tocke trebale jednoliko pokriti kvadrat, bez ikakvog uocljivog uzorka.
4. Drugi bi test bio da izvrimo proracun s nizom r1 , r2 , r3 , r4 , r5 ..., a zatim ponovo s nizom
(1 r1 ), (1 r2 ), (1 r3 ), ... Oba bi niza trebala biti slucajna. Stoga, ako se dobiveni
rezultati razlikuju za vie od statisticke pogeke, dobiveni niz najvjerojatnije nije slucajan.
5. Dodatni bi test bio izvravanje proracuna s nizom pravih slucajnih brojeva (dobivenih nekim
prirodnim procesom) iz neke tablice te zatim usporedba dobivenih rezultata s rezultatima
dobivenim koritenjem generatora pseudoslucajnih brojeva.
Zadatak 2.1.
Testirajte svoj generator pseudoslucajnih brojeva racunanjem k-tog momenta raspodjele za k =

1, 3, 7 i N =100,10.000, 100.000). U svakom od tih slucajeva ispiite



N

 1 X
1

N
xki

N
k + 1
i=1

(2.16)

te provjerite dobivate li rezultat reda velicine 1.

Zadatak 2.2.
Testirajte blago koreliran niz r1 (1 r1 )r2 (1 r2 )r3 (1 r3 )... s testom susjed-susjed korelacija
za N =100, 10.000, 100.000. Ponovo ispiite odstupanje od ocekivanog rezultata i podijelite je
sa 1N kako biste provjerili je li reda velicine 1.

2.3

Slucajni hod

Mnogo je fizikalnih procesa, kod kojih se c ini da c estica izvodi slucajan hod. Primjeri ukljucuju
Brownovo gibanje i transport elektrona kroz metale. Na primjer, uzmimo atom nekog parfema
koji se oslobodi usred ucionice. Sudara se s ostalim atomima u zraku te naposlijetku dode
do
nastavnikova nosa. Ili, c estice vrhnja koje su ukapane u kavu. Ako bismo mogli pratiti jednu
c esticu vrhnja kako se giba kroz kavu, vidjeli bismo kompliciranu putanju. Ugrubo receno,
c estica bi se gibala kratko vrijeme izmedu
sudara po pravcu (prema prvom Newtnovom zakonu). Svaki sudar uzrokovao bi naglu promjenu brzine c estice vrhnja, nakon c ega bi se ona
nastavila gibati novom brzinom do sljedeceg sudara. Cilj je pronaci koristan teorijski opis
nacina na koji se vrhnje mijea s crnom kavom. To bismo u principu mogli postici kada bismo
napisali jednadbe gibanja za sve c estice ili c ak za sve pojedine molekule koje sacinjavaju
c estice vrhnja i c estice kave u alici. To bi vodilo na veliki broj (reda velicine 1023 na molekularnom nivou) diferencijalnih jednadbi koje bismo u principu mogli rijeiti. Takav je pristup
medutim
pogrean iz dva razloga. Prvo, iako bi takav racun bio moguc u principu, on nije

moguc u praksi. Nije za ocekivati da c emo u skorijoj buducnosti imati na raspolaganju racunalo
s takvim mogucnostima. Drugo, c ak kad bismo i imali takvo racunalo, ono to bismo dobili
bili bi poloaji i brzine c estica kao funkcije vremena. Te bi nam funkcije vrlo detaljno pokazale
kako se vrhnje mijea s kavom, ali je upitno bi li pridonijele naem stvarnom razumijevanju tog
procesa. Pod "razumijevanjem" smatramo intuitivnu sliku koja bi nam omogucila da primijenimo ono to smo naucili iz tog proracuna na druge slicne situacije. Na primjer, ako bi nam takav
proracun pokazao da se vrhnje dobro izmijealo u 20 sekundi, bismo li mogli predvidjeti koliko
c e vremena biti potrebno u dvostruko vecoj alici?
Ono to elimo naglasiti je da bi takvo potpuno numericko rjeenje problema dalo puno
vie informacija nego to elimo i trebamo za razumijevanje procesa mijeanja. Ono to je nama
potrebno je statisticki opis, ili teorija koja opisuje to ponaanje. Pritom nas nije briga kakva je
trajektorija svake c estice vrhnja. Buduci da je broj c estica vrlo velik, prosjecne c e vrijednosti
9

biti vrlo dobro definirane, a moemo izracunati i odstupanja od srednjih vrijednosti.

Ova rasprava imala je za cilj dati primjer situacije u kojoj nam statisticki opis daje upravo onu informaciju koja nam je potrebna. Iz razloga to nas zanimaju prosjecne vrijednosti,
modelirat c emo (stvarni) deterministicki proces sa slucajnim ili stohastickim procesom koji ima
iste prosjecne vrijednosti fizikalnih velicina. Svaka c estica vrhnja slijedi kompliciranu putanju
dok se ucestalo sudara s drugim c esticama. Takvu putanju moemo modelirati takozvanim
"slucajnim hodom". To je proces u kojem se c estica (nazivat c emo je etac) giba jedan korak u
zadanom vremenu, prema nekim pravilima. U ovom slucaju etacevi koraci odgovaraju gibanju
c estica vrhnja izmedu
sudara. Svaki sudar mijenja smjer brzine c estice, to modeliramo tako
da smjer svakog koraka u hodu biramo na slucajan nacin. Dakle, na slucajni etac slijedi zigzag putanju koja je slicna efektivnoj slucajnoj trajektoriji c estice vrhnja. Naravno, trajektorija
c estice vrhnja nije slucajna jer smo mogli izracunati gibanje svih drugih c estica te predvidjeti
vremena sudara itd. Medutim,
kao to smo vec vidjeli to nije izvedivo pa navedene sudare treti
ramo kao da su efektivno slucajni procesi. Veliki broj c estica (i sudara) ucinit c e to vrlo dobrom
aproksimacijom.
elimo dakle naci odgovor na pitanje koliko je sudara, u prosjeku, potrebno da neka
c estica prijede
udaljenost R.
Najjednostavnija situacija je kada neki etac moe c initi samo jedinicne korake du pravca.
Na Crteu 2.4 skiciran je primjer jednodimenzionalnog slucajnog hoda. etac pocinje u x = 0
i u bilo kojem trenutku moe uciniti korak na lijevo ili na desno, svaki s vjerojatnocu 1/2. U
konkretnom je primjeru na Crteu 2.4 prvi korak ucinjen na lijevo pa je poloaj nakon prvog
koraka x = 1/2. Zatim je izabran sljedeci korak, pri c emu je opet pomak na lijevo i na desno
imao istu vjerojatnost 1/2, ali je ucinjen pomak na desno pa je poloaj etaca postao x = 0.
Ovaj se postupak zatim ponavlja te se dobiva poloaj etaca u ovisnosti o broju koraka. U
nekom fizikalnom procesu, kao to je gibanje molekule u nekoj otopini, vrijeme izmedu
sudara
(koraka) je priblino konstantno pa je broj koraka priblino proporcionalan vremenu. Stoga se
c esto govori o poloaju etaca kao funkciji vremena.

x
x 0 =0

Crte 2.4: Skica slucajnog hoda u jednoj dimenziji. etac pocinje u tocki x0 = 0, a svaki je
korak oznacen strelicom. U ovom je primjeru prvi korak ucinjen na lijevo, a sljedeca tri koraka
na desno.
Simulirajmo slucajni hod koritenjem generatora pseudoslucajnih koraka. U tu svrhu
generirat c emo slucajni broj izmedu
0 i 1 te c emo ga usporediti sa 1/2. Ako je manji od 1/2, neka
10

se tada na etac pomakne na desno, inace neka se pomakne u lijevo. Taj postupak ponavljamo n
puta te tako generiramo poloaj etaca xn kao funkciju broja koraka (vremena) n. Pritom, kako
nas na kraju zanima udaljenost etaca od ishodita, u svakom c emo koraku racunati kvadrat
pomaka x2 .
Iznosimo primjer pseudokoda za simuliranje jednodimenzionalnog slucajnog hoda i proracun srednjeg kvadratnog pomaka:

Jednodimenzionalni slucajni
hod
Inicijalizirajte generator slucajnih brojeva (ako je potrebno)
Inicijalizirajte polje x2ave(i) 0(i = 1, 2, ..., n) u kojem c ete spremiti kvadrate
pomaka u vremenu i
Napravite petlju preko broja etaca (j=1,...m)
Inicijalizirajte pocetne poloaje etaca kao x=0. (Uocite da nije potrebno c uvati poloaje svih etaca u svim trenutcima. Dovoljno je akumulirati kvadrat
pomaka u trenutku i u polje x2ave(i) te zatim osvjeiti poloaje etaca x s
vrijednostima u trenutku i + 1.
Napravite petlju preko broja koraka (i = 1, .., n) za svaki slucajni hod
0i1
* Uzmite slucajni broj r izmedu
* Ako je r < 0.5 tada x = x + 1, inace x = x 1

2
* Akumulirajte kvadrat pomaka: x2ave(i) = x2ave(i) + x

Normirajte kvadrat pomaka da biste dobili srednji kvadrat pomaka kao prosjek
preko svih etaca: x2ave(i) = x2ave(i)/m za sve i = 1, ..., n .
Na Crteu 2.5 prikazan je slucajni hod za tri razlicita etaca, dobiven tako da smo izvrili
program tri puta s razlicitim pocetnim elementom generatora slucajnih brojeva. Tri etaca gibaju
se vrlo nepravilno pa se ponekad ovakav hod naziva i hodom pijanca. Izvravanjem programa
dobivamo nekoliko kvantitativnih rezultata. Osnovni je rezultat srednji pomak etaca nakon n
koraka. Buduci da je jednako vjerojatno da c e etac zakoraciti na desno kao i na lijevo srednji
bi pomak etaca od ishodita trebao biti 0. Srednji pomak od 1000 etaca prikazan je na Crteu
2.6. Nas medutim
zanima srednja udaljenost etaca od ishodita nakon n koraka (ciji kvadrat

smo oznacili sa x2ave u prethodnom pseudokodu). Na Crteu 2.7 prikazan je prosjek kvadrata
pomaka od ishodita dobiven proracunom sa 1000 etaca. Vidimo da se dobiveni rezultati mogu
dobro opisati pravcem, odnosno

2
x = 2Dt,
(2.17)
gdje je t vrijeme, za koje uzimamo da je jednako broju koraka. Faktor D poznat je kao konstanta
difuzije. Korisno je ovo ponaanje usporediti s ponaanjem slobodne c estice, tj. one c estice koja
11

15
10
5

0
5
10
15
20
0

10

20

30

40

50

60

70

80

90

100

broj koraka (=vrijeme)

Crte 2.5: Poloaj x u ovisnosti o broju koraka, odnosno o vremenu, za tri slucajna hoda u
jednoj dimenziji.
se giba konstantnom brzinom i ne sudara se s drugim c esticama. Za takvu c esticu znamo da je
x = vt. Stoga, udaljenost slobodne c estice od ishodita (koje uzimamo za pocetnu tocku) raste
linearno s vremenom. Slucajni se etac ponaa razlicito. Njegova udaljenost od ishodita raste
p
proporcionalno s korijenom od vremena hx2 i t1/2 pa se stoga slucajni etac od ishodita
udaljava puno sporije od slobodne c estice. Gibanje opisano izrazom (2.17) poznato je i pod
nazivom difuzija. Tu c emo vezu detaljnije promotriti kasnije. Primijetimo da nam navedeni
izraz omogucava odgovor na pitanje koliko c e se brzo pomijeati vrhnje s kavom ako nau alicu
p
zamijenimo dvostruko vecom. Mijeanje je otprilike gotovo kad hx2 i postane usporediv s
dijametrom alice. Stoga, ako udvostrucimo dijametar alice, bit c e potrebno c etiri puta vie
vremena da se vrhnje izmijea. Zanimljivo je nadalje promotriti vrijednost konstante difuzije
D. Iz izraza (2.17) slijedi da je 2D nagib grafa koji opisuje ovisnost hx2 i o t. Iz Crtea 2.7
vidimo da je taj nagib prilino jednak jedan.
Navedeni se rezultat za D moe dobiti i analiticki. Izrazimo poloaj c estice nakon n
koraka, xn , preko sume n odvojenih koraka.
xn =

n
X

si ,

(2.18)

i=1

gdje je si pomak u i-tom koraku. U navedenom je problemu si slucajna varijabla koja poprima

12

0.25
0.2
0.15

<x>

0.1
0.05
0
0.05
0.1
0.15
0

20

40

60

80

100

broj koraka (=vrijeme)

Crte 2.6: Prosjecni pomak etaca od ishodita hxi u ovisnosti o broju koraka, odnosno o
vremenu, za simulaciju sa 1000 etaca u jednoj dimenziji.
vrijednosti si = 1 s jednakom vjerojatnosti. Tada moemo napisati
x2n =

n
n
X
X
i=1

!
si sj

(2.19)

j=1

Buduci da su koraci medusobno

neovisni vidimo da c e izrazi si sj sa i 6= j biti 1 s jednakom

vjerojatnocu. Stoga, ako uzmemo prosjek od x2n preko velikog broja odvojenih koraka, to c e
nam ostati samo c lanovi s i = j, odnosno s2i . Stoga slijedi

x2n

n
X

s2i = n.

(2.20)

i=1

Koristili smo c injenicu da je s2i = 1. n je takoder

jednak vremenu pa vidimo da smo dobili
relaciju (2.17).
Promotrimo fluktuacije u x2 u odnosu na srednju vrijednost. Dane su izrazom
p

h(x2n

hx2n i)2 i

hx4n i hx2n i2 ,

(2.21)

13

100
90
80
70
<x2>

60
50
40
30
20
10
0
0

20

40

60

80

100

broj koraka (=vrijeme)

Crte 2.7: Kvadrat pomaka od ishodita x2 u ovisnosti o broju koraka, odnosno o vremenu, za
simulaciju s 1000 etaca. Tocke su izracunate vrijednosti, a pravac je fit metodom najmanjih
kvadrata na oblik hx2 i = 2Dt.
to znaci da trebamo proracunati hx4n i. Iz (3.13) slijedi
n
X

4
xn =
hsi sj sk sl i

(2.22)

i,j,k,l=1

Vrijednosti si za razlicite i su neovisne pa su jedini neicezavajuci izrazi hsi sj sk sl i oni gdje su

svi indeksi i, j, k, l jednaki ili se pojavljuju u parovima istih vrijednosti. To vodi na

xn =

n
X

s4i + 3

i=1

n
X
i=1

"

#
s2i

X
i6=j

s2j = n + 3n(n 1) = 3n2 2n.

(2.23)

Slijedi da je srednje kvadratno odstupanje dano izrazom

q

hx4n i hx2n i2 =

2n2 2n

2n,

(2.24)

za veliki n. Srednje kvadratno odstupanje od x2n dakle je proporcionalno srednjoj vrijednosti

od x2n te se povecava s porastom n-a. Drugim rijecima, udaljenost dva tipicna etaca c e rasti s
porastom n-a. U tom se smislu nijedan slucajni hod ne ponaa kao prosjecni slucajni hod, bez
obzira koliko n bio velik.
Do sada smo razmatrali najjednostavniji model slucajnog hoda. Model moemo gener14

alizirati na vie nacina kako bismo ga ucinili realisticnijim. Jedna je mogucnost dozvoliti da
koraci u slucajnom hodu budu slucajne duljine (ali unutar nekog fiksnog i konacnog intervala).
Dobiva se ponovo difuzno ponaanje, ali s drugim koeficijentom difuzije (D). Druga mogucnost
je generalizacija na vie dimenzija, koja takoder
vodi na difuziju.

2.3.1

Slucajni hod i difuzija

U ovom c emo poglavlju detaljnije razmotriti vezu izmedu

slucajnog hoda i difuzije. Ponovo je
zgodno iskoristiti analogiju mijeanja vrhnja u kavi u kojoj se veliki broj c estica vrhnja giba u
otopini kave. Cilj nam je izracunati kako su c estice vrhnja rasporedene
u ovisnosti o vremenu.

U raspravi o slucajnom hodu usmjerili smo se na pojedinog etaca. Istu fiziku moemo opisati
i preko gustoce c estica, (x, y, z, t), pod uvjetom da se u sustavu nalazi dovoljan broj c estica.
Ideja je promotriti dovoljno velika podrucja prostora koja sadre velik broj c estica tako da se
gustoca (broj c estica/volumen) moe definirati. Gustoca je tada proporcionalna vjerojatnosti po
jedinicnom volumenu, koju oznacavamo s P (x, y, z, t), da se pronade
c estica u tocki (x, y, z),
u trenutku t. Stoga i P zadovoljavaju istu jednadbu.
Kako bismo otkrili o kojoj se jednadbi radi ponovo c emo se vratiti slucajnom hodu, odnosno
jednom etacu. Pretpostavljamo da je etac obvezan c initi korake po jednostavnoj kubicc noj
reetki te da u svakom vremenskom koraku nacini jedan korak. Zbog odabira jednostavne kubicne reetke odmah vidimo da imamo 6 razlicitih najbliih susjeda. P (i, j, k, n) je vjerojatnost
da se pronade
c estica na mjestu (i, j, k) u trenutku n. Ako je etac na jednom od tih mjesta u
trenutku n 1 tada postoji vjerojatnost 1/6 da c e se taj etac pomaknuti na mjesto (i, j, k) u
trenutku n. Stoga je ukupna vjerojatnost da se stigne na (i, j, k) u trenutku n jednaka
1
[P (i + 1, j, k, n 1) + P (i 1, j, k, n 1) + P (i, j + 1, k, n 1)
6
+ P (i, j 1, k, n 1) + P (i, j, k + 1, n 1) + P (i, j, k 1, n 1)] . (2.25)

P (i, j, k, n) =

Prethodni izraz moemo proiriti oduzimanjem P (i, j, k, n 1) sa svake strane jednakosti

P (i, j, k, n) P (i, j, k, n 1) =
1
[[P (i + 1, j, k, n 1) 2P (i, j, k, n 1) + P (i 1, j, k, n 1)]
6
+[P (i, j + 1, k, n 1) 2P (i, j, k, n 1) + P (i, j 1, k, n 1)]
+ [P (i, j, k + 1, n 1) 2P (i, j, k, n 1) + P (i, j, k 1, n 1)]] .

(2.26)

Ako izuzmemo konstantni faktor 1/t tada je lijeva strana prethodnog izraza jednaka prvoj
aproksimaciji za vremensku derivaciju od P , a desna je strana proporcionalna drugoj prostornoj
derivaciji, odnosno u tri dimenzije kao to je ovdje slucaj, proporcionalna Laplacijanu. Da

15

bismo to vidjeli prisjetimo se Taylorovog razvoja funkcije f ,

f
x +
x
f
x +
f (x x, t) = f (x, t)
x
f (x + x, t) = f (x, t) +

1 2f
(x)2 + ..
2 x2
1 2f
(x)2 + ..
2
2 x

(2.27)
(2.28)

Zbrajanjem dvije prethodne jednadbe dobivamo

2f
(x)2 = f (x + x, t) + f (x x, t) 2f (x, t).
x2

(2.29)

to se tice vremenske derivacije promotrit c emo Taylorov razvoj u kojem zadravamo samo
linearni c lan u t
f
t + ...
(2.30)
f (x, t + t) = f (x, t) +
t
pa dobivamo
f
1
=
(f (x, t + t) f (x, t))
(2.31)
t
t
Slijedi da u granici kontinuuma izraz (2.26) postaje
P (x, y, z, t)
= D2 P (x, y, z, t),
t

(2.32)

gdje je D = (1/6)(x)2 /t te se uzima x = y = z. Vrijednost konstante D razlikovat

c e se za druge tipove reetki i u drugim dimenzijama. Izraz (2.32) je parcijalna diferencijalna
jednadba za difuziju, a izvod jednadbe pokazuju usku vezu izmedu
slucajnog hoda i difuzije.
Gustoca zadovoljava istu jednadbu,
(x, y, z, t)
= D2 (x, y, z, t).
t

(2.33)

Prethodnu c emo diferencijalnu jednadbu numericki rijeiti u jednoj dimenziji. Postupak numerickog rjeenja jednostavno se generalizira na vie dimenzija, to c emo ostaviti za zadatke. U
jednoj dimenziji moemo pisati (x, t) = (ix, nt) = (i, n), to znaci da nam prvi indeks
oznacava prostornu, a drugi vremensku dimenziju. Izraz (2.33) u jednoj dimenziji postaje,
(x, t)
2 (x, t)
=D
.
t
x2

(2.34)

Prethodnu diferenicijalnu jednadbu treba pretvoriti u diferencijsku. Analogno, kao u (2.26),

dobivamo,
(i, n + 1) (i, n)
(i + 1, n) + (i 1, n) 2(i, n)
=D
.
(2.35)
t
(x)2

16

U numerickom je proracunu potrebno gustocu u vremenskom koraku n+1 izrazit preko gustoce
u vremenskom koraku n pa prethodni izraz prebacujemo u oblik pogodan za proracun
(i, n + 1) = (i, n) +

Dt
[(i + 1, n) + (i 1, n) 2(i, n)].
(x)2

(2.36)

Ako su nam dani rubni uvjeti rubni uvjeti (xmin,max , t) i pocetna raspodjela c estica vrhnja
(x, t = 0), tada koritenjem izraza (2.36) moemo izracunati gustocu u svim kasnijim trenutcima.
Potrebno je samo izabrati vremenske i prostorne pomake. Tu treba biti oprezan jer su u slucaju
prevelikih pomaka moguce numericke nestabilnosti.
1
0.9
0.8
0.7
(x)

0.6

0.5
0.4
0.3
0.2
0.1
0
20

15

10

10

15

20

Crte 2.8: Rjeenje difuzijske jednadbe za dva razlicita vremena. Puna crta prikazuje raniji
vremenski trenutak od crtkane. Gaussova raspodjela iri se s vremenom, a povrina ispod
krivulje, koja je jedaka ukupnom broju c estica se ne mijenja.
U odredivanju
velicine pomaka korisno je promotriti analiticko rjeenje. Opci oblik anal
itickog rjeenja necemo ovdje izvoditi vec c emo samo promotriti jedan poseban slucaj. Uvrtavanjem u parcijalnu diferencijalnu jednadbu (2.34) moemo provjeriti da je funkcija


1
x2
(x, t) = exp 2

(2.37)

rjeenje, pod uvjetom da je vremenski ovisna, = 2Dt. Navedeni rezultat moemo razumjeti i ako promotrimo Crt.2.8 na kojem su prikazane skice gustoce za dva razlicita vremena.
U bilo kojem trenutku prostorna raspodjela ima Gaussov oblik c ija poluirina, koja je priblino
jednaka , daje red velicine koji prostorno zauzima skupina c estica. S prolaskom vremena, gus
toca zadrava Gaussovski oblik, ali se irina povecava proporcionalno sa t. ujedno daje i red
17

velicine srednje kvadratne udaljenosti koju prosjecna c estica prijede

u vremenu t. To moemo
vidjeti na sljedeci nacin. U t=0 c estice c e, prema naoj pocetnoj pretpostavci (mala kapljica
vrhnja), biti rasporedene
u vrlo malom prostoru ( 0). U kasnijem trenutku t raspodjela c es
tica vrhnja bit c e reda velicine pa to mora biti udaljenost koju c e prijeci tipicna c estica koja se
difuzijom mijea u kavi. To znaci da je udaljenost koju c estica prelazi u difuziji proporcionalna
korijenu iz vremena. To je upravo ponaanje koje smo pronali proucavajuci slucajni hod.
Iz analitickog rezultata dakle slijedi da je rapodjeli vrhnja potrebno vrijeme reda velicine
2
l /(2D) da se proiri za udaljenost l. Stoga, ako elimo numericki stabilan proracun, moramo
voditi racuna da prostorni i vremenski koraci zadovoljavaju
(2.38)

t (x)2 /(2D)

Numericko rjeenje koje je dobiveno koritenjem izraza (2.36) prikazano je na Crt. 2.9
i 2.10 za nekoliko vremenskih koraka. Na pocetku smo pretpostavili da je gustoca nula svuda
osim u ishoditu, x = 0. Razlika dvaju crtea je u vrijednosti vremenskog pomaka t. Na
Crt. 2.9, kad je izabran vremenski pomak koji granicno zadovoljava uvjet za stabilnost (2.38)
dobiveno je da gustoca naizmjenicno poprima pozitivne vrijednosti i nulu. To je posljedica
vrijednosti vremenskog pomaka i nae pocetne raspodjele koja je nula svuda osim u ishoditu.
Inace je poeljno u numerickom rjeavanju parcijalnih diferencijalnih jednadbi odabrati vremenski pomak koji je manji od karakteristicne skale promatranog problema. Na Crt. 2.10
vidimo da se navedeni efekti ne pojavljuju za manje vremenske korake. S povecanjem vremena
vidimo da se profil gustoce iri. Posebno, kad se vrijeme poveca 10 puta, irina profila gustoce
proiri se otprilike 3 puta to i ocekujemo kod difuzije.
1

0.25

t=0

0.2

0.6

0.15

0.4

0.1

0.2

0.05

(x)

0.8

t=10t
t=100t

0
40

20

0
x

20

40

40

20

20

40

Crte 2.9: Vremenska evolucija za difuzijsku jednadbu u jednoj dimenziji. Prostorni korak je
x = 1 pa se gustoca racuna samo u tockama x = 0, 1, 2, ... U ovom smo primjeru izabrali
D = 1 i t=0.5, s c im je uvjet za stabilnost zadovoljen sa znakom jednakosti.
Numericki pristup difuzijskom problemu koji smo ovdje koristili opcenit je i moe se
koristiti u dvije i tri dimenzije. Za numericki stabilan proracun potrebno je koristiti jo manje
vremenske korake nego u jednoj dimenziji. Ovdje medutim
necemo ulaziti u detalje. U primjeru

vrhnja u alici kave sve su c estice u 33 kvadratu oko ishodita. Profil gustoce tada se iri
18

0.18

t=0

t=10t
t=100t

0.16
0.8

0.14
0.12

0.6
(x)

0.1
0.08

0.4

0.06
0.04

0.2

0.02
0

0
40

20

20

40

40

20

20

40

Crte 2.10: Vremenska evolucija za difuzijsku jednadbu u jednoj dimenziji. Prostorni korak
je x = 1 pa se gustoca racuna samo u tockama x = 0, 1, 2, ... U ovom smo primjeru
izabrali D = 1 i t=0.3, s c im je uvjet za stabilnost zadovoljen sa znakom nejednakosti.
s vremenom na priblino sferno simetrican nacin. Rezultati numerickog rjeenja difuzijske
jednadbe nakon 10,100 i 1000 koraka prikazani su na crteima 2.11 - 2.13. Uocite razlicite
raspone x i y osi.

N=10

0.6
0.4
0.2
0
10
-10

5
-5

0
0
5

-5

Crte 2.11: Vremenska evolucija izracunata iz difuzijske jednadbe u dvije dimenzije. Prikazan
je rezultat nakon t = 10t. Parametri koji su koriteni u proracunu su x = 1, D=1 i t=0.1.
Kako bismo vezu izmedu
difuzije i slucajnog hoda ucinili jo eksplicitnijom promotrit
c emo isti problem vrhnja u kavi koritenjem slucajnog hoda. Uzmimo veliki broj etaca koji
svi krecu iz ishodita. Ti etaci odgovaraju c esticama vrhnja tek nakon to su stavljene u kavu.
Da bismo dobili profil gustoce vrhnja u t = 10t, trebamo izracunati raspodjelu vjerojatnosti
etaca nakon n koraka. Odnosno, pustit c emo da svaki etac nacini n koraka jedinicne duljine
te c emo zabiljeiti poloaj etaca x. Zatim c emo konstruirati histogram poloaja etaca kao
funkciju od x. Navedeni histogram predstavlja traenu raspodjelu vjerojatnosti, odnosno profil
19

N=100

0.08
0.06
0.04
0.02
0
20
-20

15
-15

10
-10

5
-5

0
0

-5
10

-10
15

-15

Crte 2.12: Vremenska evolucija izracunata iz difuzijske jednadbe u dvije dimenzije. Prikazan
je rezultat nakon t = 100t. Parametri koji su koriteni u proracunu su x = 1, D=1 i t=0.1.

N=1000

0.008
0.006
0.004
0.002
0
40
-40

30
-30

20
-20

10
-10

0
0

10

-10
20

-20
30

-30

Crte 2.13: Vremenska evolucija izracunata iz difuzijske jednadbe u dvije dimenzije. Prikazan
je rezultat nakon t = 1000t. Parametri koji su koriteni u proracunu su x = 1, D=1 i
t=0.1.
gustoce.
Na crteu 2.14 prikazani su rezultati za jednodimenzionalni slucaj, dobiveni koritenjem
1000 etaca, nakon 10 i 100 koraka. Na prvi pogled moe se uciniti c udnim to je vjerojatnost
pronalaenja etaca na neparnim tockama reetke jednaka nuli. Treba medutim
uociti da ako

etac krene iz ishodita i nacini paran broj koraka, nuno mora zavriti na parnoj tocki reetke.
20

0.25

t=100
t=10

vjerojatnost

0.2

0.15

0.1

0.05

0
-40

-30

-20

-10

10

20

30

40

Crte 2.14: Distribucija etaca u slucajnom hodu u jednoj dimenziji. 1000 etaca krenulo je iz
ishodita, a prikazani su rezultati nakon 10 i 100 koraka.
Trebali bismo stoga uciniti prosjek preko susjednih tocaka reetke. U svakom slucaju, i ovdje
uocavamo Gaussovsko irenje raspodjele s povecanjem vremena, kao to smo i ocekivali iz
analogije s difuzijom.
Rezultati ekvivalentne simulacije u dvije dimenzije prikazani su na crteu 2.15. Koriteno
je 105 etaca, a prikazana je raspodjela vjerojatnosti etaca nakon 100 koraka.

0.008
0.006
0.004
0.002
0
-40

-30

-20

-10
x

10

20

30

-30

-20

-10

10

20

30

40

Crte 2.15: Distribucija etaca u slucajnom hodu u dvije dimenzije. 105 etaca krenulo je iz
ishodita, a prikazana je raspodjela vjerojatnosti etaca nakon 100 koraka.

21

Zadatak 2.3.
Simulirajte slucajni hod u tri dimenzije, pri c emu dozvolite etacu da c ini jedinicne korake
u slucajnim smjerovima; odnosno nemojte ograniciti etaca samo na pomake po diskretnoj

reetki. Pokaite da je rezultantno gibanje jo uvijek difuzno, tj. hr2 i t. Pronadite

vrijednost konstante proporcionalnosti.
Zadatak 2.4.
Simulirajte slucajni hod za koji vjerojatnosti za razlicite smjerove pomaka nisu jednake. Na
primjer, promotrite jednodimenzionalni slucajni hod za koji je vjerojatnost pomaka na lijevo
0.25, a vjerojatnost pomaka na desno 0.75. U kojem je smislu gibanje jo uvijek difuzno?
Zadatak 2.5.
Rijeite numericki parcijalnu diferencijalnu jednadbu za difuziju u dvije dimenzije. Pocnite
s izvodom diskretiziranog oblika jednadbe, kao to je u jednoj dimenziji izraz (2.36). Odaberite pocetnu raspodjelu koja se prostire preko nekoliko tocaka na dvodimenzionalnoj reetki
te ispitajte povecava li joj se irina proporcionalno s korijenom iz vremena.

2.3.2

Difuzija i entropija

Problem vrhnja u kavi koji smo uveli na pocetku ovog poglavlja ponovo c emo razmotriti s
gledita neravnotene statisticke mehanike. Iskoristit c emo ga kao primjer nacina na koji se
sustav pribliava ravnotenom stanju.
Pocetni uvjeti su nam dakle alica crne kave s kapljicom vrhnja u sredini. Radi jednostavnosti, pretpostavit c emo dvodimenzionalnu pravokutnu alicu u c ijem centru se nalaze c estice vrhnja. U simulaciji pretpostavljamo da svaka od c estica izvodi dvodimenzionalni slucajni
hod, pri c emu dozvoljavamo viestruku zauzetost nekog c vorova reetke (nai bi rezultati kvalitativno bili jednaki i kada to ne bismo dozvolili). Na crteu 2.16 prikazana je raspodjela c estica
nakon 10, 102 , 103 , 104 i 105 koraka. Kao to i ocekujemo vrhnje se iri na nacin koji se c ini
difuzan. Pretpostavili smo postojanje zidova na x = 400 i y = 400, tako da su c estice
prisiljene boraviti u podrucju prikazanom na crteu.
Dobiveni rezultati ekvivalentni su naem rjeenju dvodimenzionalne difuzijske jednadbe
u prethodnoj cjelini. Ovdje elimo ici korak dalje te raspraviti vezu s drugim zakonom termodinamike i nacinom na koji se sustav pribliava ravnotenom stanju. Promotrimo stoga entropiju
sustava. Grubo govoreci, entropija je mjera neuredenosti
sustava. Savreno ureden

sustav ima
entropiju nula, a neureden
ima veliku entropiju. Nadalje, iz statisticke mehanike znamo da
entropija zatvorenog sustava ili ostaje ista ili raste u vremenu.
Na problem vrhnja u alici kave, vrlo lijepo prikazuje navedene ideje. Na pocetku, sve
c estice vrhnja nalaze se u malom podrucju alice, sustav je ureden
i ocekujemo malu entropiju.
S protjecanjem vremena, c estice se rasporeduju
po cijeloj alici te njihov raspored postaje sve

22

neuredeniji.
Ovo razmatranje moemo uciniti kvantitativnijim eksplicitnim proracunom en
tropije. Entropiju moemo izracunati iz njene statisticke definicije. Entropija S je
S=

(2.39)

Pi ln Pi ,

gdje se sumira po svim mogucim stanjima sustava i, a Pi je vjerojatnost pronalaenja sustava u

stanju i te uzimamo da je Boltzmannova konstanta jednaka 1. Navedenu c emo definiciju primijeniti tako da na sustav podijelimo u kvadratnu mreu kao to je prikazano na Crt. 2.17. Mrea
prikazana na crteu nije vezana uz kvadratnu reetku na kojoj se nalaze nai etaci. Ona je samo
zgodan nacin da se podijeli prostor. Svaka dobivena c elija je razlicito stanje u kojemu se moe
pronaci c estica. Da bi se bolje pojmilo znacenje izraza (2.39) prvo c emo zamisliti sustav koji se
sastoji od samo jedne c estice vrhnja. Stanje koje oznacavamo sa i nam znaci da se c estica nalazi
u c eliji i. Pi je vjerojatnost pronalaenja c estice u c eliji i u bilo kojem trenutku. Suma po i u
izrazu (2.39) znaci sumu po svim c elijama reetke. U simulacijama se tipicno koristi veliki broj
c estica, to samo znaci da sve te c estice moemo iskoristiti u proracunu vjerojatnosti. Upotri400
300
200

100
0
-100
-200
-300
-400
-400

-300

-200

-100

100

200

300

400

Crte 2.16: Prikaz poloaja etaca u slucajnom hodu u dvije dimenzije. 300 etaca krenulo je
iz 33 reetke oko ishodita. Crte prikazuje raspodjelu etaca nakon 10, 102 , 103 , 104 i 105
koraka, krecuci od ue prema iroj raspodjeli.
jebit c emo c estice iz dvodimenzionalnog slucajnog hoda kako bismo proracunali vjerojatnosti
pronalaenja c estice u pojedinoj c eliji te c emo uz pomoc tih vjerojatnosti izracunati entropiju
u danom trenutku (koraku slucajnog hoda). Konkretno Pi =n/m, gdje je n broj c estica u c eliji
i, a m ukupan broj c estica (etaca). Rezultati za entropiju prikazani su na Crt. 2.18. Dobiveno
ponaanje u potpunosti je u skladu s naom intuitivnom defincijom entropije na primjeru vrhnja.
Na pocetku simulacije, sustav je u uredenom
stanju, s malom vrijednosti entropije. S porastom

vremena (broja koraka) entropija se povecava te na kraju postie konstantnu vrijednost, koja
23

nam ukazuje da je sustav postigao ravnoteno stanje.

Ovaj nam primjer predocava kako se sustav pribliava ravnotei. Cestice

se ire kako
bi jednoliko popunile sva dostupna stanja (u ovom slucaju to odgovara dostupnom prostoru)
te na taj nacin maksimiziraju entropiju. Tendencija ka maksimiziranju entropije nije ugradena

u mikroskopske jednadbe gibanja. Pojavljuje se zato to sustav provodi vrijeme u svim dostupnim stanjima s jednakom vjerojatnosti. To naposlijetku vodi na to da je vjerojatnost pronalaenja
c estice u svakoj c eliji jednaka. Ravnoteno stanje je ono u kojem sva dostupna stanja imaju jednaku vjerojatnost.

Crte 2.17: Shematska podjela alice kave u mreu c elija. Cestice

su rasporedene
po reetki. Pi

je vjerojatnost pronalaenja c estice u c eliji i.

2.4

Modificirani slucajni hod

U modelima slucajnog hoda koje smo razmatrali do sada, svaki je korak bio u potpunosti neovisan o prethodnim koracima, to odgovara slucajnom, difuznom ponaanju. Postoje medutim

fizikalni procesi za koje to nije prikladna pretpostavka te se stoga pojavljuje i niz varijanti
slucajnog hoda koje ukljucuju neko ogranicenje. Ovdje c emo promotriti osnove samo nekih od
navedenih modela, dok se vie informacija moe pronaci u dodatnoj literaturi [4, 5, 6].

2.4.1

Ograniceni slucajni hod

Kod ovogse modela (restricted random walk) u slucajni hod ukljucuju takozvane "zamke". Promotrimo radi jednostavnosti jednodimenzionalnu reetku sa mjestima zamki u x=0 i x = a,
gdje je a > 0. etac pocinje slucajni hod u x = x0 (0 < x0 < a), birajuci u svakom koraku
24

4.5
4
3.5

entropija

3
2.5
2
1.5
1
a=200
a=400
a=1600

0.5
0
0

20000

40000

60000

80000

100000

vrijeme (broj koraka)

Crte 2.18: Entropija kao funkcija vremena (broja koraka u slucajnom hodu) za vrhnje koje se
mijea u kavi za tri razlicite kvadratne alice stranice a. Za proracun se koristila 8x8 reetka.
jedinicni pomak na lijevo ili desno s jednakom vjerojatnosti. Kad etac naide
na zamku, on
nestaje. Uz pomoc Monte Carlo simulacije moe se provjeriti da je srednje vrijeme potrebno da
etac stigne do zamke dano sa
= (2D)1 x0 (a x0 )

(2.40)

D je koeficijent difuzije u odsutstvu zamki, a prosjek se uzima preko svih mogucih slucajnih
hodova. Ovakav se model moe koristiti u podrucju fizike kondenzirane materije, specificno u
razmatranju prijenosa energije u c vrstim tijelima. U jednom idealiziranom modelu c vrsto tijelo
predstavljamo reetkom s dvije vrste c vorova koje c emo nazvati "domacini" i "zamke". Foton
se apsorbira na c voru domacina i pobudi atom ili molekulu domacina. Energija pobudenog

stanja ili eksciton prenosi se na slucajan nacin na jednog od prvih susjeda domacina, a sama se
molekula domacina vraca u osnovno stanje. Na ovaj se nacin eksciton eta kroz reetku sve dok
ne stigne na c vor zamke, na kojem se dogada
kemijska reakcija. Model je relevantan i u drugim
podrucjima znanosti, gdje je vano odrediti radiobu vremena do prvog prolaza neke prepreke ili
zamke.
Osim zamki postoje i varijante slucajnog hoda koje ukljucuju reflektirajuce zidove. etac
koji stigne do prepreke okrece se i nastavlja u suprotnom smjeru. Ogranicenje moe predstavljati i zahtjev da dvije c estice ne smiju zauzimati isto mjesto. Takav je primjer "lattice gas" model
gdje se c estice mogu gibati samo po c vorovima reetke, ali dvije c estice ne mogu zauzimati isti
c vor. Relevantan fizikalni primjer je gibanje upljina.

25

2.4.2

Ustrajan slucajni hod

Ustrajan slucajan hod (persistent random walk primjer je koreliranog slucajnog hoda koji uzima
u obzir katkodosene korelacije u smjeru gibanja. U vecini slucajeva to znaci vecu vjerojatnost
da etac nastavi gibanje u istom (ili slicnom) smjeru kojeg je imao u prethodnom koraku. Dakle
pomak, prijelaz ili vjerojatnost skoka ovisi o prethodnom koraku. Primjerice, ako je u 1D hodu
ucinjeno N 1 koraka, vjerojatnost da N -ti korak bude u istom smjeru je , a da bude ucinjen
u suprotnom smjeru je 1-.
Modeli ustrajnog slucajnog hoda primjenjuju se u brojnim podrucjima znanosti. Jedan od
primjera je hod u vie stanja u kojem je stanje etaca definirano zadnjim prijelazom. Primjenjuje
se na proucavanje difuzije u kromatografskom stupcu, koji slui za odvajanje sastojaka. Uzima
se da molekula moe biti u mobilnoj fazi, s brzinom gibanja +v, ili u zarobljenoj fazi. U svakom
se koraku poloaj molekule mijenja za +v ili 0 (jer se pretpostavlja neko jedinicno vrijeme).
Jednom kad se molekula nade
u mobilnoj fazi ona ima vecu vjerojatnost da se zadri u njoj
i to se moe modelirati s > 0.5 te istraiti ponaanje sustava. Eksperimentalno zanimljiva
velicina koja se moe proracunati je vjerojatnost da se u nekom vremenu (odredenom
broju

koraka) molekula pomakne za udaljenost x.

2.4.3

Samoizbjegavajuci slucajni hod

U samoizbjegavajucem slucajnom hodu (self-awoinding random walk SAW) etac nestaje (brie
se) ako pokua presjeci dio vec prijedenog
hoda. Postoji veliki interes za ovim modelom sluca
jnog hoda u istraivanju statistickih osobina konfiguracija fleksibilnih makromolekula u dobrim
otapalima.
Promotrimo dugu fleksibilnu molekulu kao to je polimer. Polimer se sastoji od N dijelova koji se ponavljaju (monomeri), gdje je N  1(N 103 105 ). Na primjer, polietilen se moe prikazati kao CH2 -CH2 -CH2 - . Detaljna struktura polimera vana je za
mnoge prakticne primjene. Ako elimo poboljati izradu gume, kljucno je dobro razumijevanje
lokalnih gibanja monomera u lancu gume. Medutim,
ako nas zanimaju opce osobine polimera,

tada moemo zanemariti detalje strukture lanca.

Promotrimo poznati primjer lanca polimera u dobrom otapalu: rezanac (komad tjestenine)
u toploj vodi. Kratko vrijeme nakon to stavimo rezanac u vodu on postane fleksibilan i niti
se sklupca u malu lopticu niti postane potpuno rastegnut. Umjesto toga poprimi nasumicnu
strukturu koja je prikazana shematski na Crt. 2.19. Ako u vodu ne dodamo previe tjestenine,
moemo reci da se rezanci ponaaju kao rijetka otopina polimera u dobrom otapalu. Rijetka
otopina znaci da moemo zanemariti efekte zapetljavanja rezanaca i razmatrati svaki rezanac
neovisno. Prisustvo dobrog otapala implicira da se polimeri mogu slobodno gibati i poprimati
mnogo razlicitih konfiguracija.
Zanima nas model koji moe opisati oblik polimera. Fundamentalna geometrijska osobina koja karakterizira polimer u dobrom otapalu je srednja kvadratna udaljenosti dva kraja
26

2
polimera hRN
i, gdje je N broj monomera. Ovu c emo velicinu oznacavati, radi jednostavnosti,
samo sa R2 . Poznato je da za rijetku otopinu polimera u dobrom otapalu vrijedi R N , gdje
je 0.5874.
Slucajni hod nam moe pomoci u modeliranju polimera ako svaku vezu u polimeru zamislimo kao jedan korak slucajnog hoda. Polimeri su fleksibilni (kutevi izmedu
susjednih veza
obicno mogu poprimati razlicite vrijednosti) pa se u prvoj aproksimaciju uzima da je svaki korak neovisan o onom koji mu prethodi. Dodatno je pojednostavljenje postavljanje polimera na
reetku (vidi Crt. 2.19).
Za razliku od uobicajenog slucajnog hoda putanja molekule polimera ne moe presjeci
samu sebe. Samo jedan segment polimera moe zauzimati neki dio prostora. Ovo ogranicenje
se naziva ponekad i uvjetom iskljucenog volumena, koji se ne pojavljuje u obicnom slucajnom
hodu. Takoder,
svaki razliciti SAW s istim brojem veza (koraka) mora imati istu vjerojatnost
pojavljivanja. Skup svih takvih SAWova naziva se SAW ansambl.

Crte 2.19: (a) Shematska ilustracija linearnog polimera u dobrom otapalu. (b) Primjer odgovarajuceg samoizbjegavajuceg slucajnog hoda na kvadratnoj reetki.
Odredivanje
statistickih osobina SAW ansambla, koje se ponekad naziva SAW problem,

rjeava se obicno koritenjem dva pristupa: prebrojavanjem i simulacijom. Kod "prebrojavanja"

se izlistaju sve moguce konfiguracije u svakom koraku. S druge strane, u simulacijama se
uzorkuje iz ansambla svih mogucih SAWova.
SAW se moe simulirati na slican nacin kao i obican slucajan hod, medutim
treba pamtiti

sve prethodne korake i voditi racuna da nema presjecanja slucajnog hoda. Na prvi pogled to se
c ini jednostavno jer u svakom koraku biramo na slucajan nacin jedan od dostupnih susjednih
c vorova i prekidamo hod kad vie nema dostupnih c vorova koji bi bili u skladu sa zahtjevom
da se hod ne presijeca. U ovom pristupu postoji jedna suptilna greka. Naime, za polimere u
27

Crte 2.20: Primjeri samoizbjegavajuceg hoda na kvadratnoj reetki. Ishodite je oznaceno

punim krugom. (a) Hod sa N =3. Prikazani c etvrti korak je zabranjen. (b) N =7 hod koji vodi
na presijecanje u sljedecem koraku; teina N =8 koraka je nula. (c) Dva primjera teine hodova
u metodi obogacivanja.
otopini u ravnotei, sve moguce SAW konfiguracije dogadaju
se s jednakom vjerojatnosti. S

pristupom u kojem SAW-ovi jednostavno rastu kao to je opisano ranije, rezultirajuci ansambl
ne zadovoljava taj uvjet. Da bi se postigao taj uvjet sljedeci se korak mora uvijek birati izmedu

svih mogucih smjerova, a ako se zavri na presjecanju c itav se hod odbacuje i pocinje se s
novim. Primjer hoda, koji je prekinut vec u c etvrtom koraku, vodi na samo-presijecanje koje
je prikazano na Crt. 2.20a. Ovakav pristup uzorkovanja svih mogucih smjerova izrazito je
neefikasan i vodi na izrazitu veliku kolicinu CPU vremena za tipicne simulacije.
Uvjet samoizbjegavanja utjece i na velicinu SAW-a. U usporedbi s obicnim slucajnim
hodom, u prosjeku c e se SAW etacu u danom vremenu vie udaljiti od pocetne tocke. Srednja
kvadratna udaljenost od pocetne tocke hR2 i za veliki t ima ponaanje


R2 At2

(2.41)

gdje je eksponent (Floryev eksponent) za SAW u 2D 3/4, a priblino 3/5 u 3D.

U cilju postizanja efikasnijih simulacija razvijen je niz takozvanih metoda obogacivanja.
Ovdje c emo promotriti relativno jednostavan algoritam koji su predloili Rosenbluth i Rosenbluth, a u kojem se uz svaki hod od N koraka vezuje i teinska funkcija w(N ). Buduci da je
prvi korak (npr. na sjever) uvijek moguc, imamo w(1) = 1. Kako bi se sve dozvoljene konfiguracije za dani N jednako brojale, teine w(N ) za N > 1 odreduju
se sukladno sljedecim

mogucnostima:
Rosenbluth i Rosenbluth algoritam za w(N > 1) u SAW-u
1. Ako sva tri moguca koraka kre zabranu presijecanja (npr. kao na Crt. 2.20b), hod
se ponitava s teinom w(N )=0, a novi se hod generira na ishoditu.
2. Ako su sva tri koraka moguca, w(N ) = w(N 1).
3. Ako je samo m koraka moguce uz 1 m < 3 (npr. kao na Crt. 2.20c ), tada je
w(N ) = (m/3)w(N 1), a jedan od mogucih m koraka bira se na slucajan nacin.
28

Traena nepristrana vrijednost od hR2 i dobije se racunanjem teinskog prosjeka. Odnosno,

piemo
P
2

2
i wi (N )Ri
,
(2.42)
R = P
i wi (N )
gdje je Ri2 vrijednost od R2 dobivena u i-tom pokuaju. Pokazuje se da se na ovaj nacin jo
uvijek dosta SAW-ova prekida prije kraja i stoga se ne dobije dovoljno velik broj etaca za
veliki N . Prellberg i Krawczyk uveli su daljnje poboljanje koje je koriteno u izradi simulacije
koja c ini dio Open Source Physics STP paketa [7]. Sr metode je povecanje populacije etaca s
velikim teinama i smanjivanje onih s malim. Koraci algoritma su:
Prellberg i Krawczykijev SAW algoritam
1. Simulacija se zapocne sa skupom od n etaca oznacenih indeksom i. Svaki etac
dobije teinu wi = 1. Svi se etaci stave u ishodite. Za svakog etaca napravi se
lista posjecenih c vorova reetke koja se osvjeava tijekom simulacije.
2. U svakom koraku N , za svakog etaca odredi se broj dostupnih c vorova m za
sljedeci korak. etac se s jednakom vjerojatnocu pomakne na jedan od tih
c vorova. Teina se osvjei prema wi (N ) = (m/3)wi (N 1) te se osvjei lista
posjecenih c vorova reetke.
3. Izracuna se prosjecna teina wsr =< wi (N ) > te omjer r = wi /wsr za svakog
etaca. Ukoliko je r > 1 napravi se c kopija toga etaca s teinom wi /c, gdje je
c = min(int(r), m). Ako je r < 1, navedeni se etac uklanja s vjerojatnosti 1 r.
4. Izracunaju se prosjeci traenih velicina, primjerice srednja kvadratna udaljenost
krajnje tocke SAW hoda od ishodita hR2 i.
5. Vratimo se na korak 2.
Na Crt. 2.21 dan je primjer ovisnosti hR2 (N )i o N za SAW hod sa 4000 etaca i ukupno
1024 koraka. Crte je prikazan u logaritamskoj skali i pokazuje da je irenje SAW-a bre od
jednostavnog slucajnog hoda. Ukoliko elimo odrediti eksponent tocke za vece vrijednosti
od N nisu pouzdane jer se pokazuje da nemaju dovoljan broj etaca. Koritenjem prvih sedam
tocaka na grafu dobiva se vrijednost = 0.72(2), koja je blizu poznate vrijednosti 0.75.
Zadatak 2.6.
Provedite simulaciju za brojeve etaca od 100 do nekoliko tisuca koritenjem Open Source
Phyiscs paketa (OSP) [7]. Mijenjaju li se rezultati s brojem etaca? U OSP paketu racunaju se
zasebno < x2 > i < y 2 >. Postoji li statisticki znacajna razlika izmedu
njih?

29

Crte 2.21: Ovisnost hR2 (N )i o N za SAW hod sa 4000 etaca i ukupno 1024 koraka. Koritene
su simulacije Open Source Physics paketa [7].

2.5

Perkolacija

Ako napunimo posudu s malim staklenim kuglicama i spojimo krajeve na bateriju, struja nece
poteci i na sustav je izolator. Pretpostavimo da zatim na slucajni nacin izaberemo jednu staklenu kuglicu i umjesto nje postavimo c elicnu. Na bi sustav naravno jo uvijek bio izolator.
Ako bismo nastavili zamjenjivati staklene s c elicnim kuglicama, u nekom trenutku potekla bi
struja kroz na sustav. Zanima nas koliko je postotak c elicnih kuglica potreban da bi posuda
postala vodljiva. Prijelaz iz izolatorsko u vodljivo stanje koji se dogada
porastom udjela c elicnih
kuglica primjer je perkolacijskog faznog prijelaza.
Postoji mnotvo drugih primjera perkolacijskih faznih prijelaza; model perkolacije koriten je za razumijevanje toka ulja kroz porozne stijene, reakcija polimerizacije u kemiji,
imunolokih reakcija i irenja epidemija, elektricne vodljivost amorfnih poluvodica, ponaanja
drutvenih mrea i brojnih drugih pojava u prirodi i drutvu.
Kako bismo uveli perkolaciju razmotrit c emo dvodimenzionalnu reetku gdje svaki poloaj
moe biti u jednom od dva stanja, prazan ili zauzet. Pojedini poloaj zauzet je s vjerojatnosti
p te ne ovisi o stanju susjeda. Ovaj model perkolacije naziva se poloajna (site) perkolacija.
Zauzeta mjesta c ine nakupine (klastere), koje predstavljaju grupe zauzetih susjednih mjesta.
Primjeri poloajnih perkolacijskih nakupina dani su na Crt. 2.22.
Jednostavan nacin za proucavanje perkolacije je generiranje slucajnog broja r iz jednolike
razdiobe u intervalu 0 r 1 za svaki poloaj na reetki. Pojedino mjesto reetke oznacimo
zauzetim ako je r p. Na Crt. 2.23 prikazani su primjeri perkolacijskih nakupina za nekoliko
30

Crte 2.22: Primjer poloajne perkolacijske nakupine na kvadratnoj reetki linearne dimenzije
L = 2. Dva najblia susjedna zauzeta poloaja (obojana) u (a) dio su nakupine velicine dva.
Dva zauzeta poloaja pod (b) nisu najblii susjedi i ne pripadaju istoj nakupini; svaki poloaj
predstavlja nakupinu velicine jedan.

Crte 2.23: 40x40 reetka poloaja zauzeta je s vjerojatnosti p oznacenoj na svakom od crtea.
Nakupine razlicitih velicina oznacene su razlicitim nijansama sive.
vrijednosti p. Za malu vjerojatnost zauzeca, kao to je p = 0.2, gotovo sva zauzeta mjesta su

31

izolirana i vecina nakupina ima velicinu 1. Kad se p poveca na p = 0.4, vecina mjesta povezana
je s nekoliko drugih mjesta i tipicna nakupina sadri 5-10 mjesta. U slucaju p = 0.8, teko
je pronaci neko mjesto koje nije dio velike nakupine. U stvari, za velike p, gotovo sva mjesta
pripadaju istoj nakupini, koja se protee kroz cijelu reetku. Najzanimljivija struktura pronalazi
se za p = 0.6. Ovdje velik broj mjesta pripada prilicno velikim nakupinama, medutim
te su

nakupine c esto jedva povezane. Odnosno, uklanjanje samo jednog mjesta drasticno mijenja
velicinu nakupine. Na Crt. 2.23, sa p = 0.6, jedna takva nakupina rasprostire se po cijeloj reetki
i dodiruje sve c etiri stranice reetke. Za reetku koja ima takvu nakupinu kaemo da perkolira.
U slucaju beskonacne reetke takva bi nakupina bila beskonacna. Uobicajeno je stoga c ak i
kad se radi o konacnim reetkama govoriti o beskonacnim nakupinama (u engleskom se koristi
naziv spanning cluster). U mnogim se situacijama za definiciju beskonacne nakupine koristi
zahtjev da nakupina dodiruje dvije suprotne stranice reetke.
Buduci da za male p ne postoji beskonacni klaster, a postoji za p blizu 1, mora postojati
neka meduvrijednost
od p za koju se po prvi put pojavljuje beskonacna nakupina. U granici

beskonacne reetke pokazuje se da postoji dobro definirana vjerojatnost perkolacijskog praga

pc takva da:
za p < pc u sustavu postoje samo konacne nakupine;
za p > pc postoji beskonacna nakupina;
za p = pc beskonacna nakupina postoji s vjerojatnosti vecom od nule i manjom od jedinice.
Pokazuje se da je prijelaz iz stanja bez beskonacne nakupine u stanje beskonacne nakupine
primjer faznog prijelaza drugog reda. On ukljucuje prijelaz iz makroskopski povezane faze, u
kojoj se jedna nakupina protee kroz cijeli sustav u nepovezanu fazu koja sadri samo male
nakupine koje se ne proteu kroz sustav. Blizu tog prijelaza razlicite osobine sustava pokazuju
singularno ponaanje, a ti se singulariteti tipicno opisuju matematicki zakonima potencije.
Za daljnja razmatranja potrebno je definirati parametar reda, velicinu koja icezava za
p < pc , a razlicita je od nule za p pc . Prikladan izbor parametra reda za perkolaciju je P ,
vjerojatnost da je zauzeto mjesto dio beskonacne nakupine. Za danu konfiguraciju P moemo
izracunati iz njegove definicije:
P =

broj mjesta u beskonacnoj nakupini

.
ukupni broj zauzetih mjesta

(2.43)

Za p < pc beskonacni klaster ne postoji pa je P = 0. (Konfiguracije koje se proteu kroz cijelu

reetku postoje i za p < pc , kao primjerice jedan stupac zauzetih stanja. Medutim,
njihova je

vjerojatnost tako mala da se u granici beskonacne reetke mogu zanemariti.) Za p = 1, P ima

maksimalnu vrijednost jedan, jer postoji samo beskonacna nakupina. Sve ove osobine pokazuju
da je P razuman odabir parametra reda. Za izracun P potrebno je uzeti prosjek preko svih
32

mogucih konfiguracija za danu vrijednost od p. Vie se informacija moe dobiti iz distribucije

velicine klastera ns (p) koja se definira kao
ns (s) =

prosjecni broj nakupina velicine s

.
ukupni broj mjesta reetke

(2.44)

Crte 2.24: 16x16 reetka c iji su poloaji zauzeti s vjerojatnosti p = 0.2. Nakupine razlicitih
velicina oznacene su razlicitim nijansama sive.
Za p pc , beskonacna se nakupina iskljucuje iz proracuna ns . Iz povijesnih razloga,
velicina nakupine se odnosi na broj mjesta u nakupini, a ne na njenu prostornu velicinu. Npr.
na Crt. 2.24 vidimo da je ns (1) = 30/256, ns (2) = 6/256 i ns (3) = 4/256 za p=0.2 i nula za
ostale velicine za odabranu probnu konfiguraciju na 16 16 reetki uz p = 0.2.
P
S obzirom da je N s sns jednako ukupnom broju zauzetnih mjesta, velicina
sns
ws = P
s sns

(2.45)

je vjerojatnost da je slucajno izabrano zauzeto mjesto dio klastera sa s mjesta. Srednja velicina
klastera definira se kao
X
s2 ns
S(p) =
sws = P
.
(2.46)
s sns
s
Prethodna suma ukljucuje samo konacne klastere. Na primjer, teine koje odgovaraju klasterima
na Crt. 2.24 su ws (1) = 30/54, ns (2) = 12/54 i ns (3) = 12/54 i stoga je S = 90/54.
Svakoj nakupini moemo pridruiti i karakteristicnu linearnu dimenziju ili duljinu povezanosti
(p). Jedan nacin na koji je to moguce napraviti je preko definicije radijusa okretanja (radius of
gyration) Rs nakupine od s c estica
s

Rs2 =

1X
(ri r )2 ,
s i=1

r =

1X
ri ,
s i=1

(2.47)
33

gdje je ri je poloaj i-tog mjesta u istoj nakupini. Velicina r predstavlja centar mase (geometrijski centar) nakupine. Iz (2.47) vidimo da je Rs korijen srednjeg kvadrata radijusa nakupine
mjerenog u odnosu na njen centar mase.
Duljina povezanosti nakupine moe se definirati kao prosjek preko radijusa okretanja
svih konacnih klastera. elimo pronaci prikladan nacin za proracun prosjeka od . U tu svrhu,
promotrimo poloaj u nakupini koja sadri s poloaja. Taj je poloaj povezan sa s 1 drugih
poloaja i srednji kvadrat udaljenosti do tih poloaja je reda velicine Rs2 . Vjerojatnost da neki
poloaj pripada nakupini od s poloaja je ws = sns . Ova razmatranja nam sugeriraju da je
razumna definicija od
P
2
2
s (s 1)ws hRs i
,
(2.48)
= P
s (s 1)ws
gdje je hRs2 i prosjek od Rs2 po svim nakupinama od s mjesta. Kako bismo pojednostavnili izraz
za 2 , piemo s umjesto s 1 i stavljamo ws = sns
P 2
2
s s ns hRs i
= P
,
2
s s ns
2

(2.49)

a suma ide samo po konacnim klasterima.

Za izracun prethodno definiranih velicina potrebno je odrediti koji poloaj pripada kojoj
nakupini. Takoder
potrebno je odrediti i vjerojatnost za koju se pojavljuje beskonacna nakupina
pc , to ukljucuje globalno ispitivanje cijelog sustava. Informacija o tome protee li se nakupina
kroz cijeli sustav rasporedena
je po cijeloj reetki. Problem moemo rjeavati vizualno, ko
ritenjem naeg mozga kao analizatora uzoraka. Pokazuje se da to funkcionira dosta dobro do
reetki dimenzija 5050, medutim
moe biti dosta naporno. Razvijeni su stoga mnogi algoritmi

za oznacavanje klastera. Veci broj nalazi se u referencama, a u dodatku opisujemo NewmannZiff algoritam koji je koriten u Java Simulations for Statistical and Thermal Physics unutar
Open Source Phyiscs projekta (OSP) [7]. Simulacija perkolacije unutar navedenog paketa
prikazuje reetku za svaki pokuaj, a takoder
i srednju velicinu nakupine S(p), vjerojatnost nastajanja beskonacne nakupine Pspan , vjerojatnost da je zauzeti poloaj dio beskonacne nakupine
P te distribuciju srednjih velicina klastera ns . Algoritam je dan kao:
Newmann-Ziff algoritam
1. Poloaji reetke zauzimaju se s vjerojatnosti p. Zauzece pojedinog poloaja neovisno je o zauzecu svih ostalih poloaja.
2. Koritenjem Newman-Ziff algoritma identificiraju se nakupine.
3. Vjerojatnost da poloaj bude u beskonacnoj nakupini, vjerojatnost beskonacne
nakupine i srednja velicina nakupine racunaju se kao funkcija od p.
4. Racuna se razdioba velicina nakupina za izabrani p.
5. Ponavljaju se koraci 1-4 i racunaju prosjeci izvrenih realizacija reetke.

34

Zadatak 2.7.
1. Prikupite podatke za P , S(p) i Pspan (p). Promotrite velicine reetke L = 8, 32, 128 i 256
te izracunajte prosjek od barem 100 konfiguracija. Kako se mijenja kvalitativno ponaanje
ovih velicina sa L? Raspravite kvalitativno ponaanje P i S(p) sa p za najvecu reetku
koju moete simulirati u razumnom vremenu.
2. Za koju vrijednost od p je Pspan = 0.5 za pojedini L? Nazovimo tu vrijednost pc (L).
Kako pc (L) ovisi o L? Ekstrapolirajte rezultate za pc (L) u L . Na primjer, pokuajte
prilagoditi svoje podatke za pc (L) obliku pc (L) = pc cLx , gdje su pc , c i x parametri. S
obzirom da najvjerojatnije necete imati dovoljno podataka za odredivanje
sva tri parame
tra s prihvatljivom tocnosti, stavite x = 3/4 i ponovite prilagodbu podataka. Koliko su
dobiveni rezultati osjetljivi na vrijednost x-a?
3. Promotrite razdiobu velicina klastera ns (p). Smanjuje li se ns bre za p = pc ili za p 6=
pc ? Zato se podaci za ns toliko puno rasipaju za veliki s? Nacrtajte ln ns kao funkciju
s te ln ns kao funkciju ln s za svaku vrijednost od p. Koji oblik se bolje prilagodava

podacima? Pretpostavite da zakon potencije vrijedi za s manji od neke vrijednosti s0 .

Procijenite s0 kao funkciju od p i pokaite da divergira kad p pc .

2.5.1

Kriticni eksponenti

Razlicite faze materije poznate su nam iz naeg svakodnevnog iskustva. Vecini je najblii primjer vjerojatno voda koja moe postojati u plinovitom, tekucem i krutom stanju. Voda mijenja
fazu pri dobro definiranoj temperaturi i tlaku; primjerice prijelaz iz leda u vodu dogada
se pri
o
atmosferskom tlaku na temperaturi 0 C. Takav prijelaz je primjer termodinamickog faznog prijelaza. Vecina tvari takoder
ima kriticnu tocku. Primjerice, iznad nekog tlaka i temperature nije
moguce razlikovati tekucinu i plin.
Drugi primjer kriticne tocke pojavljuje se u magnetskim sustavima na Curievoj temperaturi Tc kod nultog magnetskog polja. U poglavlju 3.4 uz pomoc Monte Carlo simulacija promotrit c emo ponaanje magnetskih sustava blizu magnetske kriticne tocke.
Perkolacija predstavlja geometrijski fazni prijelaz kojem su osobine kvalitativno slicne
osobinama termodinamickih prijelaza. U blizini kriticne tocke, kvalitativno ponaanje sustava
vodeno
je pojavom dugodosenih korelacija.

Bitna fizika blizu perkolacijskog praga (koristi se i izraz prekolacijska granica) vezana
je uz postojanje velikih nakupina. Primjerice, u zadacima smo vidjeli da za p 6= pc , ns brzo
opada sa s. Medutim,
za p = pc ovisnost ns o s kvalitativno se razlikuje, jer ns puno sporije

opada sa s. Razlicito ponaanje ns -a proizlazi iz postojanja nakupina na svim skalama duljine,

beskonacne nakupine i nakupina svih konacnih velicina. Na Crt. 2.25 prikazana je srednja
duljina povezanosti (p) za reetku sa L = 128. Vidimo da poprima konacne vrijednosti, ali i
35

da pokazuje jasan maksimum za p pc . Takoder,

znamo da je (p = pc ) L i stoga divergira
kad L . Ova kvalitativna razmatranja vode nas na pretpostavku da u granici L , (p)
brzo raste u podrucju |p pc |  1.
Kvantitativno ponaanje (p) za p blizu pc moe se opisati uvodenjem
kriticnog ekspo
nenta preko izraza
(p) |p pc | .
(2.50)
Takoder,
i druge velicine koje smo prije uveli ponaaju se prema zakonu potencije u kriticnom
podrucju blizu pc .
P (p pc ) ,

S(p) |p pc | ,

(2.51)
(2.52)

gdje su i kriticni eksponenti. Njihove vrijednosti u dvije dimenzije iznose = 5/36,

= 43/18 i = 4/3. Takoder
za p = pc , ns s , gdje je = 187/91 jo jedan kriticni
eksponent.
Buduci da moemo simulirati samo konacne reetke, direktna prilagodba mjerenih vrijednosti za , P i S izrazima (2.50) - (2.52) ne bi dala dobu procjenu kriticnih parametara.
Kad je p blizu pc duljina povezanosti najveceg klastera postaje usporediva sa L i na prirodu
klastera utjece velicina sustava L. S druge strane, kad smo daleko od pc , (p) je manja od
L i stoga konacna velicina sustava ne utjece na odredivanje
, kao ni na odredivanje
ostalih

fizikalnih velicina. Slicno ogranicenje javlja se i kod proucavanja ostalih faznih prijelaza. Konacne reetke ne mogu pokazati pravi fazni prijelaz koji karakteriziraju divergentne fizikalne
velicine. Umjesto toga, postie konacni maksimum za p = pc (L).
Za odredivanje
kriticnih eksponenata koristi se metoda skaliranja konacne velicine (finite
size scaling) koju c emo sada ukratko uvesti. Krenimo od kriticnog ponaanja za P . Ako je
 1, ali mnogo manje od L ocekujemo da izraz (2.51) vrijedi. Kad postane usporediv
sa L, se vie ne moe znacajno mijenjati i zakon potencije vie nije primjenjiv. Kvalitativna
promjena u ponaanju P i drugih fizikalnih velicina stoga nastaje za
(p) L |p pc | ,

(2.53)

|p pc | L1/ .

(2.54)

odnosno za
Razlika |p pc | je udaljenost od perkolacijskog praga na kojoj se pojavljuju efekti konacne
velicine sustava. Stoga, buduci da su i L otprilike iste velicine, moemo zamijeniti izraz
(2.51) sa
P (p = pc ) L/ (L )
(2.55)
Iz prethodnog izraza moemo izracunati omjer /. Generiramo perkolacijske konfiguracije za
36

Crte 2.25: Ovisnost duljine povezanosti (p) o p za kvadratnu reetku sa L = 128. Rezultati
su nastali kao prosjek od 2000-6000 konfiguracija za svaku vrijednost od p. Uocimo da je
konacna za konacne reetke. Crte je preuzet iz Ref. [4]
p = pc za razlicite vrijednosti od L i analiziramo P kao funkciju od L. Ako su nae vrijednosti
od L dovoljno velike, iz izraza (2.55) moemo procijeniti omjer /. Slicna se analiza moe
napraviti i za S(p) i druge velicine od interesa.
Numericka vrijednost perkolacijskog praga ovisi o simetriji i dimenziji reetke, primjerice pc 0.5927 za kvadratnu reetku i pc = 1/2 za trokutastu reetku u dvije dimenzije.
Vano je medutim
naglasiti da vrijednosti kriticnih eksponenata ne ovise o simetriji reetke

te su neovisne i o postojanju reetke. Naime, osim poloajne perkolacije postoji i vezna te

poloajno-vezna perkolacija, kao i kontinuirana perkolacija. Kod vezne perkolacije nasumicno se zauzimaju veze izmedu
c vorova na reetki. Dvije zauzete veze pripadaju istoj nakupini
ako su medusobno
povezane neprekinutim nizom zauzetih veza. Ako su i poloaji i veze na
sumicno rasporedeni
govorimo o poloajno-veznoj perkolaciji. Kod kontinuirane perkolacije

poloaji nisu nuno rasporedeni

po c vorovima pravilne reetke, a model se c esto naziva model
vicarskog sira. Pokazuje se da sve ove vrste perkolacije pripadaju istoj klasi univerzalnosti i
stoga imaju iste kriticne eksponente. Vrijednosti eksponenata ovisne su medutim
o dimenziji

pa u tri dimenzije iznose = 0.41, = 1.80, = 0.88 te = 2.19.

Zanimljivo je primijetiti i da je beskonacan klaster za p = pc fraktal koji se pribliava
gustoci nula u granici beskonacne dimenzije sustava. Ako oznacimo sa M broj c estica u

37

beskonacnoj nakupini (nakupini koja se protee preko cijele reetke) tada za p = pc dobivamo M Ldf , gdje je df fraktalna dimenzija. Kaemo da je neki objekt fraktal ako mu je
dimenzija razlicita od prostorne dimenzije. Vie informacija o fraktalnoj prirodi beskonacne
nakupine moete pronaci u referencama.

2.6
2.6.1

Radioaktivni raspad
Zakonitosti radioaktivnog raspada

Radioaktivni raspad jest spontani proces u kojem nestabilne atomske jezgre gube energiju u
obliku c estica ili elektromagnetskog zracenja. Raspadi iste vrste c estica dogadaju
se neovisno

jedan o drugome. to je dulji vremenski interval promatranja to se raspadne vie c estica neke
vrste pa je vjerojatnost raspada po c estici
p = t

(2.56)

proporcionalna vremenskom intervalu t. Faktor proporcionalnosti zovemo konstanta raspada jer predstavlja velicinu konstantnu u vremenu t, odnosno vjerojatnost raspada bilo koje
c estice po jedinici vremena. Medutim,
je razlicit za razlicite jezgre i vrste raspada.

Kako vrijeme t protjece, smanjuje se broj radioaktivnih jezgri odnosno neraspadnutih

c estica, N (t). Kao posljedica navedenoga, broj raspada
N (t) = [N (t + t) N (t)]

(2.57)

takoder
opada s vremenom te nakon dovoljno dugo vremena (t ) tei prema 0. Statisticki
gledano
N (t)
(2.58)
p=
N (t)
to u kombinaciji s (2.56) za sustav velikog broja c estica (N ) i infinitezimalne promjene
(t 0) prelazi u diferencijalnu jednadbu
dN (t)
= dt
N (t)

(2.59)

koja opisuje proces radioaktivnog raspada. Integracijom prethodnog izraza po vremenu dobivamo eksponencijalno opadanje neraspadnutih c estica
N (t) = N0 et

(2.60)

s tim da je s N0 N (0) oznacen broj radioaktivnih elemenata u pocetnom trenutku t = 0.

Uz radioaktivni raspad vezuju se njemu karakteristicni vremenski intervali. Naime, re38

ciprocnoj vrijednosti konstante raspada odgovara srednje vrijeme ivota radioaktivnih jezgri
istog tipa,
R  dN 
t  dt  dt
1

t = R0  dN
=

=
.
(2.61)
 dt

dt
0
Nadalje, vrijeme poluraspada
T1/2 , odnosno period tijekom
kojeg se raspadne polovica
pocetnog broja radioaktivnih
elemenata, takoder
moemo
povezati s konstantom raspada. Prema (2.60)
N0
= N0 eT1/2
2

(2.62)

pa je vrijeme poluraspada
T1/2 =

ln 2
= ln 2 . (2.63)

Prema tome svaka nestabilna

c estica ima karakteristicno vrijeme poluraspada. Za atomske jezgre tipicno vrijeme
poluraspada reda je velicine
od 108 s do 1024 god, za
subatomske c estice 1024 s do
108 s. Primjer sporo ras- Crte 2.26: Vrijeme poluraspada jezgri od Z protona i N neupadajuce jezgre je najzastu- trona prikazano je gradijentom boja. Osnovne vrste radioak ije tivnih raspada pri kojima jezgra prelazi u neku novu uz emisiju
pljeniji izotop urana 235
92 U c
naznacenih c estica prikazane su na podslici. Pomaci za jedan
je vrijeme poluraspada 4.468 kvadrat odgovaraju promjeni nukleona za 1.
109 god. Suprotno tome jezgra
5
He, koja se samo kratkotrajno javlja kao meduprodukt
nekih reakcija, ima netipicno kratko vri
jeme poluivota od 700 ys. Vrijeme poluraspada atomski jezgri ovisno je o broju protona(Z) i
neutrona(N) te o njihovom medusobnom
omjeru. Vrijednosti za razne izotope u ovisnosti o Z i

N dane su na slici 2.26.

Aktivnost A radioaktivnog uzorka mjeri se brojem raspada u sekundi,


 dN (t) 
 = N (t)

A=
dt 

(2.64)

to se c esto izraava izvedenom SI jedinicom bekerel (Bq). Dakle, aktivnost od 1 Bq znaci

39


jedan radioaktivni raspad u sekundi. Cesto
su aktivnosti uzoraka vrlo velike pa je u upotrebi i
veca jedinica - kiri (Cu), koja je ekvivalentna 3.7 1010 Bq. Nadalje, zbog razlicite prodornosti
razlicitih vrsta zracenja uvedena je apsorbirana doza koja je dana omjerom energije, koju putem
ionizirajuceg zracenja apsorbira neko tijelo, i mase tog tijela te se mjeri u jedinicama grej (Gy).
Ako se energija od 1 J apsorbira u 1 kg tvari govorimo o apsorbiranoj dozi od 1 Gy. Kako
svaka vrsta zracenja ima drugaciji utjecaj na ive stanice, radi procjene biolokih ucinaka, uvedena je i ekvivalentna doza. Ekvivalentnu dozu, c ija je jedinica sivert (Sv), dobijemo mnoeci
apsorbiranu dozu odgovarajucim faktorom Q.

2.6.2

Monte Carlo simulacija radioaktivnog raspada

N (t = 0) = N
p = t

N = Nt
ispis(t, Nt )

t = t + t

NE

t tmax

DA

i=1
Nt = N

iN

DA

ri p

DA

Nt = Nt 1

NE
NE

i=i+1

KRAJ

Crte 2.27: Dijagram tijeka Monte Carlo simulacije radioaktivnog raspada N (0) c estica tijekom
vremena t tmax . U svakom vremenskom koraku t/t za svaku c esticu i odlucujemo hocemo
li je oduzeti od ukupnog broja neraspadnutih c estica N (t) Nt tako da generiramo nasumicni
boj r i usporedimo s vjerojatnocu njenog raspada p.
Vjerojatnost raspada pojedine c estice dana je izrazom (2.56). Za uzimamo poznate
eksperimentalno odredene
vrijednosti. Stoga je vremenski interval, tijekom kojega promatramo

ovisnost broja neraspadnutih c estica N (t), zgodno podijeliti na segmente duljine t te nakon
svakog intervala oduzimati raspadnute c estice. Kako je za takvu diskretizaciju vremena vjerojatnost p konstantna, a svaka se c estica raspada neovisno o prisutnosti drugih, tada za procjenu raspada pojedine c estice moemo iskoristiti generator jednolikog slucajnog niza brojeva
{ ri [0, 1i : i N }. Naime, ako je ri p tada se odabrana c estica raspada i pri svakom
takvom dogadaju
oduzimamo N (t + t) = N (t) 1. Gladu
ovisnost N (t) o vremenu (manje
stepenicastu) moemo dobiti birajuci manje t. Monte Carlo simulacija radioaktivnog raspada
N (0) c estica prikazana je dijagramom tijeka na slici 2.27.

40

Primjer 2.1.
Nestabilni izotop indija In-134, c ije je vrijeme poluraspada 140 ms, javlja se samo kao
meduprodukt
nuklearnih reakcija. U 72% slucajeva kombinacijom i n raspada prelazi

u nestabilni izotop antimona 133 Sb te slijede ulancani raspadi (iznad strelica su napisana
vremena poluraspada prema podacima sa http://periodictable.com/)
133

2.5 min 133

Sb

12.5 min 133 20.81 h 133

Te

5.25 d 133

Xe

Cs .

(2.65)

Koristeci Monte Carlo metodu napravite simulaciju radioaktivnog raspada izotopa antimona
133
Sb. Uzmite da u pocetku imate 5000 neraspadnutih jezgri. J
MC simulacija koja tijekom vremena t [0, tmax ] racuna broj N (t) Nt neraspadnutih jezgri
133
Sb, a c iji je pseudokod
Radioaktivni raspad
N (t = 0) = 5000
p = t
ispis(t, N )
t [t, tmax ]
Nt = N
i [1, N ]
ri = rand()
ri p Nt = Nt 1
N = Nt
ispis(t, N )
daje rezultate prikazane na slici 2.28.
Rezultati primjera 2.1. prikazani su na slici 2.28. Rezultati MC simulacije dobro se slau
s teorijskom procjenom (2.60) za vrijednosti koje odgovaraju uvjetima pod kojima je dobivena
teorijska procjena. Radi se o stohastickom procesu pa ako elimo finije slaganje s analitickim
rezultatom, tada je za mali broj atoma potrebno raditi simulaciju koristeci vie etaca (neovisnih
sustava) i usrednjiti vrijednosti. U skaldu s ocekivanjem, nakon to protekne vrijeme T1/2 =
2.5 min, populacija neraspadnutih jezgri smanji se u pola.
Primjer 2.2.
Proirite MC kod iz prethodnog primjera tako da napravite simulaciju paralelno za vie neovisnih sustava (etaca): 1, 10, 100 i 1000. Nakon svakog vremenskog koraka t pohranite prosjecne vrijednosti od Nt . Usporedite kako relativne greke ovise o broju neraspadnutih atoma Nt
i broju etaca wmax (sustava). J
41

10000

133Sb

teorija
MC(rand)
MC(ran1)

N(t)

1000

100

10
0

10
t / min

15

20

Crte 2.28: Rezultati MC simulacije radioaktivnog raspada 133 Sb dobiveni koritenjem generatora nasumicnih brojeva rand iz C-biblioteke i ran1 iz Numerical Recipes usporedeni
su s

teorijskim predvidanjem
(2.60).

Radioaktivni raspad s vie etaca

N (t = 0) = 5000
p = t
t [t, tmax ] //petlja po vremenima

w [1, wmax ] //petlja po etacima - sustavima

Nt = N (w)
i [1, N (w)] //petlja po neraspadnutim atomima sustava w
ri = ran1()
ri p Nt = Nt 1
N (w) = Nt
N (w) = N (w) + N (w)

ispis(t, N (w)/ wmax )

2.6.3

Lancani raspadi

Ako, kao produkt radioaktivnog raspada N1 jezgri, nastane N2 takoder

nestabilnih jezgri, dolazi
do lancanog raspada ili raspada u nizu:

1
2
N1
N2
N3

(2.66)
42

Broj jezgri N1 opadat c e eksponencijalno prema (2.60),

(2.67)

N1 (t) = N1 (0)e1 t ,

dok je broj neraspadnutih jezgri nestabilog produkta opisan sloenijom diferencijalnom jednadbom
dN2 (t)
= 1 N1 2 N2
(2.68)
dt
zbog ovisnosti o raspadima populacije N2 . Ako je N2 (t = 0) = 0, analiticko rjeenje moemo
napisati u obliku


1
e1 t e2 t
(2.69)
N2 (t) = N1 (0)
2 1

Dijagram tijeka Monte Carlo simulacije za 2 raspada u nizu prikazan je na slici 2.29.
N1,2 (t = 0) = N1,2
p1,2 = 1,2 t

i2 = i2 + 1
NE

N1,2 = N1t,2t
ispis(t, N1t , N2t )

t = t + t

NE

i2 N2

DA

ri2 p2

DA

N2t = N2t 1

NE

t tmax

DA

i1,2 = 1
N1t,2t = N1,2

i1 N1

DA

ri1 p1

DA

N1t = N1t 1
N2t = N2t + 1

NE

NE

i1 = i1 + 1

KRAJ

Crte 2.29: Dijagram tijeka MC simulacije za 2 raspada u nizu. Proirenje dijagrama sa slike
2.27.
Ako imamo vie razlicitih ulancano nastalih nestabilnih jezgri

n
1
2
3
N1
N2
N3

Nn+1 ,

(2.70)

opce rjeenje diferencijalne jednadbe koja opisuje ovaj sustav uz pocetni uvjet
N2 (0) = N3 (0) = = Nn (0) = 0

(2.71)

dano je Batemanovom formulom

Nn (t) = N1 (0)

n
X

Ci ei t

(2.72)

i=1

43

gdje je

n
i Y j
Ci =
.
n j=1 j i

(2.73)

j6=i

2.6.4

Poissonova raspodjela

Statisticki su podaci distribuirani po odredenim

zakonitostima. U svrhu opisivanja tih zakoni
tosti definira se slucajna varijabla X kojoj pripada odredena
gustoca (razdioba) vjerojatnosti.

Slucajne varijable mogu biti diskretne i kontinuirane. Ako X poprima niz vrijednosti x1 , x2 ,
P
s vjerojatnostima p(x1 ), p(x2 ) , takvima da je i p(xi ) = 1, obicno je zapisujemo tablicno

x1
x2
x3

X:
,
p(x1 ) p(x2 ) p(x3 )

(2.74)

i zovemo diskretna slucajna varijabla. Dakle, diskretna slucajna varijabla X zadana je skupom
vrijednosti R(X) = { x1 , x2 , } koje moe poprimiti X i skupom tim vrijednostima pridruenih
vjerojatnosti { p(xi ), p(x2 ), }.
Diskretna slucajna varijabla X ima Poissonovu razdiobu s parametrom > 0 ako je
funkcija gustoce te slucajne varijable
k
e ,
P (X = k; ) =
k!

k = 0, 1, 2,

(2.75)

Radi se raspodjeli slucajnih dogadaja

s malom vjerojatnocu pojavljivanja. Izraava vjerojatnost
broja dogadaja
k koji se pojavljuju u fiksnom vremenskom periodu t s poznatom prosjecnom
brzinom pojavljivanja , a ne zavisne od prolog dogadaja.
Moe se pokazati da su ocekivanje

i varijanca ove razdiobe

E [X] = V [X] = .
(2.76)
Poissonove razdiobe za = 1, 2, 5, 10 prikazane su na slici 2.30.
Dakle, u fiksiranom vremenskom intervalu u svakom se trenutku moe, a ne mora, dogoditi neki dogadaj
A, npr. raspad radioaktivne c estice. Slucajna varijabla X registrira broj
pojavljivanja dogadaja
A unutar tog vremenskog intervala, npr. broj raspada.
U tipicnom radioaktivnom uzorku nalazi se poprilicno velik broj nestabilnih jezgri. Tijekom dovoljno malog vremenskog intervala t raspadne se relativno mali broj. Zbog N  1
i p  1 ocekujemo da se P (k), odnosno vjerojatnost raspada k jezgri tijekom t ponaa u
skladu s Poissonovom razdiobom.

2.6.5

Modeli slicni radioaktivnom raspadu

Na isti nacin, kao to smo simulirali radioaktivni raspad, moemo simulirati ponaanje ostalih
fizikalnih sustava koji su opisani diferencijalnim jednadbama slicnim onima za radioaktivni
44

0.4
=1
=2
=5
=10

0.35
0.3
P(k ; )

0.25
0.2
0.15
0.1
0.05
0
0

10
k

15

20

Crte 2.30: Poissonove razdiobe (2.75) za razlicite = 1, 2, 5, 10 razlucene su razlicitim simbolima, dok linije samo olakavaju pracenje slijeda.
raspad ili ulancani radioaktivni raspad:
dN1 (t)
= N1 (t)
dt
dN2 (t)
= 1 N1 2 N2 ,
dt

(2.77)
(2.78)

dakle onima u kojima brzina promjene populacije ovisi o populacijama. Tako se npr. ponaaju
modeli koji opisuju:
koncentraciju ljekova u krvi;
populaciju neke vrste;
predator-plijen model.
Na koncentraciju lijeka u krvi utjecu razni c imbenici poput apsorpcije, distribucije, metabolizma i eliminacije. Jednokomponentni model pojednostavljeni je model djelovanja c ovjekovog tijela koji pretpostavlja homogenu razdiobu lijeka po cijelom tijelu odmah po konzumaciji lijeka. Brzina promjene kolicine lijeka u krvnom serumu proporcionalna je kolicini
lijeka, dakle opisana je diferencijalnom jednadbom
dQ
= Q
dt

(2.79)

koja je slicna diferencijalnoj jednadbi radioaktivnog raspada. Analogno kao u modelu radioaktivnog raspada, u ovom se slucaju kolicina lijeka Q smanjuje na pola nakon vremena poluivota
T1/2 za tu vrstu lijeka. Za efektivno djelovanje cilj je u krvnom serumu volumena V postici
45

koncentraciju lijeka

Q
(2.80)
V
iznad minimalne efektivne koncentracije (MEC) kada lijek pocima djelovati, ali ispod minimalne toksicne koncentracije (MTC) kada djelovanje lijeka ima vie tetne nego korisne ucinke.
C=

2.6.6

Zadatci

Zadatak 2.8.
Nestabilni izotop antimona 133 Sb raspada se u takoder
nestabilni izotop 133 Te pa slijedi ulancani
radioaktivni raspad s vremenima poluraspada danim u (2.65). Koristeci Monte Carlo metodu
simulirajte ulancani raspada izotopa antimona 133 Sb i izotopa telurija 133 Te. Uzmite da u
pocetku imate 10000 neraspadnutih jezgri antimona i 0 telurija.
a) Odredite konstante radiaktivnih raspada i .
b) Diskutirajte ovisnost rezultata simulacije o proizvoljno odabranim parametrima simulacije.
c) Usporedite kako se s vremenom mijenja broj neraspadnutih jezgri
dobivene ovisnosti slau s analitickim rjeenjima.

133

Sb i

133

Te te kako se

Zadatak 2.9.
Proirite MC simulaciju iz prethodnog zadatka tako da kontrolira broj svih nestabilnih jezgri
ulancanog raspada (2.65).
a) Pocetne uvjete uskladite prema (2.71) i diskutirajte kako rezultati ovise o proizvoljno
odabranim parametrima simulacije, npr. t.
b) Diskutirajte u kojem smislu analiticko rjeenje (2.72) odstupa od rezultata simulacije dobivenih za neki pocetni uvjet razlicit od (2.71).
Zadatak 2.10.
Modificirajte primjer 2.2. tako da racuna vjerojatnost raspada n nestabilnih jezgri za vrijeme
prvog vremenskog intervala t takvog da je p = 103 . Usrednjite vrijednosti koristeci 1000
etaca. Koliko iznosi srednji broj hni jezgri koje se raspadnu tijekom t? Koliko iznosi odgovarajuca varijanca? Prikaite kako P (n) ovisi o n i usporedite dobivene rezultate s Poissonovom
razdiobom (2.75) koja kao argument uzima hni.
a) Kako odabir dvostruko i c etverostruko veceg vremenskog intervala utjece na rezultate?
b) Diskutirajte slici li P (n) Poissonovoj razdiobi za takav t za koji je p = 0.02.
c) Mijenjajuci t procijenite za koji p i n Poissonova razdioba prestaje biti primjenjiva.

46

Zadatak 2.11.
Prikaite ovisnost populacije od 10000 jedinki tijekom 2 h ako je promjena populacije opisana
diferencijalnom jednadbom
dP1
= a P12 + b P1 + c
dt
gdje su a = 102 h1 , b = 0.5 h1 i c = 40 h1 .
a) Do kada ima smisla izvoditi simulaciju. Kada broj jedinki postaje zanemariv? Utjece li t
na rezultate?
b) Proirite napravljeni model smanjujuci a 100 puta i dodajuci populaciju druge vrste P2 koja
se hrani s P1 pa njen rast ovisi o populaciji P1 . Stope rasta druge populacije i eliminiranja prve odaberite proizvoljno i komentirajte njihove utjecaje na populacije. Sukladno
odabranim stopama modificirajte i dopiite diferencijalne jednadbe. Diskutirajte kako
rjeenja ovise o proizvoljno odabranim parametrima simulacije.
Zadatak 2.12.
Prikaite ovisnost populacije od 10000 jedinki tijekom 2 h ako je promjena populacije opisana
diferencijalnom jednadbom
dP1
= a P12 + b P1 + c
dt
gdje su a = 102 h1 , b = 0.5 h1 i c = 40 h1 .
a) Do kada ima smisla izvoditi simulaciju. Kada broj jedinki postaje zanemariv? Utjece li t
na rezultate?
b) Proirite napravljeni model smanjujuci a 100 puta i dodajuci populaciju druge vrste P2 koja
se hrani s P1 pa njen rast ovisi o populaciji P1 . Stope rasta druge populacije i eliminiranja prve odaberite proizvoljno i komentirajte njihove utjecaje na populacije. Sukladno
odabranim stopama modificirajte i dopiite diferencijalne jednadbe. Diskutirajte kako
rjeenja ovise o proizvoljno odabranim parametrima simulacije.
Zadatak 2.13.
Doktor eli opcenito napravljen program koji mu racuna koncentraciju lijeka u krvi odraslog
c ovjeka. Za odraslu osobu, kod koje je kolicina krvi 5 L, kolicina krvnog seruma iznosi 3 L.
a) Prvo eli znati kako se u krvnoj plazmi tijekom prvih 8 h nakon konzumacije N tableta
mijenja koncentracija C aspirina (Acetylsalicylic acid), c ije je vrijeme poluivota u krvnoj
plazmi 3.2 sata, a masa m = 325 mg. Efektivno djelovanje lijeka postie se za koncentracije
150300 g/mL, a toksicno postaje iznad 350 g/mL. Komentirajte djelovanje i procijenite
kada prestaje efektivno djelovanje u ovisnosti o N .

47

b) Odrasli i djeca starija od 12 god smiju uzeti 1 ili 2 tablete svakih 4 h (max. 12 na dan). Kako
se koncentracije mijenjaju u slucaju minimalne i maksimalne konzumacije tijekom 4 dana.
c) Procijenite koliko puta dnevno pacijent mora piti tabletu Dilantina mase m = 100 mg
kako bi se njegova koncentracija u krvnoj plazmi tijekom 10 dana odrala izmedu
MEC =
10 g/mL i MTC = 20 g/mL. Pretpostavite kako se apsorbira samo 12% uneene mase.
Koliko je dana potrebno kako bi se postiglo ucinkovito djelovanje? Nakon koliko dana koncentracija postaje stabilna?

2.7

Racunanje integrala metodom Monte Carla

U ovom c emo poglavlju promotriti kako pomocu nizova slucajnih brojeva moemo izracunati
odredene
integrale. Prisjetimo se prvo klasicnih metoda za numericki proracun integrala. Pro
motrimo jednodimenzionalni odredeni
integral
Z
F =

f (x)dx.

(2.81)

Vecina klasicnih metoda za proracun prethodnog integrala zasniva se na geometrijskoj interpretaciji integrala kao povrine ispod krivulje koja je opisana funkcijom f (x) od x = a do
x = b. x os se podijeli na n jednakih intervala irine x, gdje je x dan sa
ba
,
n

(2.82)

xn = x0 + nx.

(2.83)

x = h =
a

Pritom je x0 = a, a xn = b. Najjednostavnija aproksimacija je ona u kojoj je povrina ispod

krivulje f (x) dana kao suma povrina pravokutnika visine f (xi ) , gdje je xi pocetak (ili kraj)
intervala
Z b
n
1X
f (x)dx = (b a)
f (xi ).
(2.84)
n i=1
a
ce se medutim
Ce
koriste, radi vece preciznosti, trapezna i Simpsonova aproksimacija koje

su skicirane na Crt. 2.31. Trapezno pravilo uzima interval integracije i i u njemu konstruira
trapez, c ime se funkcija f (x) na tom intervalu aproksimira pravcem. U Simpsonovom se pravilu
funkcija f (x) na svakom intervalu aproksimira parabolom. Trapezno pravilo, za segment [a, b],
dano je izrazom,
Z
a

"

#
n1
X
1
1
f (x)dx =
f (x0 ) +
f (xi ) + f (xn ) x,
2
2
i=1

(2.85)
48

Crte 2.31: Lijevo su prikazani segmenti pravaca koji se koriste u trapeznom pravilu, a desno
segmenti parabola koje se koriste u Simpsonovom pravilu.

Crte 2.32: Bacanje kamencica u jezerce kao tehnika za mjerenje povrine.

a Simpsonovo
Z

1
[f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + ...
3
+ 2 f (xn 2) + 4f (xn 1) + f (xn )] x,

f (x)dx =
a

(2.86)

U Simpsonovom pravilu ukupan broj tocaka n + 1 mora biti neparan.

Sada c emo promotriti potpuno razlicitu metodu procjene integrala. Zamislimo da se
nalazimo u polju poznate povrine A u kojoj se nalazi jezerce c iju povrinu Aj treba odrediti
(Crt. 2.32). Pritom nemamo nikakve opreme za mjerenje, ali se u polju nalaze kamencici, koje
moemo jednoliko bacati po cijelom polju. Povrinu moemo izmjeriti bacanjem kamencice
na slucajan nacin u podrucje polja te brojenjem broja kamencica koji padnu u jezerce. Ta jed49

100

Monte Carlo procjena

1/N1/2

|Aj|

101
102
103
104
105 0
10

101

102

103

104
N

105

106

107

108

Crte 2.33: Odstupanje numericke vrijednosti integrala dobivene Monte Carlo integracijom od
analitickog rezultata za povrinu kruga. Obratite panju na logaritamsku skalu.
nostavna procedura primjer je Monte Carlo metode. Neka je Nj broj kamencica koji su pali u
jezerce, a Nu ukupan broj kamencica. Tada je
Aj
Nj
=
,
Nu
A

(2.87)

Nj
A.
Nu

(2.88)

odnosno
Aj =

Primijetimo da se Nu ne smije zamijeniti s ukupnim brojem intervala u drugim numerickim

metodama.
Za provjeru pokuajmo izracunati pomocu ove metode (moemo je nazvati metodom
pogodi ili promai). Uzest c emo da je nae jezerce krug radijusa 1 oko ishodita upisan u polje
koje je kvadrat stranice 2. Biramo slucajne brojeve ri u segmentu od [1, 1]. Za i = 1, N
(xi , yi ) = (r2i1 , r2i ). Ako je x2i + yi2 < 1 tada je Nj = Nj + 1. Iz omjera Nj /N dobit
c emo procjenu broja . Odstupanje od analitickog rezultata prikazano je na Crt.2.33. Vidimo
da se greka smanjuje otprilike s korijenom broja koraka. Odnosno za 10 puta manju greku,
potrebno je 100 puta vie koraka. Ovaj c emo rezultat kasnije i izvesti.
Prethodnu metodu proracuna moemo primijeniti na bilo koji jednodimenzionalni integral. Uzmimo za primjer funkciju na Crt.2.34. U svakom koraku proracuna prvo biramo pseudoslucajni broj r1 iz jednolike raspodjele od a do b te racunamo f (r1 ). Zatim usporedimo
f (r1 )/fm s novim pseudoslucajnim brojem r2 koji je izabran iz jednolike raspodjele od 0 do 1.

50

Crte 2.34: Skica za proracun integrala Monte Carlo metodom

Ako je r2 < f (r1 )/fm tada se taj korak broji kao prihvacen. Izraz za proracun integrala je,
Z

f (x)dx =
a

nprihvacenih
fm (b a).
npokuaja

(2.89)

Drugi nacin racunanja integrala koritenjem pseudoslucajnih brojeva zasniva se na teoremu

srednje vrijednosti,
Z b
f (x)dx = (b a) < f >,
(2.90)
a

gdje je < f > prosjecna vrijednost funkcije f (x), koju c emo racunati Monte Carlo metodom.
Neka su xi slucajni brojevi izabrani po jednolikoj raspodjeli od a do b. Tada je srednja vrijednost
funkcije f (x) dana izrazom
n
1X
< f >=
f (xi ),
(2.91)
n i=1
gdje je n broj koraka u proracunu, odnosno broj slucajnih brojeva. To znaci da je Monte Carlo
procjena integrala (2.90) dana izrazom
n

1X
f (xi ).
In = (b a) < f >= (b a)
n i=1

(2.92)

Primijetimo da je izraz (2.92) formalno istog oblika kao (2.84). Razlika je medutim
to su u

(2.84) xi izabrani tako da je razmak susjednih tocaka jednak, dok se u slucaju Monte Carlo
proracuna (2.92) xi biraju na sucajan nacin.
Prethodna se relacija jednostavno moe poopciti na vie dimenzija. Npr.
Z

Z
dx

dyf (x, y)
= (b a)(c d)

N
1 X
f ( xi ) = (b a)(c d) < f >
N i

(2.93)

51

Zadatak 2.14.
Monte Carlo metodom procijenite vrijednost integrala
Z

Z
dx1

I=
0

Z
dx2 ...

dx10 (x1 + x2 + ... + x10 )2 .

(2.94)

te dobiveni rezultat usporedite s analitickim, 155/6. Proracun provedite za N = 2, 4, 8, .., 8192.

Nacrtajte apsolutnu vrijednost greke u ovisnosti o 1/ N i pokuajte pronaci linearno ponaanje.

Za integrale niskih dimenzija efikasniji je pristup numerickom racunanju integrala preko
podjele na segmente jednakih dimenzija. Naime, greka u trapeznoj formuli ovisi o broju podjela u slucaju jednodimenzionalnog integrala kao 1/n2 , a u Simpsonovoj kao 1/n4 , to je bolje
od ponaanja greke u slucaju Monte Carlo proracuna. Ovisnost greke o broju podjela integrala
mijenja se s porastom dimenzija integrala. Ako je u jednoj dimenziji greka na , tada je u
d dimenzija greka na/d . Stoga je za dovoljno veliki d (vec iznad 4) Monte Carlo metoda
preciznija.
Promotrimo primjer atoma magnezija koji ima 12 elektrona. Za proracun njegovih fizikalnih
osobina potrebno je integrirati neku funkciju za svaku od tri koordinate njegovih 12 elektrona.
To znaci da moramo proracunati 36-dimenzionalni integral. Ako pretpostavimo koritenje 64
tocke u trapeznom pravilu za svaku od dimenzija integrala, dolazimo do 6436
= 1065 proracuna
integranda. Ako pretpostavimo da nae racunalo vri 109 operacija u sekundi, slijedi da c e nam
biti potrebno 1056 sekundi to je puno vie od starosti svemira koja se procjenjuje na 1017
sekundi.

2.7.1

Analiza greke u Monte Carlo simulacijama

Klasicne metode numerickog integriranja i Monte Carlo metode daju pribline vrijednosti integrala c ija tocnost ovisi o broju intervala ili o broju uzoraka. Koritenjem tocnih vrijednosti
razlicitih integrala pokazali smo da greka u Monte Carlo metodi tei u nulu kao n1/2 . Taj
rezultat ne ovisi o prirodi integranda, i to je najvanije ne ovisi o broju dimenzija integrala.
Potrebno je izracunati greku simulacije kad je egzaktna vrijednost integrala nepoznata.
Moguca mjera greke svakako je varijanca uzorka
2 koja je definirana izrazom
n

1 X
[f (xi ) < f >]2 ,

=
n 1 i=1
2

gdje je

(2.95)

1X
< f >=
f (xi ).
n i=1

(2.96)

Tipicno je broj uzoraka n mnogo veci od 1 pa se

2 moe zamijeniti s varijancom 2 koja je
52

dana izrazom
2 =< f 2 > < f >2 ,
gdje je

(2.97)

1X
< f >=
[f (xi )]2 .
n i=1
2

(2.98)

Ako uz pomoc ove formule proracunamo greku, dobivamo vrijednost 2 reda velicine vecu od
stvarne greke to nam pokazuje da nije prava mjera greke. Da bismo doli do ispravnog
izraza za greku promotrit c emo m skupova mjerenja neke velicine x kojih se sastoje od po
n uzoraka, to u konacnici c ini mn uzoraka. Radi jednostavnosti, pretpostavit c emo da je
n  1. S indeksom oznacit c emo pojedina mjerenja, dok c e indeks i oznacavati i-ti uzorak
unutar pojedinog mjerenja. Stoga je x,i i-ti uzorak u mjerenju . Vrijednost koja se dobije u
pojedinom mjerenju dana je izrazom
n

M =

1X
x,i .
n i=1

(2.99)

od ukupnih mn uzoraka je
Srednja vrijednost M
m

XX
= 1
x,i .
M
mn =1 i=1

(2.100)

Razlika izmedu
mjerenja i srednje vrijednosti svih mjerenja dana je sa
.
e = M M

(2.101)

Varijanca srednjih vrijednosti moe se napisati kao

m

2
m

1 X 2
e .
=
m =1

(2.102)

Sada elimo povezati m s varijancom individualnih mjerenja. Odstupanje pojedinog mjerenja

x,i od srednje vrijednosti oznacimo sa
.
d,i = x,i M

(2.103)

Stoga je varijanca pojedinog uzorka

m

1 XX 2
d .
=
mn =1 i=1 ,i
2

(2.104)

53

Moemo napisati

X
1X
) = 1
e = M M =
(x,i M
d,i .
n i=1
n i=1

(2.105)

Uvrtavanjem prethodnog izraza u (2.102) nalazimo

m

1 X
2
m
=
m =1

1X
d,i
n i=1

1X
d,j
n j=1

!
(2.106)

Suma preko indeksa i i j u skupu sadri dva tipa c lanova; one s i = j te one s i 6= j.
Ocekujemo da su d,i neovisni i u prosjeku jednako pozitivni i jednako negativni. Stoga, u
granici velikog broja mjerenja, ocekujemo da c e preiviti samo oni s i = j pa piemo
m
n
1 X X 2
2
m =
d
mn2 =1 i=1 ,i

!
(2.107)

Kombiniranjem izraza (2.104) i (2.107) dolazimo do veze

2
m

2
=
n

(2.108)

m interpretiramo kao greku od n mjerenja. Naime, m procjenjuje koliko prosjek od n

mjerenja odstupa od egzaktnog prosjeka. Naa procjena srednje vrijednosti se sa 68% vjerojatnosti nalazi unutar udaljenosti m od "prave" srednje vrijednosti te ima 97% vjerojatnosti da je
unutar 2m .
Procjena greke u relaciji (2.108) pretpostavlja da su pojedini podaci neovisni jedan o
drugom. Medutim,
u mnogim su situacijama podaci korelirani te je potrebno voditi racuna o

nacinu na koji se greka procjenjuje. Primjerice, pretpostavimo da umjesto biranja n slucajnih

vrijednosti za x, krenemo s nekom odredenom
vrijednosti x0 i zatim slucajno dodajemo priraste

tako da je i-ta vrijednost od x dana izrazom xi =xi1 + (2r 1), gdje je r [0, 1], a = 0.01.
Sada su xi korelirani. To nas ne sprjecava u dobivanju procjene integrala. Medutim,
ne moemo

koristiti / n za procjenu greke jer je takva procjena manja od stvarne greke. Ocekujemo
ipak da c e dvije tocke xi i xj postati nekorelirane ako je |i j| dovoljno velik.
Postavlja se pitanje kako c emo znati kada je razmak dvije tocke dovoljno velik. Jedan
(m)
od nacina je da se podaci grupiraju uzimanjem prosjeka po m podataka. Neka je f1 prosjek
(m)
prvih m vrijednosti od f (xi ), f2 prosjek sljedecih m vrijednosti, i tako dalje. Tada izracunamo

(m)
s / s, gdje je s = n/m broj fi podataka, od kojih je svaki prosjek m originalnih podataka,
a s je strandardna devijacija novih s podataka. Ovo grupiranje vrimo za razlicite vrijednosti

od m (i s) te traimo vrijednos od m za koju s / s postaje otprilike neovisno o m. Ovaj omjer

je onda naa procjena greke srednje vrijednosti. Na Crt. 2.35 dan je primjer takve analize.
Greku moemo dakle smanjiti ili povecanjem broja tocaka n ili smanjenjem varijance
2
.
54

0.26

=5 107 mK1
=2.5 106 mK1

0.25
0.24

(mK)

0.23
0.22
0.21
0.2
0.19
0.18
0.17
0.16
0

20

40

60

80 100 120 140 160 180 200

duljina bloka
Crte 2.35: Ovisnost greke srednje vrijednosti o duljini bloka m.
Zadatak 2.15.
Procijenite integral od f (x) = ex u segmentu 0 x 1 koritenjem Monte Carlo metode
s n = 104 , n = 106 i n = 108 . Izracunajte egzaktnu vrijednost integrala analiticki i procijeniti
ovisnost o n-u stvarne greke.
a) Kako se dobivena procjena greke slae s procjenom greke prema izrazu (2.108)?
b) Podijelite svoja prva mjerenja od n = 106 uzoraka u s = 10 podskupova sa 105 uzoraka svaki.

Je li vrijednost s / s u skladu s prethodnom procjenom greke?

Zadatak 2.16.
Procijenite vrijednost integrala
Z

ex dx

(2.109)

na dvije decimale te procijenite greku koritenjem / n.

Zadatak 2.17.
Procijenite vrijednost integrala
Z

cos2 d

(2.110)

koritenjem n = 106 uzoraka. Uzmite i = i1 + (2r 1), r jednoliko raspodijeljen izmedu

0
i 1, a = 0.1. Procijenite greku koritenjem (2.108). Je li ova procjena greke tocna? Takoder,

2
3
4
5
procijenite greku i grupiranjem podataka u m = 10, 10 , 10 , 10 i 10 tocaka podataka te

izracunajte s / s za s = 105 , 104 , 103 , 102 i 10 . Koliko mora biti velik m da procjena greke
55

za razlicite vrijednosti od m bude priblino ista? Raspravite vezu ovog rezulata i korelacije
podataka?

2.7.2

Nejednolike funkcije raspodjele vjerojatnosti

Mnogo je efikasnije ako se u Monte Carlo integraciji tocke c ece biraju u podrucju u kojem
je iznos integranda f (x) velik ili se brzo mijenja. Metode takozvanog znacajnog odabira
(importance sampling) koriste nejednolike funkcije raspodjele pa c emo prvo promotriti nekoliko metoda za generiranje slucajnih brojeva koji nisu jednoliko rasporedeni.
U ovom c emo

poglavlju r smatrati c lanom jednolikog niza slucajnih brojeva u jedinicnom intervalu [0, 1 >.
Pretpostavimo da imamo dva diskretna dogadaja,
1 i 2, s vjerojatnostima p1 i p2 , p1 +p2 =1.

Kako moemo izabrati dva dogadaja

s pravim vjerojatnostima koritenjem jednolike raspodjele
vjerojatnosti? U ovom jednostavnom slucaju, jasno je da dogadaj
1 biramo ako je r < p1 , a u
suprotnom biramo dogadaj
2. Ako imamo tri dogadaja
s vjerojatnostima p1 , p2 i p3 tada ako je
r < p1 biramo 1, inace ako je r < p1 + p2 biramo 2, a ako nije ispunjen nijedan od prethodna
dva uvjeta biramo 3.
Prethodno razmatranje moemo poopciti na n diskretnih dogadaja.
Kako odabiremo koji

dogadaj
izabrati za danu vrijednost slucajnog broja r? Potrebno je pronaci vrijednost od i koja
zadovoljava uvjet
i1
i
X
X
pj r
pj ,
(2.111)
j=0

j=0

gdje smo stavili da je p0 0. Prethodni izraz se svodi na vec opisanu proceduru za n = 2 i

n = 3.
Promotrimo sada kontinuiranu nejednoliku funkciju raspodjele. Jedan od nacina na koji
se takva raspodjela moe generirati je da se uzme limes izraza (2.111). Vjerojatnost pi prelazi
u p(x)x, gdje je gustoca vjerojatnosti p(x) definirana tako da je p(x)x vjerojatnost da se
dogadaj
x nalazi izmedu
x i x + x. Gustoca vjerojatnosti p(x) normirana je tako da je
Z

p(x)dx = 1.

(2.112)

U granici kontinuuma, dvije sume u izrazu (2.111) prelaze u isti integral a znak prelazi u
znak jednakosti. Stoga, moemo pisati
P (x)

p(x0 )dx0 = r.

(2.113)

Iz prethodnog izraza vidimo da slucajni random broj r odgovara kumulativnoj funkciji raspodjele vjerojatnosti P (x). Ona predstavlja vjerojatnost da se izabere broj manji ili jednak x-u.
Funkciju P (x) ne smijemo zamijeniti s gustocom vjerojatnosti p(x) ili vjerojatnosti p(x)x. U

56

mnogim primjenama ima smisla samo raspon vrijednosti x 0. U tom je slucaju p(x) = 0 za
x < 0. Izraz (2.113) vodi na metodu inverzne transformacije kojom se dobivaju slucajni brojevi
u skladu s raspodjelom p(x). Generiramo slucajni broj r i onda iz jednadbe (2.113) racunamo
x. Kao primjer, koristit c emo (2.113) za generiranje slucajnih brojeva s jednakom vjerojatnosti
na segmentu a x b. Traena gustoca vjerojatnosti p(x) je

1/(b a) a x b
p(x) =
0
inace .

(2.114)

Kumulativna funkcija raspodjele vjerojatnosti P (x) za a x b moe se pronaci uvrtavanjem

prethodnog izraza u (2.113) i proracunom integrala. Rezultat je
P (x) =

xa
ba

(2.115)

Ako sad u skladu s (2.113) izjednacimo prethodni izraz za P (x) s r i izrazimo x dobivamo
traenu relaciju
x = a + (b a)r
(2.116)
Varijabla x iz (2.116) ima raspodjelu p(x) danu sa (2.114). Prethodni smo izraz naravno mogli i
sami pogoditi. Sad c emo primjeniti metodu inverzne transformacije na funkciju gustoce vjerojatnosti

(1/)ex/ 0 x
p(x) =
(2.117)
0
x<0.
Ako (2.117) uvrstimo u (2.113) i integriramo dobivamo
r = P (x) = 1 ex/ .

(2.118)

Rjeenje prethodnog izraza za x je x = ln(1 r) Buduci da 1 r ima istu raspodjelu kao r

moemo pisati
x = lnr.
(2.119)
Varijabla x iz (2.119) raspodijeljena je u skladu s gustocom vjerojatnosti p(x) koja je dana
izrazom (2.117). Proracun prirodnog logaritma relativno je racunalno spor pa metoda inverzne
transformacije za ovaj problem nije najefikasnija.
Iz prethodnih primjera vidimo medutim
da dva uvjeta moraju biti zadovoljena da bismo

mogli primijeniti metodu inverzne transformacije: oblik p(x) mora biti takav da se integral u
(2.113) moe izracunati analiticki. Takoder
mora biti prakticno moguce izraziti x iz P (x) = r.
Gaussova gustoca vjerojatnosti,
p(x) =

1
2
2
ex /2 ,
2
1/2
(2 )

(2.120)

57

je primjer gustoce vjerojatnosti za koju se kumulativna raspodjela P (x) ne moe dobiti analiticki. Medutim,
moemo generirati dvodimenzionalnu vjerojatnost p(x, y)dxdy, kao umnoak

dvije neovisne jednodimenzionalne Gaussove gustoce vjerojatnosti

1
2
2
2
e(x +y )/2 dxdy.
2
(2 )

p(x, y)dxdy =

(2.121)

Sada c emo napraviti promjenu varijabli iz Kartezijevih u polarne koordinate:

= arctg( xy )

r = (x2 + y 2 )1/2 ,

(2.122)

Neka je = r2 /2. Tada, uz = 1 dvodimenzionalnu vjerojatnost moemo napisati kao

p(, )dd =

1
e dd
2

(2.123)

Ako sad generiramo prema eksponencijalnoj raspodjeli (2.117), a prema jednolikoj raspodjeli na segmentu 0 < 2 tada c e
x = (2)1/2 cos i y = (2)1/2 sin (Box-Muller metoda),

(2.124)

biti generirani prema (2.120), uz srednju vrijednost nula i = 1. Ovaj nacin dobivanja
Gaussove raspodjele poznat je pod nazivom Box-Mullerova metoda.

2.7.3

Znacajni odabir

Vec smo pokazali da je greka u Monte Carlo procjeni proporcionalna sa standardnom devijacijom integranda te obrnuto proprocionalna drugom korijenu iz broja uzoraka. Stoga, postoje
dva nacina na koje se moe greka u Monte Carlo procjeni smanjiti: povecanje broja uzoraka
ili smanjivanje varijance. Drugi je nacin poeljan jer ne zahtijeva znacajno povecanje racunalnog vremena. U ovom c emo poglavlju uvesti tehnike znacajnog odabira koje smanjuju i
popravljaju efikasnost pojedinih uzoraka.
Za znacajni odabir u kontekstu numericke integracije, potrebno je uvesti pozitivnu funkciju
p(x) takvu da je
Z b
p(x)dx = 1.
(2.125)
a

Integral F =

Rb
a

f (x)dx tada moemo napisati kao

Z b
F =
a


f (x)
p(x)dx.
p(x)

(2.126)

58

Tablica 2.1: Usporedba Monte Carlo procjene integrala (2.128) koritenjem jednolike gustoce
vjerojatnosti p(x) = 1 i nejednolike gustoce vjerojatnosti p(x) = Aex . Konstanta normiranja
A odabrana je tako da je p(x) normirana na jedinicnom segmentu. Vrijednost integrala na pet
decimala je 0.74682. Prikazani su procjena Fn , varijanca od f /p te vjerojatna greka /n1/2 .
CPU vrijeme (u sekundama) prikazano je za usporedbu i ovisi o odabranom racunalu. Broj
uzoraka izabran je tako da procjene greke budu usporedive. Tablica preuzeta iz Ref. [4]
p(x) = 1
5106
0.74684
0.2010
0.00009
20
4106

n (uzoraka)
Fn

/ n
ukupno CPU vrijeme
CPU vrijeme po uzorku

p(x) = Aex
4105
0.74689
0.0550
0.00009
2.5
6106

Prethodni integral moemo izraziti preko sume

n

Fn =

1 X f (xi )
n i=1 p(xi )

(2.127)

gdje uzorke uzimamo prema gustoci vjerojatnosti p(x). Suma (2.127) se reducira na izraz (2.90)
u slucaju jednolike raspodjele p(x) = 1/(b a).
Osnovna ideja znacajnog odabira je u odabiru oblika od p(x) koji minimizira varijancu
izraza f (x)/p(x). Da bismo to postigli treba izabrati oblik od p(x) koji to je vie moguce
oponaa f (x), osobito tamo gdje je f (x) velik. Prikladan oblik od p(x) ucinit c e integrand
f (x)/p(x) slabo promjenjivom funkcijom i tako smanjiti varijancu. Buduci da varijancu opcenito ne moemo izracunati analiticki, odredujemo
a posteriori.

Kao primjer, ponovo c emo promotriti integral

Z
F =

ex dx.

(2.128)

U tablici 2.1 prikazana je u drugom stupcu proracunata vrijednost od F sa p(x) = 1 za 0

x 1. Isti se integral moe proracunati i pomocu slucajnog odabira. Jednostavni odabir
teinske funkcije je p(x) = Aex , gdje je A odabran tako da je p(x) normirana na jedinicnom
segmentu. Uocimo da je ovako odabrana p(x) pozitivna i kvalitativno slicna f (x). Rezultati s
ovakvim odabirom prikazani su u trecem stupcu tablice 2.1. Vidimo da manja vrijednost -e c ini
koritenje nejednolike raspodjele efikasnijim nacinom proracuna, usprkos vecem racunalnom
vremenu po uzorku.

59

Zadatak 2.18.

Izaberite f (x) = 1 x2 i p(x) = A(1 x) za x 0. Koja vrijednost od A normira p(x)

na segmentu [0, 1]? Koja je veza imedu
slucajnih varijabli x i r za ovakav oblik od p(x)? Koja
R1
je varijanca od f (x)/p(x) na jedinicnom intervalu? Izvrijednite integral 0 f (x)dx koritenje
n = 106 tocaka i procijenite vjerojatnu greku vaeg rezultata.
Zadatak 2.19.
Izaberite p(x) = Aex i izracunajte integral
Z
0

1
dx.
x2 + cos2 x

(2.129)

Odredite vrijednost od koja minimizira varijancu integranda.

2.7.4

Metropolis algoritam

Drugi nacin generiranja proizvoljne nejednolike raspodjele vjerojatnosti uveli su Metropolis,

Rosenbluth, Teller i Teller 1953. godine. [8] Metropolis algoritam je poseban slucaj postupka
znacajnog odabira u kojem se neki moguci pokuaji uzorkovanja odbacuju. Metoda je korisna
za proracun prosjecnih vrijednosti oblika
R
< f >=

f (x)p(x)dx
R
,
p(x)dx

(2.130)

gdje je p(x) proizvoljna funkcija koja ne treba biti normirana. Kasnije c emo promotriti primjenu
Metropolis algoritma na probleme u statistickoj mehanici.
Radi jednostavnosti, ovdje c emo Metropolis algoritam uvesti u kontekstu procjene jednodimenzionalnih odredenih
integrala. Pretpostavimo da elimo koristiti znacajni odabir za generi
ranje slucajnih varijabli prema gustoci vjerojatnosti p(x). Metropolis algoritam stvara slucajni
hod tocaka xi c ija se asimptotska raspodjela vjerojatnosti pribliava p(x) nakon velikog broja
koraka. Slucajni se hod definira odredivanjem
vjerojatnosti prijelaza T (xi xj ) od jedne

tocke xi do druge tocke xj tako da raspodjela tocaka x0 , x1 , x2 , ... konvergira ka p(x). Moe
se pokazati da je za postizanje raspodjele p(x) dovoljno (ne i nuno) zadovoljiti uvjet detaljne
ravnotee
p(xi )T (xi xj ) = p(xj )T (xj xi ).
(2.131)
Izraz (2.131) ne odreduje
T (xi xj ) na jednoznacan nacin. Jednostavan odabir za T (xi xj )
koji je u skladu sa (2.131) je



p(xj )
.
T (xi xj ) = min 1,
p(xi )

(2.132)

Navedeno se jednostavno moe provjeriti uvrtavanjem prethodnog izraza u (2.131). Pret60

postavimo da je na "etac" na poloaju xi , a mi elimo generirati xi+1 . Tada prethodan odabir

za T (xi xj ) moemo implementirati na sljedeci nacin:

Metropolisov algoritam

1. Izabere se probni poloaj xproba = xi +i , gdje je i slucaji broj iz jednolike raspodjele na segmentu [, ].
2. Izracuna se w = p(xproba )/p(xi ).
i. Ako je w 1, promjena se prihvaca, odnosno xi+1 = xproba .
ii. Ako je w < 1 generira se slucajni broj r.
iii. Ako je r w, promjena se prihvaca i xi+1 = xproba .
iv. Ako se promjena ne prihvati onda je xi+1 = xi .
Najcece je potrebno mnogo uzoraka slucajnog hoda prije postizanja asimptotske raspodjele vjerojatnosti p(x). Postavlja se pitanje kako izabrati maksimalnu velicinu koraka . Ako
je prevelik, samo c e mali broj probnih koraka biti prihvacen pa c e uzorkovanje od p(x) biti
neefikasno. S druge strane, ako je premalen, veliki postotak probnih koraka bit c e prihvacen
pa c e opet uzorkovanje p(x) biti neefikasno. Grubi kriterij za odabir velicine koraka je da otprilike jedna trecina do jedna polovica koraka trebaju biti prihvaceni. Takoder
je dobro izabrati
i x0 tako da raspodjela xi dostigne asimptotsku raspodjelu c im je prije moguce. Ociti je izbor
poceti slucajni hod na vrijednosti od x za koju je p(x) znacajan.
Zadatak 2.20.
Iako Metropolisov algoritam nije najefikasnija metoda u ovom slucaju, napiite program koji c e
izracunati prosjek
R x
xe dx
< x >= R0 x ,
(2.133)
e dx
0
gdje je p(x) = Aex za x 0 i p(x) = 0 za x < 0. Izracunajte histogram H(x) koji pokazuje
broj tocaka u slucajnom hodu u podrucju od x do x + x sa x = 0.2 Pocnite sa n 1000
i maksimalno velicinom koraka = 1. Dozvolite sustavu barem 200 koraka za postizanje
ravnotee prije nego to pocnete racunati prosjeke. Uzorkuje li se integral jednoliko? Ako ne,
koje je otprilike podrucje gdje se integrand c ece uzorkuje?
Zadatak 2.21.
Izracunajte analiticki egzaktnu vrijednost od < x > u izrazu (2.133) iz zadatka 2.20.. Kako se
Monte Carlo rezultati slau s egzaktnom vrijednosti za n = 100 i n = 1000 sa = 0.1, 1 i 10?
Procijenite standardnu greku srednje vrijednosti. Daje li ta greka razumnu procjenu stvarne
greke?

61

Zadatak 2.22.
U zadatku 2.21. trebali ste ustanoviti da je procijenjena greka mnogo manja od stvarne greke.
Razlog je c injenica da xi nisu statisticki neovisni. Metropolis algoritmom dobiva se slucajni hod
c ije su tocke medusobno
korelirane za kratka vremena (mjereno preko broja koraka slucajnog

etaca). Korelacije tocaka opadaju eksponencijalno s vremenom. Ako je karakteristicno

vrijeme opadanja, tada se samo tocke koje su priblino udaljene najmanje 2 do 3 mogu
smatrati statisticki neovisnima. Izracunajte autokorelacijsku funkciju C(j)
C(j) =

< xi+j xi > < xi >2

,
< x2i > < xi >2

(2.134)

gdje < ... > oznacava prosjek u slucajnom hodu. Nacinite grubu procjenu od . Ponovo izvrite
program s podacima grupiranim u 20 skupova od 50 tocaka te 10 skupova od 100 tocaka. Ako
su skupovi od 50 tocaka statisticki neovisni (odnosno ako je znacajno manji od 50), tada bi
procjena greke za dvije grupe trebala biti priblino jednaka. Ovisi li zakljucak o ?
Zadatak 2.23.
Kako broj prihvacenih koraka i rezultati procjene integrala Metropolisovim algoritmom u zadatku 2.21. ovise o duljini koraka ? Proirite algoritam tako da sam podeava duljinu koraka
da prihvacanje bude 50%.
Zadatak 2.24.
Za vodikov atom izracunajte srednju udaljenost elektrona koji se nalazi u stanju
2
|i =
5


i
|n = 2, l = 1, m = 1i + |n = 1, l = 0, m = 0i
2

Proracun provedite u Kartezijevom koordinatnom sustavu koristeci Metropolis algoritam. Usporedite dobivene rezultate s analitickim rjeenjem. Komentirajte kako traena velicina ovisi o
pocetnoj raspodjeli etaca, ukupnom broju etaca i o duljini koraka. Vodite racuna o udjelu prihvacenih pomaka. Za parametre koji rezultiraju sa 50% prihvacanja, greku procijenite koristeci
metodu blokiranja.
Zadatak 2.25.
Na plin istovrsnih molekula, mase m = 1.33 1026 kg, koje se nalaze u beskonacno visokom
cilindru na visini x, djeluje gravitacijska sila pa je potencijala energija molekule
Ep = mgx
Pretpostavite: temperatura na svim visinama jednaka je 10 C, g = 9.81 ms2 te je atmosfera u stanju termicke ravnotee pa vrijedi Boltzmanova funkcija razdiobe molekula prema
energijama. Odredite teite plina i srednju potencijalnu energiju c estica provodeci integriranje

62

koritenjem Metropolis algoritma. Usporedite dobivene rezultate s analitickim rjeenjem.

Komentirajte kako traena velicina ovisi o pocetnoj raspodjeli etaca, ukupnom broju etaca i o
duljini koraka. Vodite racuna o udjelu prihvacenih pomaka. Za parametre koji rezultiraju s 50%
prihvacanja, greku procijenite koristeci metodu blokiranja.

63

Monte Carlo simulacije termalnih sustava

U ovom poglavlju Monte Carlo metode primijenit c emo na probleme iz klasicne statisticke
fizike. Izloene teme u najvecem se dijelu temelje na udbenicima [4, 5], dok se vie detalja
moe pronaci u Ref. [6, 9, 10, 11].

3.1

Mikrokanonski ansambl

Promotrimo izolirani sustav za kojeg su broj c estica N , volumen V i energija E fiksni, a vanjski se utjecaji poput gravitacijskog i magnetskog polja mogu zanemariti. Makrostanje sustava odredeno
je vrijednostima E, V i N . Na mikroskopskoj razini postoji mnogo razlicitih

nacina ili konfiguracija za koje se realizira makrostanje (E, V i N ). Pojedina je konfiguracija

ili mikrostanje dostupna ako su joj osobine u skladu s odredenim
makrostanjem.

Sve to znamo o mikrostanjima je da su njihove osobine konzistentne s poznatim fizikalnim

velicinama sustava. Kad je sustav u ravnotei, ne postoje razlozi zbog kojih bismo jedno
mikrostanje preferirali u odonosu na drugo. Stoga je razumno postulirati da je sustav jednako
vjerojatno u bilo kojem od svojih dostupnih mikrostanja. Da bi ovaj postulat o jednakim a priori
vjerojatnostima postao precizniji, zamislimo izolirani sustav s dostupnih stanja. Vjerojatnost
pronalaenja sustava u mikrostanju s je

(1/) ako je s dostupan

Ps =
0
inace.

(3.1)

Suma Ps po svim stanjima jednaka je jedinici. Medutim,

prethodna je jednadba primjenjiva

samo kad je sustav u ravnotei.

Prosjeci fizikalnih velicina mogu se odrediti na dva nacina. U obicnom laboratorijskom
eksperimentu fizikalne se velicine mjere u nekom vremenskom intervalu koji je dovoljno dugacak
za uzorkovanje veceg broja dostupnih mikrostanja. Interpretacija vjerojatnosti u (3.1) koja je u
skladu s takvim vremenskim prosjekom je da u nizu promatranja Ps daje udio vremena u kojem
je jedan sustav pronaden
u tom danom mikrostanju.
Iako su vremenski prosjeci konceptualno jednostavni, pogodnije je zamisliti skup ili ansambl
64

Tablica 3.1: esnaest mikrostanja jednodimenzionalnog sustava N = 4 neinteragirajuca spina.

Ukupna energija E svakog mikrostanja takoder
je prikazana. Ako je ukupna energija sustava
E = 2B tada postoje c etiri dostupna mikrostanja (vidite c etvrti stupac). Stoga se u tom
slucaju ansambl sastoji od c etiri sustava, svaki u razlicitom mikrostanju s istom vjerojatnosti.

4B

2B

2B

4B

sustava koji su identicne mentalne kopije s jednakim makrostanjem, ali opcenito razlicitim
mikrostanjima. U ovoj interpretaciji, vjerojatnosti u (3.1) opisuju ansambl identicnih sustava.
Ps je tada vjerojatnost da je neki sustav u ansamblu u mikrostanju s. Ansambl sustava koji je
odreden
sa E, N, V naziva se mikrokanonski ansambl. Prednost ansambla je da se statisticki
prosjeci mogu odrediti uzorkovanjem stanja prema eljenoj raspodjeli vjerojatnosti. Veliki dio
snage Monte Carlo metoda nalazi se u tome da moemo smislit metode uzorkovanja zasnovane
na izmiljenoj dinamici koja je efikasnija od realne dinamike.
Pretpostavimo da fizikalna velicina A ima vrijednost As kad je sustav u mikrostanju s.
Prosjek od A po ansamblu dan je sa
hAi =

A s Ps ,

(3.2)

s=1

gdje je Ps dan izrazom (3.1).

Kao primjer, promotrimo jednodimenzionalni sustav N neinteragirajucih spinova na reetki.
Spinovi mogu biti usmjereni u jednom od dva moguca smjera koje c emo mi odabrati kao gore
P
i dolje. Ukupna energija sustava je E = B i si , pri c emu uz svaki c vor reetke vezujemo
broj si = 1, gdje je si = +1 za spin gore, a si = 1 za spin dolje; B je magnetsko polje, a
magnetski moment spina. Pojedino mikrostanje sustava spinova odredeno
je skupom varijabli

{s1 , s2 , ..., sN }. U ovom je slucaju makrostanje odredeno

sa E i N .

U tablici 3.1 prikazujemo 16 mogucih mikrostanja sustava s N = 4. Ako je ukupna

energija E = 2B, onda su dostupna c etiri stanja u ansamblu, svako s jednakom vjerojatnosti.
Pobrojavanje sustava u ansamblu i njihovih vjerojatnosti omogucava nam izracun prosjeka po
ansamblu za fizikalne velicine koje nas zanimaju.
Zadatak 3.1.
Promotrite jednodimenzionalni sustav N = 4 neinteragirajuca spina energije E = 2B.
65

Kolika je vjerojatnost Pi da je i-ti spin usmjeren prema gore? Ovisi li odgovor o tome koji spin
odaberemo?

3.2

Demon algoritam

U ovoj cjelini elimo vidjeti kako moemo napraviti prosjek po ansamblu za fiksni E, V i N .
Pitanje je kako to napraviti kad nemamo jednadbe gibanja. Jedan je nacin svakako pobrojati
sva dostupna mikrostanja i izracunati prosjecnu vrijednost fizikalne velicine koja nas zanima,
kao to smo napravili u Tablici 3.1. Ovaj pristup medutim
nije praktican jer je broj dostup
nih mikrostanja c ak i za mali sustav prevelik da bi ih mogli pobrojati. U duhu Monte Carlo
postupka, elimo razviti prakticnu metodu za dobivanje reprezentativnog uzorka ukupnog broja
mikrostanja. Jedna moguca procedura je fiksirati N , izabrati za svaki spin nasumicno je li
dolje ili gore, i zadrati konfiguraciju ako ima traenu energiju. Medutim,
ovaj bi postupak bio

neefikasan jer vecina konfiguracija nema traenu energiju i trebala bi biti odbacena.
Efikasni Monte Carlo postupak za simuliranje sustava dane energije razvio je Creutz u
kontektstu "lattice gauge theory". Pretpostavimo da smo dodali jedan dodatni stupanj slobode
originalnom makroskopskom sustavu koji nas zanima. Zbog povijesnih razloga taj c emo dodatni stupanj slobode nazvati demon. Demon prenosi energiju dok pokuava promijeniti dinamicke varijable sustava. Ako eljena promjena sniava energiju sustava, viak energije daje
se demonu. Ako traena promjena energije povisuje energiju sustava, demon daje traenu energiju sustavu ako je ima dovoljno. Jedino je ogranicenje da demon ne moe imati negativnu
energiju.
Prvo primjenjujemo demon algoritam na jednodimenzionalni sustav od N neinteragiraP
2
jucih c estica mase m (idealni plin). Ukupna energija sustava je E =
i mvi /2, gdje je vi
brzina c estice i. Opcenito, demon algoritam sastoji se od sljedecih koraka:
Demon algoritam

1. Cestica
se izabere na slucajan nacin i nacini se probni pomak u njenim koordinatamaa .
2. Izracuna se E, promjena u energiji zbog promjene koordinata.
3. Ako je E 0, sustav daje iznos |E| demonu, tj. Ed = Ed E, i probna
konfiguracija se prihvaca.
4. Ako je E > 0 i demon ima dovoljno energije Ed E, tada demon daje nunu
enegiju sustavu, tj. Ed = Ed E, a probna konfiguracija se prihvaca. U suprotnom,
probna konfiguracija se odbaciju te se konfiguracija sustava ne mijenja.
a

Pod koordinatom u opisu algoritma podrazumijevamo bilo koju dinamicku velicinu.

Prethodno opisani koraci se ponavljaju dok se ne dobije reprezentativni uzorak stanja.

66

Nakon dovoljnog broja koraka, demon i sustav c e postici stabilne prosjecne energije. Ukupna
energija sustava s demonom ostaje konstanta, a buduci da je demon samo jedan stupanj slobode
u usporedbi s mnogim stupnjevima slobode sustava, fluktuacije energije su reda velicine 1/N ,
to je jako malo za N  1.
Idealni plin ima trivijalnu dinamiku. Odnosno, buduci da smo pretpostavili da c estice
ne interagiraju, jedino su relevantne brzine iz kojih se moe izracunati energija. Stoga je
koritenje demon algoritma ekvivalentno zamiljenoj dinamici koja nam dozvoljava uzimati
uzorke mikrostanja sustava. Naravno, demon algoritam nije nam potreban za idealni plin jer
njegove osobine moemo izracunati analiticki. Medutim,
dobro je prvo promotriti jednostavan

primjer.
Postavlja se pitanje kako znamo da c e Monte Carlo simulacija mikrokanonskog ansambla
dati rezultate koji se podudaraju s rezultatima koji bi se dobili uzimanjem prosjeka po vremenu,
kao to je na primjer slucaj u simulacijama Molekularne dinamike. Pretpostavka da ova dva
vrsta prosjeka daju ekvivalentne rezultate naziva se kvazi-ergodska hipoteza. Iako opcenito nije
dokazano da su ta dva prosjeka identicna, u svim slucajevima od interesa pronadeno
je da daju

ekvivalentne rezultate.
Zadatak 3.2.
1. Promotrimo ravnotene osobine idealnog plina koritenjem Monte Carlo simulacije
mikrokanonskog ansambla. Radi jednostavnosti stavit c emo da je masa jednaka jedan.
Takoder
odabiremo pocetnu energiju demona Ed = 0. Zbog jednostavnosti, na pocetku
svim c esticama pridajemo istu pocetnu brzinu. Kolika je srednja vrijednost brzine c estica
nakon postizanja ravnotee?
2. Konfiguracija u kojoj sve c estice imaju istu pocetnu brzinu nije jako vjerojatna i bolje je
izabrati konfiguraciju koja je vjerojatnija kad je sustav u ravnotei. Buduci je uvijek ne
poznajemo, potrebno je sustav pustiti neko vrijeme da postigne ravnoteu prije nego to
pocnemo prikupljati podatke za prosjecne vrijednosti. To vrijeme nazivamo vremenom
uravnoteenja ili relaskacije. Moguce ga je procijeniti iz grafa energije demona u vremenu. Druga je mogucnost da stalno resetiramo podatke, sve dok se izracunate prosjecne
velicine ne prestanu sistematski mijenjati. Odredite srednju energiju demona < Ed > i
srednju energiju po c estici.
3. Izracunajte srednju energiju demona i srednju energiju sustava po c estici za N =100 te
E=10 i E=20, gdje je E ukupna energija sustava. Koritenjem rezultata iz 2. napiite
priblinu vezu izmedu
srednje energije demona i srednje energije sustava po c estici.
4. U mikrokanonskom sustavu ukupna energija je fiksna. Definirajte kineticku temperaturu
uz pomoc relacije 21 m hv 2 i = 21 kTkin , gdje je 21 m hv 2 i srednja kineticka energija po c estici
u sustavu. Uz pomoc navedene relacije izracunajte kolika bi bila temperatura. Izaberite
jedinice tako da su masa m i Bolzmannova konstanta k jednake jedan. Kakav je odnos
67

izmedu
kineticke temperature i srednje energije demona? Kako se Vai rezultati slau s
udbenicima iz fizike u kojima je ukupna energija idealnog plina jednaka E = 32 N kT ?
U jednoj dimenziji analogna je relacija E = 12 N kT .
5. Ogranicenje vecine simulacija je konacni broj c estica. Je li odnos izmedu
srednje energije
demona i srednje kineticke energije po c estici isti za N = 2 i N = 10 kao i za N =
40? Ako nema statisticki znacajne razlike u vaim rezultatima za tri vrijednosti od N ,
objasnite zato konacni N nije vano ogranicenje za idealni plin u ovoj simulaciji?
Zadatak 3.3.
1. Proirite prethodni program tako da racuna vjerojatnost P (Ed )Ed da demon ima energiju izmedu
Ed i Ed + Ed . Izaberite iste parametre kao u prethodnom problemu.
Treba voditi racuna da se P (Ed ) odreduje
tek nakon postizanja ravnotee.
2. Nacrtajte prirodni logaritam od P (Ed ) i provjerite da ln P (Ed ) ovisi linearno o Ed s
negativnim nagibom. Koja je apsolutna vrijednost nagiba? Kako inverz te vrijednosti
odgovara srednoj vrijednosti demona i Tkin koji su odredeni
u prethodnom zadatku?
3. Generalizirajte prethodne programe za idealni plin na dvije i tri dimenzije i odredite vezu
izmedu
srednje energije demona, srednje energije po c estici sustava te inverza nagiba od
ln P (Ed ).

3.3

Demon kao termometar

U prethodnom smo problemu pronali da je oblik od P (Ed ), prikazan na Crt. 3.1 u logaritamskoj skali, dan sa
P (Ed ) eEd /kT
(3.3)
Takoder
smo pronali i da je parametar T povezan s kinetickom temperaturom idealnog plina.
Ako program za idealni plin modificiramo tako da je kineticka energija po c estici proporcionalna iznosu impulsa, a ne kvadratu impulsa c estica, necemo dobiti isti oblik od P (Ed ).
Proporcionalnost energije s impulsom karakteristicna je primjerice za relativisticki plin u kojem se c estice gibaju brzinama bliskima brzini svjetlosti.
Prema ekviparticijskom teoremu svaki kvadratican stupanj slobode doprinosi sa 21 kT energiji po c estici. Primjer relativistickog plina pokazuje da ekviparticijski teorem nije moguce
primijeniti na druge ovisnosti energije o impulsu.
Iako je mikrokanonski ansambl konceptualno jednostavan, on ne predstavlja uobicajenu
situaciju u prirodi. Naime, vecina sustava nije izolirana vec se nalaze u termalnom kontaktu sa
svojim okoliem. To omogucuje izmjenu energije izmedu
laboratorijskog sustava i njegove oko68

0.01

P(Ed)

0.001

0.0001

1e005

1e006
0

3
Ed

Crte 3.1: Razdioba energije demona u mikrokanonskom ansamblu u logaritamskoj skali.

Nagib krivulje odgovara inverzu temperature (k = 1).
line. Pritom je sustav koji se promatra najcece relativno malen u odnosu na svoju okolinu. Veci
sustav koji ima znatno vie stupnjeva slobode obicno se naziva toplinski rezervoar ili toplinska
kupka. Izraz toplina odnosi se na energiju koja se prenosi s jednog tijela na drugo zbog razlike
u temperaturi. Toplinska kupka je sustav za koji takav prijenos energije izaziva zanemarivu
promjenu njegove temperature.
Sustav koji je u ravnotei s toplinskom kupkom ima temperaturu kupke. Ako nas zanimaju ravnotene osobine takvog sustava, tada trebamo znati vjerojatnost Ps pronalaenja sustava u mikrostanju s energije Es . Ansambl koji opisuje raspodjelu vjerojatnosti u sustavu koji
je u termalnoj ravnotei s toplinskom kupkom naziva se kanonski ansambl. Opcenito, kanonski
ansambl karakteriziraju temperatura T , broj c estica N i volumen V . Prisjetimo se, mikrokanonski ansambl karakterizirali su energija E, broj c estica N i volumen V .
Mi smo medutim
u zadacima vec promotrili sustav koji je u ravnotei s toplinskom kup
kom. Naime, u prethodna dva zadatka razmatrali smo idealan plin, gdje je demon bio pomocna
(posebna) c estica koja je olakavala izmjenu energije izmedu
c estica sustava. Ako sad uzmemo
da je demon sustav koji nas zanima, vidimo da demon izmjenjuje energiju s mnogo vecim
sustavom (idealnim plinom) koji sad moemo smatrati toplinskom kupkom. Zakljucujemo da
raspodjela vjerojatnosti mikrostanja sustava koji je u kontaktu s toplinskom kupkom ima isti
oblik kao raspodjela vjerojatnosti energije demona. (Uocimo naime da je mikrostanje demona
karakterizirano njegovom energijom.) Dakle, vjerojatnost, da je sustav koji je u ravnotei s
toplinskom kupkom temperature T u mikrostanju s energije Es , dana je izrazom:
Ps =

1 Es
e
,
Z

(kanonska raspodjela)

(3.4)
69

gdje je = 1/kT , a Z je konstanta normiranja. Buduci da je

Z=

eEs /kT .

Ps = 1, Z je dana sa
(3.5)

Suma u izrazu (3.5) ide preko svih mikrostanja sustava za dane N i V . Velicina Z naziva se
particijska funkcija sustava. Ansabl koji je definiran izrazom (3.4) naziva se kanonski ansambl,
a raspodjela vjerojatnosti (3.4) Boltzmannova ili kanonska raspodjela. Izvod Boltzmannove
raspodjele moe se pronaci u udbenicima statisticke mehanike.
Particijska funkcija igra kljucnu ulogu u statistickoj mehanici, jer je (Helmholtzova) slobodna energija definirana preko nje kao
F = kT ln Z.

(3.6)

Sve termodinamicke velicine mogu se pronaci kroz razlicite parcijalne derivacije slobodne energije F . U ravnotei c e sustav biti u stanju mininmalnog F za dane vrijednosti T , V i N .
Oblik od P (Ed ) (3.4) ukazuje na jednostavan nacin na koji se moe izracunati temperatura
T iz srednje energije demona hEd i. Naime, hEd i je dana izrazom
R
Ed eEd /kT dEd
= kT
hEd i = 0R E /kT
e d dEd
0

(3.7)

Vidimo da je temperatura proporcionalna srednjoj energiji demona. Uocimo da rezultat hEd i =

kT vrijedi samo ako energija moe poprimati kontinuum vrijednosti te ako se moe staviti da
je gornja granica energije .
Demon je odlican primjer termometra. Ima mjerljivu osobinu, svoju energiju, koja je
proporcionalna temperaturi. Buduci je demon samo jedan stupanj slobode, u odnosu na mnogo
stupnjeva slobode sustava s kojim izmjenjuje energiju, on sustav minimalno perturbira. Demon
se primjerice moe dodati simulaciji molekularne dinamike i tako dati jednu neovisnu mjeru
temperature.

3.4

Isingov model

Magnetizam je u svojoj biti kvantni fenomen. Zanimljivo je da je Niels Bohr, jedan od zacetnika
kvantne mehanike dao vaan doprinos polju magnetizma. On je naime pokazao da klasican
sustav ne bi nikada mogao pokazivati feromagnetizam. Kvantna mehanika nije c ak bila ni
izmiljena kad je dokazao ovaj teorem, tako da je postoanje feromagneta kao to je eljezo
jasan dokaz da se svijet u potpunosti ne moe opisati klasicnom fizikom.
Feromagneti sadre domene koje su magnetizirane c ak i u odsutstvu magnetskog polja.
Kad se primijeni vanjsko magnetsko polje, razlicite domene se poravnaju i unutranja polja
postaju vrlo visoka.
70

Crte 3.2: Shematski spinski model feromagneta

Kljucni sastojak teorije magnetizma je elektronski spin i pridrueni mu magnetski moment. Takoder
postoji i doprinos ukupnom magnetskom momentu od orbitalnog magnetskog
momenta, ali ga ovdje zbog jednostavnosti necemo uzimati u obzir. Feromagnetizam se pojavljuje kad se skup spinova usaglasi tako da svi imaju isti smjer spina te ukupni moment
postane makroskopski velik. Centralni problem u magnetizmu je kako interakcija izmedu

spinova vodi na medusobno

jednako usmjeravanje. Takoder,

znamo da s porastom temperature spontana magnetizacija opcenito nestaje (npr. eljezo nije feromagnet iznad priblino 1000
K). Stoga elimo shvatiti i kako magnetske osobine ovise o temperaturi. Model koji c emo promotriti prikazan je shematski na Crt. 3.2. Sastoji se od skupa magnetskih momenata, koje
oznacavamo sa strelicama te koje moemo zamiljati kao atome magnetskih momenata spina
1
. Radi jednostavnosti zamiljamo da se spinovi nalaze na pravilnoj reetki. Buduci da je spin
2
kvantnomehanicki fenomen, ovo je na neki nacin kvantni model. Potpuni kvantnomehanicki
tretman problema zahtijevao bi ukljucivanje svih kvantnih pravila u simulaciju, primjerice za
spinski angularni moment. Kako to nije nimalo jednostavno, ovdje c emo uvesti nekoliko pojednostavljenja. Dosta istraivanja u ovom podrucju pokazalo je da usprkos pojednostavljenjima
koja c emo ovdje uvesti, na model dobro opisuje bit fizike magnetizma.
Pretpostaviti c emo da svaki spin moe biti usmjeren ili u +z ili u z smjeru; tj. gore
ili dolje. Niti jedna druga orijentacija nije dozvoljena. Stoga, i-ti spin u sustavu moe imati
samo jednu od dvije moguce vrijednosti, koje c emo radi pogodnosti racunanja uzeti kao si =
1. Svaki od navedenih spinova interagira s drugim spinovima u reetki; u feromagnetu takve
interakcije favoriziraju paralelno usmjerenje parova u reetki.
Ovaj se model naziva Isingov model prema Isingu, poslijediplomskom studentu Lenza.
Lenz je naime model predloio za proucavanje faznih prijelaza iz paramagneta u feromagnet, a
Ising ga je proucio. Ising je tako izracunao termodinamicke osobine modela u jednoj dimenziji i
pronaao da model ne pokazuje fazni prijelaz. Medutim,
u dvije i tri dimenzije model pokazuje

ocekivani fazni prijelaz.

71

E=+J

E=-J

Crte 3.3: Energija interakcije izmedu

najbliih susjednih spinova u odsutsvu vanjskog magnetskog polja.
Energija u naoj reetki spinova dana je izrazom
E = J

N
X
i,j=nn(i)

si sj H

N
X

si ,

(3.8)

i=1

gdje je H vanjsko magnetsko polje, a magnetski moment. U pravom feromagnetu interakcija

izmedu
magneta c e biti najjaca za najblie susjede i brzo opadati s porastom udaljenosti izmedu

spinova. Uzimajuci navedeno u obzir, u prethodnoj je relaciji izabran najjednostavniji model u

kojem interagiraju samo prvi susjedi, odnosno prva suma u izrazu (3.8) ide samo po parovima
najbliih susjeda (oznaka nn(i)). Konstanta izmjene J mjeri jacinu interakcije susjeda. Druga
suma u (3.8) predstavlja energiju interakcije izmedu
magnetskih momenata spinova i vanjskog
magnetskog polja. Pretpostavimo da je H = 0. Ako je J > 0, tada su stanja i energijski
povoljnija u usporedbi sa stanjima i . Stoga za J > 0 ocekujemo da je stanje najnie
ukupne energije feromagnetsko; tj. svi spinovi usmjereni su u istom smjeru. Ako je J < 0,
stanja i su favorizirana i stanje najnie energije trebalo bi biti antiferomagnetsko, tj.
susjedni spinovi imaju suprotan smjer. Ako spinove izloimo dodatnom vanjskom magnetskom
polju tada spinovi i dobivaju dodatnu energiju danu sa H i +H.
Kako nas zanimaju osobine beskonacnog sustava, moramo izabrati prikladne rubne uvjete.
Najjednostavniji rubni uvjet u jednoj dimenziji je slobodna povrina za koju spinovi na mjestima
1 i N imaju samo po jednog susjeda. Obicno su bolji izbor periodicni rubni uvjeti (Crt. 3.2).
Za taj izbor jednodimenzionalna reetka postaje prsten i spinovi na mjestima 1 i N interagiraju
jedan s drugim pa tako imaju isti broj interakcija kao i ostali spinovi.
Navedimo neke od fizikalnih velicina koje elimo izracunati. Osnovna je magnetizacija
M dana izrazom
N
X
M=
si
(3.9)
i=1

te magnetizacija po spinu m = M/N . Obicno nas zanimaju prosjecne vrijednosti hM i i fluktuacije hM 2 i hM i2 .

Kad razmatramo klasicne c estice kojima poloaj i brzina poprimaju kontinuirane vrijednosti, dinamika sustava dana je Newtonovim zakonima. U Isingovom modelu, ovisnost energije
o spinskoj konfiguraciji (3.8) nije dovoljna za odredivanje
vremenski ovisnih osobina sustava.

72

Odnosno, izraz (3.8) nam ne govori kako se sustav mijenja iz jedne konfiguracije u drugu pa
dinamiku moramo uvesti odvojeno. Dinamika c e stoga poprimiti oblik razlicitih Monte Carlo
simulacija. Prije uvodenja
MC simulacija promotrit c emo vrlo korisnu aproksimativnu metodu

za racunanje osobina spinskog sustava. Ona c e nam posluiti za uvod u nekoliko zanimljivih
karakteristika faznih prijelaza.

3.4.1

Teorija srednjeg polja

Metoda srednjeg polja koristan je kvalitativan alat, medutim

ako rezultati nisu kvantitativno

tocni, kasnije c emo promotriti i drugi pristup.

Magnetizacija je usko povezana s prosjecnom vrijednosti spina < si >, gdje zagrade
oznacavaju termalni prosjek. Korisno je razmiljati o vremenskom prosjeku sustava koji je u
ravnotei s toplinskom kupkom. Interakcija s kupkom c ini da se spin preokrene. Termalni
prosjek predstavlja prosjek u odnosu na razlicita mikrostanja koja sva imaju isto prosjecno
usmjerenje. Svi spinovi su ekvivalentni u smisu da svaki interagira sa svoja c etiri najblia
susjeda (u ovom idealiziranom 2D slucaju) i svaki je beskonacno udaljen od rubova. Stoga svi
spinovi moraju imati iste prosjecne osobine. Ukupna magnetizacija na temperaturi T sustava
N spinova bit c e
X
M=
< si >= N < si >,
(3.10)
i

gdje u zadnjem izrazu moemo iskoristiti bilo koju vrijednost od i, jer smo upravo raspravili
kako su svi spinovi ekvivalentni. Egzaktni proracun od < si > zahtijeva poznavanje vjerojatnosti svih mogucih mikrostanja P = eE /kT . Ovdje c emo razmotriti medutim
aproksimativan

alternativni pristup, poznat kao metoda srednjeg polja.

Uz vanjsko magnetsko polje, energija u reetki spinova dana je sa izrazom (3.8). Zbog tog
c e se polja spinovi nastojati postaviti paralelno sa H, jer to smanjuje energiju. Pretpostavimo
za trenutak da na sustav ima samo jedan spin, si , tako da je jedina energija u sustavu energija
spina u vanjskom magnetskom polju. Jedan spin ima dva moguca stanja si = 1, c ije su
energije E = H. Vjerojatnosti pronalaenja sustava u ta dva stanja P dana su sa
P+ = Ce+H/kT ,

(3.11)

P = CeH/kT ,
gdje je C koeficijent koji se moe odrediti iz zahtjeva da je zbroj dvije vjerojatnosti jednak
jedan. Slijedi,
1
.
(3.12)
C = +H/kT
e
+ eH/kT
Termalni prosjek od si moe se tada izracunati kao
< si >=

X
si =1

si P = P+ P = th(H/kT ).

(3.13)
73

Ovo je egzaktan rezultat za ponaanje jednog spina u magnetskom polju. Sada c emo ga iskoristiti za dobivanje priblinog rezultata za sustav od N interagirajucih spinova. Aproksimacija
srednjeg polja temelji se na pretpostavci da je interakcija spina si s njemu susjednim spinovima
ekvivalentna efektivnom magnetskom polju koje djeluje na si . Rezultat za < si > se onda
moe izracunati na isti nacin kao u slucaju jednog spina, uz zamjenu magnetskog polja H, s
efektivnim magnetskim poljem Hef . Ostaje samo procijeniti Hef .
Energija (3.8) moe se napisati u sugestivnom obliku

E=

X
i

N
X
j=nn(i)

sj si H

N
X

si ,

(3.14)

i=1

koji pokazuje da izraz sa J (koji opisuje interakciju si sa susjedima) ima oblik magnetskog
P
polja Hef = J sj . Sada uvodimo aproksimaciju. Pretpostavljamo da spinske varijable sj
u izrazu za Hef moemo zamijeniti s njihovim termalnim prosjecima. Buduci da svi spinovi
imaju isto prosjecno usmjerenje, njihovi termalni prosjeci bit c e jednaki. Oznacimo ih sa < s >
i pretpostavimo da je pravo vanjsko magnetsko polje H = 0. Tada imamo
Hef =

zJ
JX
< s >=
< s >,

(3.15)

gdje je z broj najbliih susjeda. Kombiniranje sa (3.13), vodi na rezultat

< s >= th(zJ < s > /kT ).

(3.16)

Ovo je implicitna jednadba za < s >, koju se opcenito ne moe rijeiti analiticki, vec samo

Crte 3.4: Rjeenja jednadbe (3.16) odgovaraju presjeku funkcija th(zJ < s > /kT i < s >.
Lijevo: na niskim temperaturamo (ispod Tc ), postoje tri presjeka, odnosno tri rjeenja. Dva
rjeenja imaju vrijednost < s > razlicitu od nule, dok trece rjeenje odgovara magnetizaciji
nula. Desno: na visokim temperaturama (iznad Tc ), postoji samo jedan presjek, za < s >= 0.
u nekim granicama, npr. kad je < s > mali. Stoga c emo promotriti numericki pristup. Za
ilustraciju prirode problema, na crteu 3.4 prikazane su dvije strane jednadbe (3.16), obje kao
funkcije od < s >. Sjecita krivulja su rjeenja koja traimo. Postoji uvijek rjeenje < s >= 0
74

koje odgovara termalnom prosjeku s icezavajucom magnetizacijom. Ta se faza obicno naziva

paramagnetskom. Na niskim temperaturama (lijevi crte 3.4 ), th ima veci nagib blizu ishodita
to vodi na dva dodatna rjeenja, < s >= +s0 i s0 . Ta dva rjeenja odgovaraju fazama s
magnetizacijom razlicitom od nule; to su dakle feromagnetske faze, s magnetizacijom prema
"gore" i prema "dolje".

Crte 3.5: Shematski prikaz slobodne energije spinskog sustava kao funcije hsi na temperaturama ispod i iznad Tc . Pune linije odnose se na H = 0, a crtkane na H > 0. Lijevo: Na
temperaturama T < Tc postoje tri rjeenja jednadbe srednjeg polja prikazana crnim tockama.
Rjeenja za hsi = s0 odgovaraju globalnim minimumima slobodne energije; ona predstavljaju
stabilna stanja sustava. Rjeenje u ishoditu odgovara lokalnom maksimumu slobodne energije.
Kad je polje razlicito od nule, minimum sa hsi > 0 postaje jedini globalni minimum. Desno:
Za H = 0 vrijednost u ishoditu predstavlja jedinstveni globalni mimimum slobodne energije.
Za H > 0 minimum je jo uvijek jedinstven, ali se postie za konacne vrijednosti od hsi.
Na niskim temperaturama, kada postoji vie rjeenja, korisno je promotriti slobodnu energiju razlicitih rjeenja. Pokazuje se da rjeenja sa < s >6= 0 imaju niu energiju od paramagnetskih rjeenja, kao to je shematski prikazano na Crt. 3.5 lijevo. Stoga teorija srednjeg
polja zaista predvida
da sustav postaje feromagnetski na niskim temperaturama. Dva rjeenja
< s >= s0 imaju jednake slobodne energije i stoga su jednako vjerojatna. Razlog je simetrija
energije (3.8) na preokret svih spinova kad je H = 0. Simetrija se gubi za H 6= 0, to rezultira
s jednim globalnim minimumom.
Osim graficko pronalaenja sjecita dvije krivulje, postoje i mnogi drugi nacini da se
(3.16) rijei numericki. Primjerice kad izrazimo jednadbu kao
f (< s >) < s > th(zJ < s > /kT ) = 0,

(3.17)

tada moemo koristiti bilo koju od metoda pronalaenja nultocki. Pozitivna rjeenje jednadbe
kao funkcija temperature prikazana su na Crt. 3.6. Na niskim temperaturama magnetizacija
M > 0, tj. sustav je feromagnet. Na visokim temperaturama dominiraju efekti nereda i sustav
je paramagnet sa M = 0. Iako je magnetizacija neprekidna, njen nagib se diskontinuirano
mijenja kako M 0. U tom smislu, postoji nagli prijelaz izmedu
dvije faze, na temperaturi
75

Tc , koju nazivamo kriticna temperatura. Teorija srednjeg polja predvida

da je Tc = 4 (mjereno u
jedinicama J/k).
z=4

<s>

0.8
0.6
0.4
0.2
0
0

4
T

Crte 3.6: Magnetizacija u ovisnosti o temperaturi, dobivena numerickim rjeenjme jednadbe

srednjeg polja 3.17. Odabrano je J/k = 1 i z = 4, to odgovara broju prvih susjeda na
kvadratnoj reetki.
Feromagnetski prijelaz primjer je faznog prijelaza drugog reda i ima neke zajednicke
osobine s perkolacijskim prijelazom. Spontana magnetizacija je parametar reda za prijelaz.
Ona nam govori u kojoj je fazi sustav. Kad postoji vrijednost parametra reda M razlicita od
nule, tada je sustav u feromagnetskoj fazi, a M = 0 znaci da je u paramagnetskoj. Rezultati
prikazani na Crt. 3.6 sugeriraju da M icezava na singularan nacin u Tc jer nagib dM/dT
postaje iznimno velik kad T Tc . Oblik singulariteta moemo dobiti analiticki koritenjem
c injenice da je za mali x, thx x x3 /2 . Stoga, kad je < s > mali, (3.16) postaje
zJ < s > 1

< s >
kT
3

zJ < s >
kT

3
.

(3.18)

Prethodni izraz ima dva rjeenja, < s >= 0 i

s
< s >=

3
T

kT
zJ

3 

zJ
T
k

1/2

(Tc T ) ,

(3.19)

gdje smo u zadnjem koraku iskoristili Tc = zJ/k, u skladu s numerickim eksponentom, te

= 1/2. Parametar je kriticni eksponent. Fazni prijelaz drugog reda karakterizira ponaanje
po zakonu potencije niza fizikalnih velicina. Iako teorija srednjeg polja vodi na tocan oblik
zakona potencije za < s >, vrijednost kriticnog eksponenta ne slae se s eksperimentom. U
jednom od sljedecih poglavlja razmotrit c emo vrijednosti kriticnih eksponenata koje se dobiju
u Monte Carlo simulacijama.
76

3.4.2

Mikrokanonski ansambl

Kao prvu simulaciju, upotrijebit c emo demon algoritam za uzimanje uzoraka konfiguracija
u Isingovom modelu. Prvo izaberemo spin na slucajan nacin. Probna promjena odgovara
preokretu spina sa na ili sa na . Zatim izracunamo promjenu energije sustava i odlucujemo hocemo li prihvatiti ili odbiti probni pomak. Temperaturu T kao funkciju energije
moemo odrediti na dva nacina. Jedan nacin je preko mjerenja vjerojatnosti da demon ima energiju Ed . Kako znamo da je ta vjerojatnost proporcionalna sa exp(Ed /kT ), temperaturu T
moemo odrediti iz crtea logaritma vjerojatnosti kao funkcije od Ed . Drugi nacin na koji se
moe odrediti temperatura je preko srednje energije demona. Medutim,
kako vrijednosti od Ed

nisu kontinuirane za Isingov model, T nije jednostavno samo proporcionalna hEd i kao u slucaju
idealnog plina. Moe se pokazati da je za H = 0 i granici beskonacnog sustava temperatura
povezana sa hEd i preko
4
.
(3.20)
kT /J =
ln(1 + 4J/ hEd i)

Prethodni se rezultat dobije kad se integrali u (3.7) zamjene sa sumama preko mogucih demonovih energija. Uocimo da se u granici |J/Ed |  1 prethodni izraz svodi na kT = Ed kao
to je i ocekivano.
Promotrimo sada simulaciju. Spinove u jednodimenzionalnom Isingovom modelu biramo
na slucajan nacin. Nadalje, izabiremo jedinice tako da je J = 1. Uocimo da je za H = 0
promjena u energiji zbog preokreta spina 0 ili 4J. Stoga je zgodno izabrati da zbroj pocetne
energije sustava i demona zajedno bude neki viekratnik od 4J. Buduci spinovi interagiraju,
teko je izabrati pocetnu konfiguraciju spinova tako da ima tocno traenu energiju. Najbolje
je onda zapoceti s konfiguracijom u kojoj su svi spinovi prema gore (konfiguracija minimalne
energije) i zatim slucajno preokretati spinove sve dok je energija manja od traene pocetne
energije.
Zadatak 3.4.
Demon algoritam i jednodimenzionalni Isingov model
1. Simulirajte jednodimenzionalni Isingov model. Izaberite N=100, a traena ukupna energija neka je E=-20. Opiite kvalitativno kako se energija mijenja u vremenu. Zatim
uzmite da je E = 100 te opiite bilo kakvu kvalitativnu promjenu u konfiguracijama.
2. Izracunajte energiju demona i magnetizaciju kao funkcije vremena. Kao i prije, vrijeme interpretiramo kao broj Monte Carlo koraka po spinu. Koliko je priblino vremena
potrebno da ove velicine postignu ravnotenu raspodjelu?

3. Izracunajte ravnotene vrijednosti od hEd i i hM 2 i. Potebno je otprilike 100 Monte Carlo

koraka po spinu (mcs) za testiranje programa i dobivanje rezultata sa 20% preciznosti. Za
rezultat s manje od 5% odstupanja potrebno je izabrati mcs1000.
4. Izracunajte T za N = 20, 40, 60 i -80 iz P (Ed ). Usporedite svoj rezultat s egzaktnim rezultatom za beskonacnu jednodimenzionalnu reetku E/N = th(J/kT ). Kako
77

izracunati rezultati za E/N ovise o N i o broju MC koraka po spinu? Smanjuje li se

hM 2 i ili povecava s porastom T ?
5. Modificirajte program tako da ukljucite i vanjsko magnetsko polje H te izracunajte hEd i,
hM i i hM 2 i kao funkciju magnetskog polja H za fiksnu E. Odredite ovisnost hEd i o T
za va izbor H. Odredite temperaturu i iz inverznog nagiba od P (Ed ). Je li ravnotena
temperatura nia ili via nego u H = 0 slucaju za istu ukupnu energiju?

3.4.3

Metropolis algoritam

Kao to smo vec raspravljali, vecina fizikalnih sustava nije izolirana, vec izmjenjuje energiju s
okolinom. Ako se sustav stavi u kontakt s toplinskom kupkom temperature T , sustav c e postizati
termalnu ravnoteu izmjenom energije s toplinskom kupkom sve dok ne postigne temperaturu
toplinske kupke. Ako zamislimo veliki broj kopija sustava volumena V i broja c estica N u
ravnotei pri temperaturi T , tada je vjerojatnost Ps da je sustav u mikrostanju s energije Es
dana izrazom (3.4).
Koritenjem Bolzmannove raspodjele (3.4) moemo dobiti prosjek po ansamblu svih
fizikalnih velicina koje nas zanimaju. Primjerice, srednja energija dana je sa
hEi =

X
s

E s Ps =

1X
Es eEs .
Z s

(3.21)

Primijetimo da energija fluktuira u kanonskom ansamblu.

elimo simulirati sustav od N c estica ogranicen u volumenu V pri fiksnoj temperaturi T .
Buduci da moemo generirati samo konacan broj m od ukupnog broja M mikrostanja, procjena
srednje vrijednosti fizikalne velicine A dana je sa
Pm
Es
s=1 As e
P
hAi Am =
,
m
Es
s=1 e

(3.22)

gdje je As vrijednost fizikalne velicine A u mikrostanju s. Gruba Monte Carlo procedura bila bi
slucajno generiranje mikrostanja s, proracun Es , As i eEs te izracun odgovarajuceg doprinosa
mikrostanja u sumi (3.22). Medutim,
mikrostanja koja bi se generirala na ovaj nacin bila bi vrlo

malo vjerojatna pa bi malo doprinosila sumama. Umjesto toga, koristimo znacajni odabir i
generiramom mikrostanja u skladu s funkcijom raspodjele vjerojatnosti s , koju izabiremo na
sljedeci nacin.
Prilagodavamo
izraz (3.22) znacajnom odabiru tako da pojedine c lanove u sumi mnoimo

i dijelimo sa s :
Pm
(As /s )eEs s
Am = Ps=1
(bez znacajnog odabira).
m
Es
s
s=1 (1/s )e

(3.23)

78

Ako sada generiramo mikrostanja (konfiguracije) s vjerojatnosti s , tada prethodni izraz postaje
Pm
(As /s )eEs
Am = Ps=1
(znacajni odabir).
m
Es
s=1 (1/s )e

(3.24)

Odnosno, ako radimo prosjek preko pristranog (biased) uzorka koji je generiran sa s , moramo
mnoiti svako mikrostanje sa 1/s kako bismo eliminirali pristranost koju smo uveli. Iako
moemo koristiti bilo koji oblik za s , (3.24) sugerira izbor same Boltzmannove raspodjele, tj.
eEs
s = Pm Es .
i=1 e

(3.25)

Uz ovakak izbor s procjena srednje vrijednosti od A moe se napisati kao

m

1 X
Am =
As ,
m s=1

(3.26)

gdje se pojedini uzorci uzimaju u skladu s Boltzmannovom raspodjelom.

Metropolisov algoritam vec smo razmatrali vezano uz numericku integraciju. U kontekstu
spinova moemo ga sumirati na sljedeci nacin.
Primjena Metropolisovog algoritma
1. Uspostavimo pocetno mikrostanje.
2. Napravimo slucajnu probnu promjenu u mikrostanju. Primjerice, izaberemo neki
spin na slucajan nacin i preokrenemo ga.
3. Zatim izracunamo promjenu energije zbog probne promjene mikrostanja, E
Eproba Estara .
4. Ako je E manja ili jednaka nuli, prihvatimo probnu promjenu i prelazimo na 8.
korak.
5. Ako je E veca od nule, izracunamo velicinu w = eE .
6. Generiramo slucajni broj r u jedinicnom intervalu.
7. Ako je r w prihvacamo novo mikrostanje; u suprotnom odbacujemo probni
pomak i zadravamo staro stanje.
8. Odredimo vrijednosti eljenih fizikalnih velicina.
9. Ponavljamo korake (2) do (8) kako bismo skupili dovoljno mikrostanja.
10. Periodicno racunamo prosjeke preko mikrostanja.

79

Koraci 2 do 7 daju uvjetnu vjerojatnost da je sustav u mikrostanju {sj }, ako je u prethodnom koraku bio u mikrostanju {si }. Mogu se saeto prikazati preko vjerojatnosti prijelaza
W (i j) = min(1, eE )

Metropolis algoritam,

(3.27)

gdje je E = Ej Ei . W (i j) je vjerojatnost da sustav u jedinicnom vremenu napravi

prijelaz iz stanja i u stanje j. Buduci da je potrebno poznavati samo omjer Pj /Pi = eE , nije
nuno normirati vjerojatnost. Za proracun prosjecnih vrijednosti vrijedi izraz (3.26). Uocimo
medutim
da se na ovaj nacin ne moe proracunati particijska funkcija Z.

Iako smo ovdje odabrali Bolzmannovu raspodjelu za s , drugi su izbori takoder

moguci
i ponekad korisni. Osim toga izraz za vjerojatnost prijelaza (3.27) nije jedini koji vodi na
Boltzmannovu raspodjelu. Moe se pokazati da ako W zadovoljava uvjet "detaljne ravnotee"
W (i j)eEi = W (j i)eEj ,

(3.28)

tada odgovarajuci Monte Carlo algoritam generira niz stanja u skladu s Boltzmannovom raspodjelom.
U nastavku primjenjujemo Metropolisov algoritam na problem idealnog klasicnog plina
te Isingov model. Pritom c emo provjeriti da Metropolisov algoritam nakon dovoljnog broja
koraka generira Boltzmannovu raspodjelu.
U prethodnoj smo raspravi implicitno pretpostavili da je na sustav ergodican. Ergodicnost
se odnosi na uzorkovanje vanih mikrostanja sustava. U Monte Carlo simulaciji ergodicnost
ovisi o nacinu na koji se provode probni pomaci te o energijskim barijerama izmedu
mikrostanja.
Na primjer, promotrimo jednodimenzionalnu reetku u kojoj su svi spinovi prema gore. Kad bi
se spinovi preokretali jedan za drugim, po redu, slijeva na desno, tada bi nakon preokreta prvog spina svi ostali preokreti bili prihvaceni bez obzira na temperaturu jer je promjena energije
nula. Ocito, u tom slucaju sustav ne bi bio ergodican i ne bismo dobili realno termodinamicko
ponaanje.
Autokorelacijske funkcije
Nakon postizanja ravnotene konfiguracije u skladu s Boltzmannovom raspodjelom bit c e nam
vano proracunati prosjecne vrijednosti raznih fizikalnih velicina. U nekim slucajevima, izracun
A za danu konfiguraciju oduzima dosta racunalnog vremena te ga ne elimo provoditi c ece
nego to je zaista potrebno. Idealno, elimo racunati A za konfiguracije koje su statisticki
neovisne. Buduci da unaprijed ne znamo koliko je primjerice preokreta spina potrebno da se
postigne statisticki neovisna konfiguracija dobra je ideja u prelimiranim racunima procijeniti to
vrijeme. Jedan od nacina na koji se moe procijeniti vremenski interval za koji su konfiguracije
korelirane je izracun autokorelacijskih funkcija. Vremenski ovisna autokorelacijska funkcija

80

CA (t) definirana je kao,

CA (t) =

< A(t + t0 )A(t0 ) > < A >2

,
< A >2 < A >2

(3.29)

gdje je A(t) vrijednost velicine A u trenutku t. Prosjek u prethodnom izrazu uzima se preko
svih mogucih vremenskih ishodita t0 . Izbor vremenskog ishodita proizvoljan je za sustav u
ravnotei pa CA ovisi samo o razlici vremena t i t0 , a ne o t i t0 zasebno. Za dovoljno veliki t,
A(t) i A(t0 ) postaju nekorelirani i stoga < A(t + t0 )A(t0 ) >< A(t + t0 ) >< A(t0 ) >=<
A >2 . Stoga CA (t) 0 kad t . Takoder,
CA (t = 0) normiran je na jedan. Opcenito,
CA (t) c e opadati eksponencijalno s t, s vremenom trnjenja A c iji iznos ovisi o izboru fizikalne
velicine A te fizikalnih parametara sustava, kao to je na primjer temperatura.
Vremensku ovisnost autokorelacijskih funkcija promotrit c emo u zadacima. U racunalnoj implementaciji, obicno se vremenski niz podataka A(t) sacuva u posebnoj datoteci pa se
naknadno proracuna CA (t) u posebnom programu, uzimajuci u obzir kao vremensko ishodite,
sve moguce izbore za t0 .

3.4.4

Fazni prijelaz drugog reda

Prvo c emo promotriti fazni prijelaz u slucaju kad nema vanjskog magnetskog polja.
Krecemo na niskim temperaturama, gdje znamo da je sustav u feromagnetskoj fazi. Stoga
biramo pocetnu spinsku konfiguraciju u kojoj su svi spinovi usmjereni u istom smjeru (npr.
prema gore) i koristimo MC proceduru za izracun magnetizacije kao funkcije temperature.
Rezultati na pojedinim temperaturama, dobiveni koritenjem reetke od 32 32 spina
prikazani su na Crt. 3.7, dok je magnetizacija u ovisnosti o broju Monte Carlo koraka prikazana
na Crt. 3.8. Na najniim temperaturama magnetizacija je vrlo blizu saturacijske vrijednosti
koja odgovara svim poravnatim spinovima. MC pravila povremeno vode na preokretanje spina,
ali sveukupno su fluktuacije M male. Pri temperaturi T = 2, prosjecna vrijednost od M se
smanjuje na otprilike 90% vrijednosti u potpuno poravnatom stanju. Sustav je jo uvijek feromagnet, ali je stupanj uredenosti
smanjen. Takoder,

iznos fluktuacija raste. Porast fluktuacija

je znacajan jer ukazuje na pribliavanje faznom prijelazu drugog reda, odnosno pribliavanju
kriticnoj tocki. Sustav u kriticnoj tocki izrazito je osjetljiv na male smetnje, osobine mu se brzo
mijenjaju kao odgovor na promjene u temperaturi, magnetskom polju i slicno. Te su fluktuacije
takoder
povezane sa singularnostima u Tc .
Dodatnim povienjem temperature na T = 2.25 fluktuacije postaju jo vece te sustav
fluktuira izmedu
vrijednosti koje se proteu na M 0.8 (na Crt. 3.8 prikazan je samo dio
simulacije na kojem se vidi fluktuacija od otprilike 0.1 do 0.8). Stoga, postoje fluktuacije u
kojima magnetski moment cijelog sustava mijenja smjer. Za Isingov model na kvadratoj reetki

u dvije dimenzije, egzaktni analiticki proracun daje rezultat Tc = 2/ ln(1 + 2) 2.27, tako
da je 2.25 vrlo blizu kriticne tocke. Na jo viim temperaturama, kao to je T = 4 fluktuacije
81

Crte 3.7: Prikaz konfiguracije spinova u slucaju 32 32 reetke za temperature oznacene na

crteima.
se smanjuju po iznosu i cenrirane su oko M 0. Sustav se nalazi u paramagnetskoj fazi.
Usporedbom ponaanja na razlicitim temperaturama vidimo da su fluktuacije najvece blizu Tc .
Iz simulacija na razlicitim temperaturama moemo izracunati prosjecne vrijednosti magnetizacije kao funkcije temperature. Rezultati, ponovo za 32 32 reetku, prikazani su na Crt.
3.9. U ovoj, kao i u vecini drugih simulacija, kod racunanja prosjecnih vrijednosti treba voditi
racuna da se odbace svi oni koraci za koje sustav jo nije postigao ravnoteu. Vrijeme za postizanje ravnotee ovisi o temperaturi i o tome koliko je pocetno stanje udaljeno od konacnog
ravnotenog stanja. Blizu faznog prijelaza vrijeme potrebno za postizanje ravnotee znatno se
povecava.
Iako se na Crt. 3.9 vidi rasprenje rezultata zbog statistickih pogreki, vrlo je jasno
uocljivo da magnetizacija naglo pada na nulu blizu egzaktno poznate kriticne temperature (Tc
2.27). Kvalitetu dobivenih rezultata moemo poboljati na nekoliko nacina. Prvo, moe se pro82

magnetizacija

0.8
0.6
0.4
0.2
0
0.2
0

200

400

600

800

1000

vrijeme
Crte 3.8: Ovisnost magnetizacije o broju koraka u simulaciji Isingovog modela na reetki od
32 32 spina. Magnetizacija je normirana tako da M = 1 odgovara poravnavanju svih spinova
u reetki.

magnetizacija

0.5

0
1

temperatura
Crte 3.9: Spontana magnetizacija kao funkcija temperature za Isingov model na reetki od
32 32 spina. Na svakoj temperaturi magnetizacija je dobivena uzimanjem prosjeka od 10000
koraka.
duljiti trajanje simulacije, to bi poboljalo kvalitetu MC rezultata jer se greka smanju s brojem
1/2
koraka kao Nkoraka . Drugo, moemo prouciti ponaanje sustava za vece reetke i ekstrapolirati
dobivene rezultate u granicu beskonacne reetke.

83

Zanimljivo je usporediti MC rezultate za M s predvidanjima

dobivenim teorijom srednjeg

polja. Kvalitativno smo dobili isto ponaanje, medutim

teorija srednjeg polja precjenuje Tc go
tovo za faktor 2. Takoder,
predvida
i postupniji pad magnetizacije u nulu, nego to se dobiva MC
metodom. Ovisnost magnetizacije o temperaturi blizu Tc odredena
je kriticnim eksponentom

, u skladu sa
M (Tc T )
(3.30)
Teorija srednjeg polja predvida
= 1/2, dok je egzaktan (analiticki) rezultat u dvije dimenzije
= 1/8. MC rezultati prikazani na Crt. 3.9 ne bi dali jako precizno predvidanje
vrijednosti

parametra , medutim
u puno su boljem slaganju s egzaktnim od teorije srednjeg polja. MC

simulacije na velikom skali daju vrijednost koja je unutar 1% od prave vrijednosti.

energija po spinu

0.5

1.5

2
1

temperatura
Crte 3.10: Energija kao funkcija temperature za Isingov model na reetki od 32 32 spina. Na
svakoj temperaturi energija je dobivena uzimanjem prosjeka od 10000 koraka.
Osim magnetizacije, korisno je promotriti i ponaanje drugih velicina u ovisnosti o temperaturi. Na Crt. 3.10 prikazana je ovisnost energije o temperaturi. Na niskim temperaturama,
kad su spinovi u potpunosti poravnati, svaki spin ima energiju J sa svakim od svoja 4 prva
susjeda. Ukupna energija stoga je ocekivano 4N J/2, gdje je N broj spinova, a dijelimo s 2 jer
smo svaki par spinova zbrojili dva puta. MC rezultati su u dobrom slaganju s ovim rezultatom
(E/N = 2 u jedinicama u kojima je J = 1) u granici T 0. S druge strane, na vrlo visokim
temperaturama spinovi c e biti slucajno orijentirani, tako da c e svaki spin imati u prosjeku dva
susjeda koja su orijentirana paralelno i dva koja su antiparalelna. Termalni prosjek u toj granici
bit c e nula. Rezultati prikazani na Crt. 3.10 pokazuju tendenciju pribliavanja nuli, medutim
i

za T = 5, jo uvijek su znatno ispod nje. To implicira da susjedi bilo kojeg spina nisu slucajno
orijentirani iznac Tc , iako znamo da iz rezultata za M da je prosjecno usmjerenje cijele reetke
84

nula. To ukazuje da su orijentacije susjednih spinova korelirane, to c e se pokazati vrlo vanim.

2.5

toplinski kapacitet

64 x 64
32 x 32
16 x 16
8x8
4 x4

2
1.5
1
0.5
0
1

temperatura
Crte 3.11: Toplinski kapacitet Isingovog modela u 2D u ovisnosti o temperaturi, za nekoliko
reetki dimenzija oznacenih na crteu. Prikazan je toplinski kapacitet po spinu C/N uz J = 1.
Ponaanje prosjecne energije blizu Tc sloenije je od ponaanja na niskim i visokim temperaturama. Iz Crt. 3.10 vidimo da < E > pokazuje infleksiju s velikim nagibom blizu Tc . U
stvari, za beskonacno veliki sustav, derivacija d < E > /dT je beskonacna u Tc . Iz termodinamike znamo da je upravo ta derivacija jednaka toplinskom kapacitetu C = d < E > /dT , pa
to znaci da on divergira na temperaturi faznog prijelaza. Ta je divergencija jo jedan od singulariteta koji su povezani s kriticnom tockom. Slicno kao kod magnetizacije, i ovaj se singularitet
moe opisati zakonom potencije,
1
C
,
(3.31)
|T Tc |

gdje je jo jedan kriticni eksponent. Postoje dva nacina na koja se specificni toplinski kapacite
moe proucavati Monte Carlo metodom. Jedan je numericko deriviranje rezultata za energiju
E. Drugi je proucavanje fluktuacija energije kao funkcije vremena. Kad smo krenuli proucavati
magnetizaciju primijetili smo da joj vrijednost fluktuira i da iznos fluktuacija raste blizu Tc .
Slicno se ponaa i energija. Prikladna mjera fluktuacija je varijanca. Nju racunamo kao
(E)2 < E 2 > < E >2 ,
gdje je
< E >=

1 X
E
Nm

< E 2 >=

1 X 2
E ,
Nm

(3.32)

(3.33)

pri c emu se sumira preko Nm mikrostanja koja se generiraju tijekom Monte Carlo simulacije.
Prema fluktuacijsko-disipacijskom teoremu statisticke mehanike, varijanca energije vezana je s
85

25
magnetska susceptibilnost

32 x 32
20
15
10
5
0
1

temperatura
Crte 3.12: Magnetska susceptibilnosti u ovisnost o temperaturi za 2D Isingov model na
kvadratnoj reetki sa 3232 spina.
toplinskim kapacitetom preko izraza
C=

(E)2
.
dT 2

(3.34)

To pokazuje da je singularitet u toplinskom kapacitetu direktno povezan s iznimno velikim

fluktuacijama blizu Tc . Jednadba (3.34) moe se iskoristiti za direktni izracun toplinskog kapaciteta u Monte Carlo simulaciji.
Ponaanje toplinskog kapaciteta procijenjenog koritenjem (3.34) prikazano je na Crt.
3.11 za nekoliko dimenzija reetke. Kao to smo i ocekivali, blizu Tc toplinski kapacitet
pokazuje maksimum, koji postaje to izraeniji to je veca dimenzija reetke. Vrijednosti koje
dobivamo ne divergiraju jer je reetka konacna, a singularnosti karakteristicne za fazne prijelaze
dobivaju se samo u termodinamickoj granici (ovdje N ).
Fluktuacijsko-disipacijski izraz moe se primijeniti i na druge velicine, jedna od kojih je
i susceptibilnost dM/dH. Ona mjeri koliko se magnetizacije inducira primjenom magnetskog polja. U ovom slucaju, fluktuacijsko-disipacijski teorem daje
=

(M )2
,
kT

(3.35)

gdje je (M )2 varijanca magnetizacije, koje se takoder

tipicno racuna unutar svake simulacije.
Pokazuje se da takoder
divergira u kriticnoj tocki po zakonu potencije, ali s razlicitim kriticnim eksponentom ,
|T Tc | .
(3.36)
86

1
T = 1.5

f(i)=<sis0>

T=2

0.5

T = 2.25

T=3

T=5

i = udaljenost
Crte 3.13: Korelacijska funkcija izracunata za reetku sa 16 16 spinova za nekoliko temperatura. Udaljenost izmedu
spinova mjeri se u jedinicama razmaka izmedu
c vorova reetke, a dva
spina pritom se nalaze ili u istom retku ili u istom stupcu.
Zanimljivo je uociti da se fluktuacije mogu iskoristiti za procjenu ponaanja sustava na primjenu magnetskog polja, iako se simulacije iz kojih se odreduju
fluktuacije provode u polju iznosa
nula. Ovo je jedna od intrigantnih aspekata fluktuacijsko-disipacijskog teorema. Ovisnost susceptibilnosti o temperaturi za reetku dimenzija 32 32 prikazana je na Crt. 3.12.
Kad smo razmatrali ovisnost energije o temperaturi iznad Tc uocili smo da mora postojati
korelacija u ponaanju susjednih spinova, iako je ukupna magnetizacija sustava nula. Promotrimo neki spin, nazovimo ga s0 i pretpostavimo da je usmjeren prema gore. On ima c etiri
susjeda, koja c e imati niu energiju ako su takoder
usmjereni prema gore. Stoga, iako je temperatura iznad Tc ova c etiri susjeda imaju vecu vjerojatnost da budu paralelni sa s0 nego da
budu antiparalelni. Ta c e vjerojatnost ovisiti o temperaturi, ali c e biti veca od 0.5 c ak i izand Tc .
Isti argument moe se primijeniti i na susjeda od s0 , nazovimo ga s1 . Prvi susjedi od s1 c e opet
imati tendenciju da mu budu paralelni, a buduci daje s1 koreliran sa s0 sklonost paralelnosti
propagirat c e se od spina do spina preko njihovih prvih susjeda.
Ovu sklonost moemo mjeriti pomocu korelacijske funkcije
f (i) =< s0 si >,

(3.37)

gdje je si spin koji je udaljen od spina s0 za i c vorova reetke, a termalni prosjek se moe
proracunati racunanjem prosjeka preko mikrostanja koja se generiraju MC algoritmom. Korelacijsku funkciju moemo izracunati tako da prvo odaberemo spin koji c e biti "centralni" spin
s0 , a zatim izracunamo umnoke s0 si za sve spinove koji su na udaljenosti i od centralnog
87

spina. Prosjek ovog umnoka najbolje je racunati tako da dozvolimo svakom spinu da bude
cetralni spin te da ukljucimo veliki broj Monte Carlo vremenskih koraka. Za kvadratnu reetku
je prikladno odabrati da i bude cijeli broj, pri c emu mjerimo udaljenosti u jedinicama razmaka
izmedu
c vorova reetke. Takoder,
proracunavamo korelacije samo za spinove koji se nalaze u
istom retku ili stupcu. Uocimo da je za L L reetku s periodicnim rubnim uvjetima maksimalna udaljenost izmedu
dva spina u istom retku ili stupcu L/2 jer uvijek gledamo udaljenost
najbliih susjeda.
Korelacijska funkcija za nekoliko temperatura prikazana je na Crt. 3.13. Za T = 1.5, f (i)
poprima vrijednosti razlicite od nule na velikim udaljenostima. Razlog je to to je magnetizacija
razlicita od nule pa c ak i spinovi koji su daleko c e u prosjeku biti jednako usmjereni. Vana
osobina pritom nije f (i), vec iznos za koji se f (i) povecava u odnosu na svoju prosjecnu vrijednost kad se i smanjuje. Na niskim temperaturama kao to je T = 1.5 vidimo da f (i) gotovo
da ne ovisi o udaljenosti. Povecanje usmjerenja na malim udaljenostima izrazito je malo. Stoga
moemo reci da su korelacije, koje mjerimo dodatnim poravnanjem zbog smanjenog razmaka
izmedu
spinova, vrlo slabe i jako malog dosega. Na temperaturi T = 2 situacija je kvalitativno
slicna, sa samo malim porastom relativnog poravnavanja na malim udaljenostima. Iako je taj
porast veci nego za T = 1.5, spinske korelacije su jo uvijek slabe i kratkodosene.
Slika se mijenja blizu Tc . Korelacijska funkcija za T = 2.25 Tc razlikuje se od one
za niske temperature na dva nacina. Prvo, relativno poravnanje za male i je puno vece nego za
velike i. Drugo, korelacije su postale dugodosene jer se f (i) pribliava i granici vrlo
polako kako se i povecava. S povecanjem temperature iznad Tc (npr. T = 5) iznos i doseg
korelacija ponovo se smanjuju.
Ponaanje korelacijske funkcije pomae nam razumijevanju singularnom ponaanja u
blizini kriticne tocke. Dalje od Tc korelacije opadaju eksponencijalno s udaljenosti
f (i) C1 + C2 exp(ri /),

(3.38)

gdje je C1 (= limri f (i)) konstanta koje je jednaka nuli iznad Tc , ri je udaljenost izmedu

spinova, a je velicina koju nazivamo korelacijska duljina. Kad ri , dva spina s0 i s1

postaju nekorelirana i stoga
f (i) < s0 >< si >=< s >2 .

(3.39)

Stoga moemo identificirati C1 =< s >2 i napisati izraz (3.38) kao

f (i) C1 =< (s0 < s >)(si < s >) > C2 exp(ri /).

(3.40)

Stoga nam daje mjeru dosega korelacija spinskih fluktuacija s < s > (odstupanja od prosjecne vrijednosti spina < s >), odnosno daje mjeru udaljenosti na kojoj se navedene korelacije
pribliavaju nuli. U prethodnoj smo raspravi primijetili da raste kad se pribliavamo kriticnoj
88

tocki. Paljivim proracunom za velike reetke moe se dobiti da takoder

divergira u Tc prema
zakonu potencije
1

,
(3.41)
|T Tc |

gdje je jo jedan kriticni eksponent. Velika vrijednost korelacijske duljine znaci da fluktuirajuca orijentacija jednog spina utjece na odgovarajuce fluktuacije spinova koji su jako udaljeni.
Buduci da divergira u Tc to znaci da doseg korelacija postaje efektivno beskonacan, tako da
su fluktuacije svakog spina osjetljive na fluktuacije svakog drugog spina. Upravo ova iznimna
osjetljivost sustava u Tc vodi na singularno ponaanje velicina kao to su magnetizacija i toplinski kapacitet. Teorija srednjeg polja zanemaruje ove pojacane fluktuacije jer pretpostavlja da je
relativno usmjerenje bliskih susjeda jednako prosjecnom usmjerenju cijelog sustava. Odnosno,
teorija srednjeg polja u potpunosti zanemaruje lokalne fluktuacije.
Kao to smo vidjeli, konacan sustav ne moe pokazati pravi fazni prijelaz, iako smo iz
Crt. 3.11 smo vidjeli da temperatura na kojoj C postie maksimum postaje to bolje definirana
to je reetka veca. Ako je (T ) manja od linearnih dimenzija sustava L, ocekujemo da c e naa
simulacija dati rezultata koji su usporedivi sa simulacijama beskonacnog sustava. Medutim,

kad smo blizu Tc , naa simulacija bit c e ogranicena utjecajima konacne velicine (finite-size
effects). Kako mi moemo simulirati samo konacne sustave, teko je dobiti procjenu kriticnih
eksponenata , i direktnim koritenjem njihovih definicija. Rjeenje je koritenje skaliranja
konacne velicine (finite-size scaling) za ekstrapolaciju rezultata dobivenih za konacni L u L
. Konacna dimenzija reetke postaje vana kad korelacijska duljina postane usporediva s
linearnim dimenzijama sustava:
(T ) L |T Tc | .

(3.42)

Invertiranjem prethodne jednadbe dobivamo

|T Tc | L1/ .

(3.43)

U blizini kriticne tocke rada moemo pisati

m(T ) (Tc T ) L/

(3.44)

C(T ) |T Tc | L/

(3.45)

(T ) |T Tc | L/

(3.46)

Stoga, kao i u slucaju prekolacije, stavljamo T = Tc te promatramo ovisnost m, C i o duljini

simulacijske c elije L. U zadacima c emo primijeniti prethodne izraze za proracun kriticnih
eksponenata , i . Takoder,
prema teoriji skaliranja konacne velicine kriticna temperatura u

89

ovisnosti o linearnoj dimenziji sustava, skalira se kao

Tc (L) Tc () aL1/ ,

(3.47)

gdje je a konstanta.
Zadatak 3.5.
1. Izracunajte ravnotene vrijednosti za CE (t) i CM (t) koritenjem izraza (3.29). Koristite samo one vrijednosti energije i magnetizacije koje su dobivene nakon postizanja
ravnotee. Procijenite korelacijska vremena iz autokorelacijskih funkcija energije i magnetizacije za L = 8 i T = 3, T = 2.3 i T = 2. Jedan od nacina na koji se moe odrediti
je prilagodbom podataka za C(t) na eksponencijalni oblik C(t) et/ . Drugi nacin je
definirati integrirano korelirano vrijeme kao
=

C(t)

(3.48)

t=1

Suma se prekida kod prve negativne vrijednosti od C(t). Imaju li negativne vrijednosti
C(t) fizikalnog smisla? Kako se mijenja ponaanje C(t) ako radimo prosjek koritenjem
sve duljih simulacija? Jesu li korelacijska vremena E i M usporediva?
2. Odredite prosjecnu vrijednost apsolutne vrijednosti magnetizacije po spinu |m|, toplinskog kapaciteta C i magnetske susceptibilnosti za temperature blizu Tc za L = 4, 8, 16
i 32. Izracunajte koritenjem fluktuacijsko-disipacijskog izraza uz zamjenu < M > sa
< |M | >. Koristite to je vie moguce MC koraka po spinu. Nacrtajte logaritam od |m|
i u ovisnosti o L te koritenjem izraza za skaliranje odredite kriticne eksponente i
. Pritom koristite egzaktan rezultat, = 1 i Tc = 2.269. Usporedite svoje rezultate s
egzaktnim vrijednostima u dvije dimenzije ( = 1/84 i = 7/4).
3. Nacrtajte log-log crte ovisnosti C o L. Ako su Vam podaci dovoljno tocni, vidjet c ete
da log-log graf nije pravac. Razlog je to to je eksponent u dvije dimenzije jednak nuli
i stoga je ovisnost toplinskog kapaciteta o duljini reetke dana sa
C C0 ln L.

(3.49)

Jesu li podaci koje dobivate u skladu s prethodnim izrazom? Konstanta C0 priblino je

jednaka 0.4995.
4. Simulacija Isingovog modela na trokutastoj reetki vana je za razumijevanje eksperimentalno opaenih faza materijala koji se mogu adsrbirati na povrini grafita. Osnovna je
razlika izmedu
trokutaste i kvadratne reetke broj prvih susjeda. Prilagodite svoj program
i izracunajte C i u intervalu temperatura od 2 do 5. Pretpostavite da je = 1 i koritenjem skaliranja konacne velicine odredite Tc u granici beskonacne trokutaste reetke.
90

Usporedite svoju procjenu kriticne temperature s poznatom vrijednosti kTc /J = 3.641.

5. Nisu poznati egzaktni analiticki rezultati za Isingov model u tri dimenzije. Napiite MC
program za simulaciju Isingovog modela na jednostavnoj kubicnoj reetki. Odredite C i
u rasponu 3.2 T 5 u koracima 0.2 za razlicite vrijednosti od L. Procijenite Tc (L) iz
maksimuma od C i . Slau li se te dvije procjene? Iskoristite vrijednosti od Tc (L) koje
pokazuju jacu L-ovisnost i nacrtajte Tc (L) u ovisnosti o L1/ za razlicite vrijednosti
od u rasponu od 0.5 do 1. Pokaite da ekstrapolirane vrijednosti od Tc (L = ) ne
ovise znacajno o vrijednosti . Usporedite svoju vrijednost za Tc (L = ) s poznatom
vrijednosti kT /J = 4.5108.

3.4.5

Fazni prijelaz prvog reda

Promotrit c emo sada Isingov model u prisustvu vanjskog magnetskog polja, koji pokazuje fazni
prijelaz prvog reda. Karakteristika faznog prijelaza prvog reda je diskontinuirana (konacna)
promjena parametra reda (magnetizacije u slucaju Isingovog modela) na temperaturi prijelaza.
Poznati primjer faznog prijelaza prvog reda je smrzavanje vode. Monte Carlo metoda moe

T=1

T=2

T = 2.25

1
4

0
H

4 4

0
H

4 4

0
H

Crte 3.14: Ovisnost magnetizacije o magnetskom polju za Isingov model na 32 32 reetki

za nekoliko temperatura. Magnetizacija M je normirana tako da potpuno poravnato stanje
odgovara magnetizaciji M = 1. Rezultati su dobiveni povecanjem polja u koracima od 0.5,
krecuci od 5. Moe se uociti histereza blizu H = 0 kad je T = 1, to se vidi po tome to M ne
postaje odmah pozitivna c im polje postane pozitivno.
se korisiti na isti nacin kao i ranije, samo to je potrebno prilagoditi izraz za energiju reetke
spinova. U problemu sada imamo dvije neovisne varijable T i H to c ini veci fazni prostor koji
treba istraiti. Promotrit c emo prvo ponaanje sustava kao funkciju vanjskog polja na fiksnoj
temperaturi. Za T = 1 i sa H < 0 magnetizacija je velika i negativna. Vec znamo da su pri
91

0.5
0
0.5
T=3
T=5
1
10

10

H
Crte 3.15: Ovisnost magnetizacije o magnetskom polju za Isingov model na 32 32 reetki za
nekoliko temperatura.
ovim temperaturama spinovi gotovo u potpunosti poravnati i bez vanjskog magnetskog polja.
Polje u ovom slucaju samo odreduje
smjer M (jer polje nastoji usmjeriti spinove paralelno sa

H) i stoga magnetizacija naglo mijenja smjer kad H postane veci od nule. Diskontinuirana
promjena M pokazatelj je faznog prijelaza prvog reda. Diskontinuitet u magnetizaciji ukljucuje
dva stanja sustava koja su vezana simultanim preokretanjem svih spinova M M . Kada je
H = 0 oba su stanja jednako vjerojatna, ali primjena malog polja c ini jedno stanje vjerojatnijim.
Diskontinuirani skok u M kao funkciji polja dobiva se za sve temperature koje su nie od Tc . Iz
energijskih razmatranja kao i razmatranja simetrije ocekivali bismo da do skoka dode
za H = 0,
medutim,
nekad se dogodi da se uz prijelaz pojavi histereza. Moe se primijetiti kod rezultata

za T = 1.0, kad se skok dogodio za vrijednost od H koja je malo, ali ipak primjetno, veca od
nule. U ovom je slucaju sustav bio zarobljen u metastabilnom stanju (M < 0 uz H > 0) u
vremenu trajanja simulacije. Ovakvo je ponaanje tipicno za prijelaze prvog reda i detaljnije
c emo ga kasnije promotriti.
Iznad Tc magnetizacija icezava pa ne moe ni biti diskontinuiteta u M kako se polje
mijenja od negativnih do pozitivnih vrijednosti i stoga nema ni faznog prijelaza prvog reda. Na
temperaturama iznad Tc moe se stoga ici glatko od stanje s negativnom magnetizacijom za
H < 0 u stanje s pozitivnom magnetizacijom za H > 0. Iznos diskontinuiteta ispod Tc jednak
je dvostrukoj spontanoj magnetizaciji koju smo izracunali u slucaju H = 0. Pronali smo da
magnetizacija icezava u Tc tako da postoji c vrsta veza izmedu
faznog prijelaza prvog reda kao
92

Crte 3.16: Lijevo: Fazni dijagram feromagneta u H T ravnini. Debeli pravac du osi temperatura oznacava prijelaz prvog reda izmedu
stanja M . Linija zavrava na kriticnoj tocki
T = Tc . Desno: shematski prikaz tlak-temperatura faznog dijagrama koji je tipican za vecinu
c istih tvari koje mogu biti u plinovitom, tekucem i krutom stanju. Linije su prijelazi prvog reda
koji odvajaju razlicite faze. Linija prvog reda koja razdvaja plinovitu i tekucu fazu zavrava u
kriticnoj tocki. Tocka u kojoj se susrecu sve tri krivulje prvog reda naziva se trojna tocka.
funkcije vanjskog polja i faznog prijelaza drugog reda kao funkcije temperature. Ta je veza
uocljiva u faznom dijagramu prikazanom na Crt. 3.16 u H T ravnini.
Na niskim temperaturama sustav ima dvije razlicite faze koje odgovaraju M , to oznacavaju strelice na Crt. 3.16. Moemo prijeci iz jedne u drugu fazu prelaskom temperaturne
osi. Kao to smo vidjeli na Crt. 3.14, u tim se slucajevima M mijenja diskontinuirano dokle god
smo ispod Tc . To je mjesto faznog prijelaza prvog reda i ono predstavlja pravac u H T ravnini.
Taj je pravac ujedno primjer krivulje koegzistencije na kojoj istodobno postoje (koegzistiraju)
dvije faze (ovdje jedna faza sa M > 0 i jedna faza sa M < 0). Linija prijelaza prvog reda zavrava u kriticnoj temperaturi, gdje spontana magnetizacija icezava. Icezava i razlika izmedu

dvije faze. Na i iznad Tc moguce je prijeci iz poztivnih u negativna polja bez diskontinuiteta u
M.
Iz faznog smo dijagrama vidjeli da linija prijelaza prvog reda zavrava u kriticnoj tocki.
To je tipicno za fazne prijelaze prvog reda. Primjerice, slicna je situacija kod sustava tekucine i
plina. U tom su slucaju relevantne velicine tlak (zamjenjuje H), temperatura i gustoca (zamjenjuje M ), kao to je shematski prikazano na Crt. 3.16. Fazni prijelaz iz tekucine u plin je prvog
reda za raspon tlakova, s diskontinuitetom u gustoci. Kako se tlak povecava skok u gustoci se
smanjuje i icezava u kriticnoj tocki. Kao u slucaju spinova, postoje singulariteti u razlicitim
velicinama na Tc koji su opisani zakonima potencije s kriticnim eksponentima. Zanimljivo je
to se smatra da su vrijednosti kriticnih eksponenata sustava plin-tekucina jednaki onima koji
su pronadeni
u 3D Isingovom modelu. Ta univerzalnost ponaanja sugerira da bitne osobine

kriticnog ponaanja nadilaze specifican model ili sustav.

93

T = 0.5
0

T = 0.25

1
4

0
H

0
H

Crte 3.17: Histereze za Isingov model na 32 32 reetki za nekoliko temperatura ispod Tc .

Crveni simboli prikazuju rezultate koji su dobijeni kretanjem od velikog negativnog polja te
povecavanjem polja u koracima, dok zeleni simboli prikazuju vrijednosti dobivene kretanjem
od velikog pozitivnog polja te smanjivanjem polja u koracima. Tisucu MC blokova koriteno je
za svaku vrijednost polja, pri c emu je u svakom bloku nacinjeno tisucu pokuaja preokretanja
spina.
Ako se vratimo faznom dijagramu, zanimljiva osobina Isingovog modela je da se moe
prijeci iz faze spinova okrenutih "prema gore" u fazu spinova okrenutih "prema dolje" na dva
razlicita nacina. Jedan je prelaskom temperaturne osi i samim time preko faznog prijelaza prvog
reda. Drugi je zaobilaenje kriticne tocke na visokim temperaturama c ime se izbjegava fazni
prijelaz drugog reda. Isto je moguce i u sustavu plin-teucina.
Na kraju, vano je napomenuti jo jednu vanu razliku izmedu
prijelaza prvog i drugog
reda. Blizu kriticne tocke fluktuacije postaju jako velike te predvidaju
singularno ponaanje

u kriticnoj tocki. S druge strane, fazni prijelaz prvog reda dogada

se naglo. Nema povecanih
fluktuacija ili bilo kojeg drugog upozorenja da slijedi diskontinuitet.
Nedostatak upozorenja vezan je uz c injenicu da su spinske konfiguracije prije i poslije
prijelaza jako razlicite. Na niskim temperaturama koje ovdje razmatramo, ova dva stanja su ona
u kojima su spinovi poravnati ili "prema dolje" ili "prema gore". Ako je sustav na pocetku u
jednom od tih stanja, tada da bi preao u drugo stanje mora preokrenuti prakticno sve spinove.
Monte Carlo pravila preokretanja ukljucuju preokretanje jednog po jednog spina. Na niskim
temperaturama malo je vjerojatno preokretanje i jednog spina koji povecava energiju pa je
vjerojatnost da se veliki broj spinova istodobno preokrene iznimno mala.
Ovo je ponaanje vidljivo i na Crt. 3.17 koji prikazuje M u ovisnosti o H za dvije niske
temperature T = 0.25 i 0.5. Na obje temperature simulacija je zapoceta za jako negativne
vrijednosti H tako da su prakticno svi spinovi bili poravnati u negativnom smjeru. Zatim je
polje povecavano u koracima. Ocekivali bismo da ta spinska konfiguracija bude stabilna sve
dok polje ne postane pozitivno, u kojem slucaju bi stanje sa svim spinovima poravnatim u pozi94

tivnom smjeru postalo termodinamicki stabilno.Medutim,

kako je vidljivo s crtea, sustav ostaje

u negativnom stanju sve do magnetskog polja od otprilike 2 (za T = 0.25) kada se prebacuje
u pozitivno stanje. Slicno, ako pocnemo s pozitivnim poljem i polako smanjujemo polje u koracima, vidimo da se sustav prebacuje s pozitivnog u negativno stanje sve do polja od otprilike
H 2. Stoga stanje sustav ovisi o povijesti sustava, to je efekt poznat kao histereza. Zakanjenje u prebacivanju u termodinamicki stabilno stanje posljedica je iznimno male vjerojatnosti
da sustav naprai prijelaz. Drugim rijecima, imamo situaciju u kojoj MC simulacija nije pronala ravnoteno rjeenje u vremenu trajanja simulacije. Sustav je zapeo u neravotenom stanju.
Da smo due c ekali za svaku vrijednost polja, efekt bi se smanjio pa tako i histereza. Medu
tim, vano je napomenuti da se takvo ponaanje histereze pronalazi i za makroskopska vremena
c ekanja. Dobar primjer takvog ponaanja je tekucina blizu prijelaza skrucivanja. Opcenito,
moguce je ohladiti tekucinu ispod (termodinamicke) temperature smrzavanja prije nego ona
prijede
u krutu fazu.
Korisno je promotriti ovisnost histereze o temperaturi. Iz Crt. 3.17 vidimo da histereza
postaje izraenija sa smanjivanjem temperature. Razlog je to vjerojatnost preokretanja spina u
Monte Carlu oviso o eEpreokret /kT , a ta se velicina smanjuje sa smanjenjem temperature jer je
promjena energije pri preokretu jednog spina, Epreokreta , tipicno pozitivna velicina. To povecava
vjerojatnost da c e sustav ostati zarobljen u metastabilnom stanju.

3.4.6

Kriticno usporavanje i Wolffov algoritam

Uobicajeni faktor ogranicenja vecine simulacija je brzina racunala. U blizini faznog prijelaza
drugog reda, najvaniji ogranicavajuci faktor, c ak i za najbra racunala je postojanje kriticnog
usporavanja. Kriticno usporavnje je efekt povecavanja korelacijskog vremena kad se sustav
pribliava kriticnoj tocki. Kriticno usporavanje moe se karakterizirati dinamickim kriticnim
eksponentom z koji je definiran izrazom,
= z .

(3.50)

Na konacnoj reetki imamo Lz za T = Tc . Vrijednosti za i z ovise o naem izboru

dinamike (algoritma). U 2D Isingovom modelu s dinamikom preokreta jednog po jednog spina
(Metropolisov algoritam) z 2.167. Razlog ovako velike vrijednosti od z je postojanje velikih
domena paralelnih spinova blizu kriticne tocke, koje je Metropolisovom algoritmu teko dekorelirati koritenjem lokalne dinamike (preokreta jednog po jednog spina). Na serijskom racunalu
CPU vrijeme koje je potrebno za dobivanje n konfiguracija povecava se kao L2 , vrijeme koje je
potrebno za posjetiti L2 spinova. Faktor L2 nije problem jer veci sustav sadri i proporcionalno
vie informacija. Medutim,
vrijeme koje je potrebno za dobivanje n priblino neovisnih konfig
2
uracija je reda velicine L L2+z L4 za Metropolisov algoritam. Povecanje L za faktor od
10 zahtijeva 104 vie racunalnog vremena. Stoga postojanje kriticnog usporavanja ogranicava
maksimalnu vrijednost od L koja se moe razmatrati.
95

Ukoliko nas zanimaju samo staticke osobine Isingovom modela, izbor dinamike je nebitan
pod uvjetom da vjerojatnost prijelaza izmedu
stanja zadovoljava uvjet detaljne ravnotee. Stoga
je razumno traiti globalni algoritam koji bi simultano preokretao grupe ili klastere (nakupine)
spinova. Naivna definicija nakupina spinova mogla bi biti domena paralelnih prvih susjeda.
Ovu definiciju moemo uciniti eksplicitnom ukoliko se uvede veza izmedu
dva najblia susjeda
koji su paralelni. Uvodenje
veze izmedu

spinova definira problem perkolacije (poloajno-vezna

perkolacija). Opcenito, moemo pretpostaviti da takva veza postoji s vjerojatnosti p i da vjerojatnost ovisi o temperaturi T .
Ovisnost p o temperaturi T moe se odrediti iz zahtjeva da se perkolacijski prijelaz odvija
na Isingovoj kriticnoj tocki i da kriticni eksponenti koji su vezani uz nakupine budu jednaki
analognim termalnim eksponentima. Primjerice, moemo definirati da kriticni eksponent p
karakterizira divergenciju duljine povezanosti nakupina blizu pc . Analogni termalni eksponent
kvantificira divergenciju termalne korelacijske duljine blizu Tc . Pokazuje se da su ovi (i
drugi) kriticni eksponenti jednaki ako se vjerojatnost veze definira kao
p = 1 e2J/kT .

(3.51)

Prethodni izraz vrijedi u svim dimenzijama. Moemo ga jednostavno pokazati na primjeru Isin-

Crte 3.18: (a) Nakupina od dva spina usmjerena prema gore. (b) Nakupina od dva spina
usmjerena prema dolje. Popunjeni i prazni krugovi oznacavaju spinove prema gore i dolje.
Uocite vezu izmedu
dva spina u nakupini.
govog modela u 2D na kvadratnoj reetki. Promotrimo dvije konfiguracije koje su prikazane na
Crt. 3.18. Na crteu (a) postoji est najbliih susjeda nakupine od dva spina koji su okrenuti u
istom smjeru, ali nisu nuno dio nakupine. Stoga, vjerojatnost ove konfiguracije nakupine dva
spina je peJ e6J , gdje je p vjerojatnost veze izmedu
dva spina, eJ je proporcionalan vjerojatnosti da su ta dva spina paralelna i e6J je proporcionalan vjerojatnosti da je est najbliih
susjeda paralelno. Na crteu (b) prikazana je konfiguracija u kojoj su dva spina preokrenuta i
stoga moguce veze izmedu
nakupina spinova i njegovih najbliih susjeda moraju biti prekinute.
Vjerojatnost kofiguracije pod (b) je stoga p(1 p)6 eJ e6J , gdje faktor (1 p)6 predstavlja
vjerojatost da dva najblia susjedna spina nisu dio nakupine. Mi elimo da vjerojatnost preokretanja nakupine od dva spina bude jedan i stoga nam ove dvije vjerojatnosti moraju biti jednake.

96

Stoga, moramo imati

peJ e6J = p(1 p)6 eJ e6J ,

(3.52)

odnosno (1 p)6 = e12J , odakle slijedi izraz (3.51).

Kad smo odredili na koji nacin se mogu generirati nakupine spinova, moemo koristiti te
nakupine za konstrukciju globalne dinamike. Ideja je generirati nakupine s ovom vjerojatnosti
veze i onda ih preokretati s vjerojatnosti 1. Algoritam je poznat pod nazivom Wolffov algoritam.
Osnovni koraci su:
Wolffov algoritam
1. Izabere se spin (spin sjeme) na slucajan nacin. Najblii susjedni spinovi koji su
paralelni sa c voritem sjemena su obodni spinovi.
2. Izabere se obodni spin i generira slucaji broj r. Ako je r p, veza izmedu
dva
spina postoji i obodni spin postaje dio nakupine. U suprotnom ta se veza vie ne
testira.
3. Ako je spin dodan u nakupinu, dodaju se njegova obodna c vorita u listu obodnih
c vorita nakupine.
4. Ponavljaju se koraci (2) do (3) sve dok ne ostane nijedan obodni spin.
5. Preokrenu se svi spinovi u nakupini.
Zadatak 3.6.
1. Prilagodite svoj Monte Carlo program za Isingov model na kvadratnoj reetki tako da se
implementira Wolffov algoritam. Izracunajte srednju energiju i magnetizaciju za L =
16 kao funkciju temperature za T = 2.0 do T = 2.7 u koracima od 0.1. Usporedite
svoje rezultate s onima koji su dobiveni koritenjem Metropolisovog algoritma. Koliko je
preokreta nakupine potrebno da se postigne usporediva tocnost na svakoj temperaturi. Je
li Wolffov algoritam efikasniji na svakoj temperaturi blizu Tc ?
2. Koritenjem teorije skaliranja konacne velicine procijenite vrijednosti razlicitih statickih
kriticnih eksponenata i usporedite svoje rezultate s onima koji su dobiveni koritenjem
Metropolisovog algoritma.

3.4.7

Druge primjene Isingovog modela

Vrlo iroki raspon primjena Isingovog modela omogucava nam da se u ovom dijelu dotaknemo
samo nekolicine. Vie informacija dano je u referencama.
Isingov model koristi se u slucaju antiferomagnetizma. Parametar izmjene J je tada
negativan, to znaci da se energijski preferira antiparalelno usmjeravanje najbliih susjeda.
97

Pokazuje se da su osobine antiferomagnetskog Isingovog modela na kvadratnoj reetki vrlo

slicne onima feromagnetskog modela. Na primjer, energija i toplinski kapacitet jednaki su
na svim temperaturama u odsustvu magnetkog polja te sustav pokazuje fazni prijelaza prin
Nelovoj temperaturi TN . S druge strane, magnetizacija i susceptibilnost ne pokazuju kriticno
ponaanje blizu TN . Umjesto toga, potrebno je definirati dvije podreetke (kao polja na ahovskoj ploci) i definirati cik-cak (staggered) magnetizaciju Ms kao razliku magnetizacija dvije
podreetke. Pokazuje se da je temperaturna ovisnost Ms analogna ekvivalentnoj velicini u feromagnetkom Isingovom modelu.
Isingov model koristi se i u problemima koje imaju malo veze s feromagnetizmom. Primjerice Isingov model moemo interpretirati kao plin na reetki (lattice gas), pri c emu spin dolje
predstavlja c vor reetke na kojem se nalazi molekula, a spin gore prazan c vor reetke. Svaki
c vor moe zauzimati najvie jedna molekula, a molekule interagiraju samo s najbliim susjedima. Plin na reetki predstavlja grubi model ponaanja realnog plina molekula i faznog prijelaza
tekucina-plin s pripadnom kriticnom tockom.
Ako elimo simulirati ovaj sustav moemo se odluciti za simulaciju na fiksnoj gustoci
ili na fiksnom kemijskom potencijalu. Implementacija simulacije za fiksni kemijski potentijal
u ovom je slucaju ekvivalentna simulaciji Isingovog modela u vanjskom magnetskom polju;
poput kemijskog potencijala, vanjsko polje u Isingovom modelu fiksira prosjecni broj spinova
prema gore. Stoa se plin na reetki u velikokanosnkom ansamblu moe simulirati koritenjem
dinamike preokreta spina (spin-flip).
Druga primjena modela plina na reetki je odvajanje faza binarne ili A-B slitine. U tom
slucaju spin gore npr. predstavlja c vor koje zauzima atom A, a spin-dolje atom B. Primjer je
slitina -mesinga koja na niskim temperaturama ima uredenu
fazu u kojoj dvije komponente

(bakar i cink) imaju jednake koncentracije i formiraju pravilnu strukturu nalik strukturi cezijevog klorida. S povecanjem temperature, neki atomi cinka zamjenjuju poloaj s atomima
bakra, ali sustav ostaje ureden.
Medutim,
iznad kriticne temperature Tc = 742 K, bakar i cink

se mijeaju i sustav postaje neureden.

To je primjer faznog prijelaza red-nered (order-disorder)

tipa.
U simulacijama slitina, broj atome pojedine vrste je fiksan to znaci da ne moemo koristiti dinamiku preokreta spina. Dinamika koja c uva broj spinova prema dolje i prema gore
naziva se dinamika zamjene spinova (spin exchange) ili Kawasaki dinamika. Napravi se probna
zamjena dva najblia susjedna spina te se izracuna promjena energije E. Probna izmjena se
prihvaca ili odbacuje na isti nacin kao i ranije.
Isingov model moe se primijeniti i u mnogim drugim podrucjima znanosti. Na primjer,
u neuroznanosti, spinovi mogu predstavljati neurone. Dva moguca stanja spina, odgovaraju
pritom jednostavnom modelu aktivnog i neaktivnog neurona. Aktivan neuron je pritom onaj
koji alje signal u nekom vremenu (ima takozvani firing rate razlicit od nule), a neaktivan
onaj koji ga ne alje. U Isingovom modelu spinovi su utjecali jedan na drugog preko energije
izmjene s najbliim susjedima. U slucaju neurona, pretpostavlja se takoder
postojanje energije
98

izmjene, ali ne samo izmedu

prvih susjeda, vec izmedu
svih neurona. To je potrebno kako bi se
c im bolje modelirala izrazito povezana neuronska mrea. Efektivna energija neuronske mree
moe se tada napisati kao
X
E=
Ji,j si sj ,
(3.53)
i,j

gdje su Ji,j vezane uz jacinu sinaptickih veza. Sumira se preko svih i, j u mrei. Energije izmjene, odnosno sinapticke energije Ji,j opisuju utjecaj neurona i na aktivnost neurona j. Suma
P
sinaptickih inputa neuronu i biti c e j Ji,j sj i ona c e odrediti njegovu aktivnost, odnosno smjer spina i. Ako je inuput negativan, za neuron i bit c e energijski povoljnije takoder
imati si
= -1. Ako je sinapticki ulaz pozitivan, onda je povoljniji si = 1. To je u potpunosti analogno
Isingovom modelu. Prethodno opisani model, uz prikladan odabir energija Ji,j moe se koristiti u proucavanju kako neuronska mrea funkcionira kao memorija, to je detaljnije opisano u
Ref. [5].

3.5

Klasicni fluidi

Dobro je poznato da materija moe postojati kao krutina, tekucina ili plin. Monte Carlo metode
omogucavaju dobivanje dodatnog uvida u kvalitativne razlike razlicitih faza.
Znatno pojednostavljenje u klasicnim simulacijama dolazi od c injenice da su varijable
brzine (impulsa) neovisne o varijablama poloaja. Ukupna energija sustava moe se napisati kao
E = K(vi ) + U (ri ), gdje je kineticka energija K samo funkcija brzina c estica vi , a potencijalna
energija U funkcija samo poloaja c estica ri . Buduci da kineticka energija ovisi o kvadratima
brzine, koritenjem klasicne statisticke mehanike moe se pokazati da je doprinos koordinata
brzine srednjoj energiji 1/2kT po stupnju slobode. To znaci da je u Monte Carlo simulaciji
dovoljno samo uzorkovati poloaje c estica.
Fizikalno relevante velicine fluida ukljucuju njegovu srednju energiju, specificni toplinski
kapacitet i jednadbu stanja. Takoder
je zanimljiva radijalna funkcija razdiobe g(r), koja nam
ukazuje kakve su korelacije medu
c esticama zbog interakcija. Pretpostavimo da se N c estica
nalazi u podrucju volumena V s gustocom broja c estica = N/V . Odaberemo da se jedna
c estica nalazi u ishoditu. Tada definiramo da je srednji broj ostalih c estica izmedu
r i r + dr
jednak g(r)dr. Ako su interakcija medu
c esticama sferno simetricne i sustav je u plinovitoj ili
tekucoj fazi tada g(r) ovisi samo o udaljenosti medu
c esticama r = |r|. Uvjet normiranja za
g(r) je
Z

g(r)dr = N 1 N,

(3.54)

gdje je volumni element dr = 4r2 dr(d = 3), 2rdr(d = 2) i 2dr(d = 1). Za idealni plin, gdje
nema korelacija medu
c esticama, uvjet normiranja (3.54) implicira da je g(r) = 1 za sve r. U
slucaju interakcija koje imaju jako odbojni potencijal na malim udaljenostima, poput LennardJones interakcije, ocekujemo da g(r) 0 kad r 0, jer se u toj granici odbojne sile medu

99

c esticama brzo povecavaju. Takoder,

ocekujemo da g(r) 1 kad r , jer se korelacije
dane c estice s drugim c esticama smanjuju kako se njihov razmak povecava.
Iz g(r) moemo dobiti nekoliko termodinamickih osobina. Buduci da se g(r) moe interpretirati kao lokalna gustoca c estica oko dane c estice, potencijalna energija odabrane c estice
s ostalim c esticama izmedu
r i r + dr je u(r)g(r)dr, pod pretpostavkom da su prisutne samo
dvocesticne sile. Ukupnu potencijalnu energiju dobivamo integracijom po cijelom prostoru i
mnoenjem sa N/2. Faktor N je potreban jer smo mogli izabrati bilo koju c esticu za c esticu
u ishoditu, dok 1/2 osigurava da se svaka dvocesticna interakcija broji samo jednom. Kao
rezultat srednja potencijalna energija po c estici moe se izraziti kao
U

=
N
2
Izraz za srednji tlak

Z
g(r)u(r)dr.

1 X
PV
1=
< rij Fij >
N KT
dN kT i<j

(3.55)

(3.56)

moe se takoder
napisati preko g(r) pa virijalna jednadba stanja postaje
P

=1

2d

Z
g(r)r

du(r)
dr,
dr

(3.57)

gdje smo silu napisali kao negativni gradijent potencijalne energije. U sljedecem koraku potrebno
je odabrati model interakcije. Ovdje c emo razmotriti dva c esto koritena modela.
Interakcije s tvrdom jezgrom
Model tvrdih jezgara dan je izrazom

u(r) =

+,

r<

0,

Intenzivno je proucavan u jednoj dimenziji (tvrdi tapovi), dvije dimenzije (tvrdi diskovi) i tri
dimenzije (tvrde sfere). Sustavi tvrdih sfera jedni su od prvih koje su proucavali Metropolis i
suradnici.
S obzirom da u modelu nema privlacne interakcije, nema prijelaza iz plina u tekucinu.
Ono to nas zanima je postoji li prijelaz izmedu
fluidne faze za male gustoce u krutu fazu za
velike. Takoder,
cilj je utvrditi moe li se krutina formirati u odsustvu privlacne interakcije.
Srednja potencijalna energija nije nam vie fizikalno relevantna velicina jer je uvijek nula.
Najvanija nam je g(r) koja daje informacije o korelacijama medu
c esticama i o jednadbi

100

stanja. Moe se pokazati da se jednadba stanja (3.57) u modelu tvrdih jezgara svodi na
P

2 3
g() (d = 3)
3

= 1 + 2 g()
(d = 2)
2
= 1 + g()
(d = 1)

= 1+

(3.58)

Stoga je vano odrediti g(r) za razlicite vrijednosti od r te ekstrapolirati dobivene rezultate u

r = . Kratko c emo prodiskutirati simulaciju u 2D koja c e se razviti kao zadatak.

Crte 3.19: Radijalna funkcija razdiobe tvrdih diskova za gustocu 0.04. Koritene su 64 c estice
te vie od 150000 koraka u java simulaciji na OSP [7]
Za pocetak je vano razmjestiti diskove tako da se ne preklapaju. U slucaju malih gustoca
to nije problem postici slucajnim razmjetanjem diskova u kutiju, pri c emu se u slucaju preklapanja generira novi slucajni broj i disk ponovo pokua smjestiti. Za vece gustoce najefikasnije
je postaviti diskove u poloaje na reetki to je vece moguce gustoce tako da se ne preklapaju.
Nakon odabira pocetne konfiguracije na slucajan se nacin bira disk koji c e se pokuati
pomaknuti. Neka je maksimalni pomak. Tada je probni poloaj odabranog diska dan sa
xproba = x + (2rand() 1), yproba = y + (2rand() 1). Ukoliko se novi poloaj preklapa
sa starim, odbacuje se i ostavlja se stara konfiguracija; u suprotnom se prihvaca. Optimalnu
vrijednost parametra potrebno je odrediti ovisno o gustoci. Kao razuman odabir u literaturi
se za ovu simulaciju navodi iznos koji vodi na 20% prihvacanja probnih pomaka, medutim

navedeno je potrebno testirati.

Nakon postizanja ravnotene razdiobe pristupa se proracnu fizikalno zanimljivih velicina,
posebno g(r). Pritom treba voditi racuna o periodicnim rubnim uvjetima, to znaci da je maksimalna udaljenost bilo koje dvije c estice u x i y smjeru Lx /2 i Ly /2, gdje su Lx i Ly dimenzije
101

Crte 3.20: Radijalna funkcija razdiobe tvrdih diskova za gustocu 1.0577. Koritene su 64
c estice te postepeno smanjivanje velicine kutije u java simulaciji na OSP [7]
kutije u x, odnosno y smjeru. Stoga se g(r) moe odrediti samo za r 12 min(Lx , Ly ).
U cilju stjecanja kompetencija razvoja racunalnih simulacija preporuca se izrada vlastitog
racunalnog programa. Za istraivanje mogucih faza i parametara simulacije, dostupna je medu
tim, u okviru Open Source Physics projekta [7] i gotova simulacija tvrdih diskova. U simulaciji
se uzima = 1. Na crteima su prikazani rezultati za gustocu 0.04 (Crt. 3.19) koja odgovara
fluidu, odnosno 0.2 (Crt. 3.20) za koju primjecujemo naznake formiranja krute faze. Buduci
da je simulacija provedena samo sa 64 c estice ovaj rezultat nije dovoljan za zakljucak, vec bi
trebalo provesti simulacije za veci broj c estica te teorijsku analizu rezultata u ovisnosti o broju
c estica.
U navedenoj java simulaciji koristi se kvadratna kutija. Medutim,
opaa se formiranje

trokutaste reetke. Za postizanje maksimalne gustoce pakiranja potrebno je odabrati pravokutan

oblik reetke Lx , Ly = 3Lx /2.

Kontinuirani potencijali
Simulacija modela tvrdih jezgara sugerira postojanje faznog prijelaza iz fluida na malim gustocama u krutinu na velikim. Navedeni zakljucak u skladu je sa simulacijama molekularne
dinamike i Monte Carlo simulacijama vecih sustava.
Postojanje prijelaza implicira da je on odreden
odbojnim dijelom potencijala. Sada c emo
promotriti sustav koji ima privlacni i odbojni doprinos. Na je glavni cilj odrediti utjecaj
privlacnog dijela potencijala na strukturu tekucine.
102

Oblik potencijala elektricno neutralnih molekula moe se konstruirati iz kvantno-mehanickog

racuna. Takvi su proracuni vrlo zahtjevni te je najcece dovoljno izabrati jednostavan fenomenoloki
oblik za u(r). Najvanije osobine od u(r) su jako odbijanje za male r te slabo privlacenje
za velike r. Odbijanje za male udaljenosti medu
c esticama posljedica je Paulijevog principa
iskljucenja. Odnosno, valna funkcija elektrona dvije molekule mora promijeniti oblik kako bi
izbjegla preklapanje, to uzrokuje da su neki od elektrona u razlicitim kvantnih stanjima, to na
kraju vodi na efektivnu odboju interakciju. Dominantna privlacna interakcija na velikim udaljenostima nastaje zbog medusobne
polarizacije atoma, a rezultantni privlacni potencijal naziva

se van der Waalsova interakcija.

Za daljnja razmatranja odabrat c emo stoga c esto koriteni fenomeloki model interakcije,
Lennard-Jones potencijal:


6
12
(3.59)
u(r) = 4 ( ) ( )
r
r

Oblik potencijala prikazan je na Crt. 3.21. Odboji dio potencijala ima r12 ovisnost, dok
privlacni ponaanje oblika r6 za velike udaljenosti r odgovara van der Waals interakciji. Dva
parametra karakteriziraju model, duljina i energija . Primijetimo da je u(r) = 0 za r = te
da je potencijal blizu nuli za r > 2.5. Parametar  oznacava dubinu potencijala u minimumu
u(r), koji se postie za r = 21/6 . Kao to je uobicajeno, prikladno je izabrati jedinice tako

r
Crte 3.21: Lennard-Jones potencijal u(r). Karakteriziraju ga dva parametra, duljina i energija .
da velicine koje racunamo nisu ni premale ni prevelike. Vrijednosti udaljenosti i energije u
tipicnim tekucinama za koje je prikladno koristiti Lennard-Jones model interakcije vrlo su male
u SI jedinicama. Stoga se najcece biraju i  kao jedinice za udaljenost i energiju. Takoder
se
bira za jedinicu mase masa jednog atoma m i zatim se sve druge velicine izraavaju preko ,  i
m. Primjerice, za argon je = 3.4 1010 m,  = 1.65 1021 J i m = 6.69 1026 kg.
103

Za simulaciju Lennard-Jones sustava pri fiksnim T , N i V prikladno je koristiti Metropolisov

algoritam koji nam omogucava biranje konfiguracija sukladno Boltzmannovoj razdiobi Ps =
eEs /Z, gdje Es predstavlja potencijalnu energiju sustava. Kljucni koraci algoritma su:
Primjena Metropolisovog algoritma
1. Odaberemo pocetnu konfiguraciju. Buduci da su brzine irelevantne, samo razmatramo poloaje c estica. Pocetna energija nije vana, medutim
dobro je da su sve

c estice na pocetku udaljene barem za .

2. Odaberemo na slucajan nacin c esticu i napravimo probni pomak u njenom
poloaju.
3. Izracunamo E, promjenu potencijalne energije sustava zbog probnog pomaka.
4. Ako je E 0 nova konfiguracija se prihvaca i odlazi se na 8. korak
5. Ako je E > 0, racunamo w = eE .
6. Generiramo iz jedolike raspodjele slucajni broj r u segmentu [0, 1].
7. Ako je r w, prihvacamo probni pomak; u suprotnom zadravamo prethodno
mikrostanje.
8. Odredujemo
eljene fizikalne velicine.

9. Ponavljamo korake (2) do (8) kako bismo dobili dovoljan broj mikrostanja.
10. Sakupljamo podatke koji su nam potrebni za prosjeke traenih velicina.
Navedeni su koraci dovoljan temelj za izradu samostalnog programa. Takoder,
dostupna
je i gotova simulacija pomocu koje je moguce rijeiti zadatke koji slijede, a koji se odnose
na Lennard-Jones model u dvije dimenzije [7]. Navedena simulacija omogucava biranje broja
c estica, dimenzija kutije i velicine probnog pomaka . Prikazuje svakih 100 koraka snimku
konfiguracije, trenutnu vrijednost g(r) i P A/N kT , a na kraju i vrijednost toplinskog kapaciteta
i srednje potencijalne energije po c estici. Navedeno omogucava istraivanje cijelog faznog
dijagrama.
Zadatak 3.7.
1. Odredite omjer P A/N kT za nekoliko gustoca krecuci od L = 24 i N = 64. Kolika je
vrijednost ovog omjera u slucaju idealnog plina? Kako se omjer mijenja povecanjem
gustoce?
2. Odredite ovisnost srednje potencijalne energije o temperaturi i toplinski kapacitet.
3. Opiite kvalitativnu ovisnost radijalne funkcije razdiobe g(r).

104

4. Koritenjem parametra danih u simulaciji izvrite simulaciju dok sustav ne postigne

ravnoteu. Zatim postepeno smanjujte temperaturu. Postoje li dokazi o faznom prijelazu izmedu
plina i tekucine? Ako povecate broj c estica i smanjite linearne dimezije
sustava te izaberete razlicite vrijednosti temperature, moci c ete vidjeti konfiguraciju za
koju koegzistiraju dvije faze. Moete li razlikovati tekucinu i plin?

Widomova metoda umetanja

Unutar kanonske Monte Carlo simulacije moemo racunati i kemijski potencijal koritenjem
Widomove metode umetanja. Iz termodinamike znamo

=

F
N


V,T

= kT ln

ZN +1
ZN

(3.60)

u granici N , gdje je F slobodna energija, a ZN particijska funkcija za N c estica. Za

klasicni sustav particijska funkcija sadri integrale koji su vezani uz impulse i koordinate c estica. Integrali preko impulsa daju doprinos idealnog plina kemijskom potencijalu, a integral
preko kooridnata daje dodatni kemijski potencijal . Stoga je ukupni kemijski potencijal dan
kao = idealni + . Za dovoljno velike N omjer ZN +1 /ZN je prosjek od eE preko svih
mogucih stanja dodane c estice s dodanom energijom E. Ideja metode je izracunati promjenu
energije E koja bi se dogodila kad bi se zamiljena c estica dodala u sustav tijekom simulacije
i uzeti prosjek preko mnogo takvih slucajnih dodavanja c estice duha. Vano je naime naglasiti
da se za vrijeme simulacije zaista ne dodaje nikakva c estica, vec se racuna prosjek
= kT ln < eE >

(3.61)

preko svih konfiguracija koje se generiraju Metropolis algoritmom.

Algoritam je dan sa:
Primjena Metropolisovog algoritma
1. Koritenjem Metropolisovog algoritma simuliramo sustav c estica na fiksnoj temperaturi, s fiksnim volumenom i brojem c estica. Kao primjer odaberimo LennardJones model u dvije dimenzije.
2. Periodicki (nakon svakog MC koraka) dodajemo c esticu "duha" na slucajnom
odabranom poloaju unutar kutije i racunamo promjenu energije E koja bi
nastale zbog tog dodavanja.
3. Izracunamo prosjek od eE i procijenimo = kT ln < eE >.
Java simulacija s navedenim algoritmom dostupna je takoder
u OSP STP paketu [7]. Pro105

gram pokazuje poloaje c estica u svakom MC koraku po c estici i prikazjue srednji dodatni
kemijski potencijal kao funkciju broja koraka. Dodatno prikazuje i c esticu "duha" zelenom bojom. Po zaustavljanju simulacije program daje gustocu c estica, srednju potencijalnu energiju,
toplinski kapacitet, razliku prosjecnog tlaka i tlaka idealnog plina, srednji dodatni kemijski potencijal i postotak prihvacanja.
Zadatak 3.8.
1. Izvrite simulaciju koritenjem danih parametara. Nakon to prosjecna vrijednost dodatnog kemijskog potencijala dostigne ono to se doima kao ravnotena vrijednost, resetirajte podatke te ponovo nastavite simulaciju sve dok ne postigne priblino konstantnu
vrijednost s malim fluktuacijama. Je li dobivena vrijednost pozitivna ili negativna? Objasnite dobiveni predznak.
2. Ponovite simulacije za razlicite temperature. Povecava li se ili smanjuje kemijski potencijal s temperaturom? Mijenja li se predznak? Usporedite ovisnost o temperaturi s
ovisnosti potencijalne energije o temperaturi.
3. Ponovite simulacije za T =1, ali za razlicite gustoce. Primjerice probajte ponoviti racun
sa 30 30 i 20 20 kutijama. Kako ovisi o gustoci? Usporedite tu ovisnost s ovisnost
potencijalne energije o gustoci. U kojem smislu nam kemijski potencijal mjeri koliko je
lako dodati c esticu u sustav?

3.6

Drugi ansambli

Do sad smo razmatrali mikrokanonski ansambl (konstantni N , V i E) i kanonski ansambl (konstantni N , V i T ). Zbog velike fleksibilnosti Monte Carlo metode mogu se prilagoditi racunanju
prosjecnih vrijednosti u bilo kojem ansamblu. Dva druga osobito vana ansambla su N P T
ansambl (konstantni N , P i T ) i velikokanonski ansambl (konstantni , V i T ). Glavna razlika u Monte Carlo metodi je postojanje dodatnih koraka koji odgovaraju promjeni volumena
ili promjeni broja c estica.

3.6.1

N P T ansambl

Ansambl s konstantnim tlakom osobito je vaan u proucavanju faznih prijelaza prvog reda jer
se fazni prijelaz odvija pri konstantnom tlaku. U simulaciji s konstantnim volumenom sustav
prolazi kroz podrucje koegzistencije dvije faze, prije nego potpuno promijeni fazu s promjenom
volumena. U N P T ansamblu, vjerojatnost mikrostanja je proporcionalna sa e(E+P V ) . Za
klasican sustav, srednja vrijednost fizikalne velicine A koja ovisi o poloajima c estica moe se

106

izraziti kao

R
0

< A >N P T =

R
dV eP V dr1 dr2 ...drN A({r})eU ({r})
R
R
.
dV eP V dr1 dr2 ...drN eU ({r})
0

(3.62)

Potencijalna energija U ({r}) ovisi o skupu koordinata ({r}). Za simuliranje N P T ansambla,

trebamo uzorkovati koordinate r1 , r2 , .., rN c estica i volumen sustava V . Radi jednostavnosti,
pretpostavljamo da je centralna kutija kvadrat ili kocka tako da je V = Ld . Prikladno je skalirati
koordinate, odnosno koristiti skup skaliranih koordinata ({s}), gdje se si definira kao
si =

ri
.
L

(3.63)

Nakon supstitucije u (3.62), za < A >N P T dobivamo

R
< A >N P T =

R
dV eP V V N ds1 ds2 ...dsN A({s})eU ({s})
R
R
,
dV eP V V N ds1 ds2 ...dsN eU ({s})
0

(3.64)

gdje integral po ({s}) ide po jedinicnom kvadratu ili kocki, ovisno o dimenziji problema. Faktor
N
V N pojavljuje se zbog zamjene varijabli r s. Ako napiemo V N = eln V = eN ln V , vidimo
da dobivamo velicinu koja je analogna Boltzmannovom faktoru
eW = eP V U ({s})+N ln V .

(3.65)

S obzirom da je tlak fiksan, probna konfiguracija moe se generirati iz trenutne konfiguracije ili
slucajnim pomakom c estice ili slucajnom promjenom volumena, primjerice V V +(2r1),
gdje je r slucajno izabran iz jednolike funcije razdiobe na jedinicnom intervalu, a je maksimalna promjena volumena. Probna konfiguracija se prihvaca ukoliko je W 0 i s vjerojatnosti eW ukoliko je W > 0. Nije ni nuno, ni efikasno mijenjati volumen nakon svakog
Monte Carlo koraka po c estici.

3.6.2

V T ansambl

Za neke sustave treba nam informacija o prosjecnom broju c estica kao funkcija vanjskih uvjeta.
Primjerice, u problemima adsorpcije elimo znati koliko se plina adorbira kao funkcija tlaka
i temperature rezervoara s kojim je taj materijal (adsorbat) u kontaktu. Prikladan ansambl za
izucavanje takvih problema upravo velikokanonski ansambl u kojem su kemijski potencijal,
temperatura i volumen fiksni, a broj c estica fluktuira. Slicno, u eksperimentu je adsorbirani
plin u termalnoj ravnotei s rezervoarom. Ravnoteni uvjeti znace da kemijski potencijal i
temperatura plina unutar i izvan adsorbata moraju biti jednaki, a to je upravo ono to odgovara
postavljenim uvjetima simulacije u V T ansamblu.
Prosjek bilo koje funkcije poloaja c estica moe se u tri dimenzije napisati kao
P
3N N R
(1/N
!)
e
dr1 dr2 ...drN A({r})eUN ({r})
=0
R
,
< A >V T = NP

3N N
(1/N
!)
e
dr1 dr2 ...drN eUN ({r})
N =0

(3.66)
107

gdje je = (h2 /2mkT )1/2 . Ovisnost potencijalne energije o broju c estica eksplicitno je
prikazana. Odgovarajuca gustoca vjerojatnosti pojedine konfiguracije dana je kao
3N

P ({r}, N ) = (1/N !)

eN UN ({r}) .

(3.67)

Probne konfiguracije sada generiramo na dva nacina.

Pomicemo izabranu c esticu; takav pomak se prihvaca ili odbija u skladu s uobicajenim
pravilima, primjerice u kanonskoj MC simulaciji, odnosno vjerojatnost prihvacanja dana
je kao


({r} {r}) = min 1, e(UN ({r})UN ({r}))
(3.68)
Odabiremo, s jednakom vjerojatnosti, hocemo li u sustav pokuati dodati c esticu na slucajno odabrano mjesto u centralnoj kutiji ili hocemo li pokuati ukloniti jednu od postojecih
c estica sustava. Promjena se prihvaca u skladu sa

1
( (UN +1 UN ))
e
(N N + 1) = min 1,
(N + 1)3



(N N 1) = min 1, N 3 e( +(UN 1 UN ))


3.7

(3.69)
(3.70)

Druge primjene Monte Carlo metoda

Monte Carlo metode su mocne, fleksibilne i primjenjive na vrlo raznolike sustave. Pregled
primjena Monte Carlo kodova, alata i algoritama na molekularne simulacije dan je primjerice
u posebno broju c asopisa Molecular Simulation [9]. Isingov model jedan je od mnogih modela
magentizma. Heisenbergov, Pottsov i xy-model predstavljaju druge modele magentskih materijala. Monte Carlo simulacije tih i drugih modela vane su u razumijevanju faznih prijelaza
magnetskih i nemagnetskih materijala.
U ovom c emo dijelu promotriti primjenu metoda na probleme optimizacije. Odnosno,
zanima nas kako pronaci globalni minimum funkcije koja ovisi o velikom broju parametara.
Problemi ovog tipa pojavljuju se u podrucjima raspodjeljivanja vremena, ali i u fizici, biologiji
i kemiji. Prirodu problema moemo opisati na primjeru problema trgovackog putnika.
Pretpostavite da trgovacki putnik eli posjetiti N gradova tako da svaki grad posjeti samo
jednom i da kraj putovanja bude isti kao i pocetak. Uz navedena ogranicenja problem je pronaci optimalnu rutu tako da ukupna udaljenost bude minimalna. Primjer sa N = 8 gradova i
mogucom rutom prikazan je na Crt. 3.22. Poznate egzaktne metode za odredivanje
optimalne

N
rute zahtijevaju racunalno vrijeme koje se skalira sa N kao e pa se u praksi egzaktno rjeenje
moe pronaci samo za mali broj gradova. Ovaj problem stoga pripada klasi problema koji
se nazivaju NP-potpuni. NP (nedeterministicko polinomni) problemi ne mogu se izvriti u vremenu koje ovisi polinomno o velicini uzlaznih podataka (ovdje broj gradova N ) na standardnim
racunalima.
108

Crte 3.22: Prikazano je osam gradova i jedna od mogucih ruta koje pocinju i zavravaju u
gradu A.
Kako bismo shvatili razlicite pristupe ovom problemu promotrimo Crt. 3.23 koji prikazuje
neku funkciju "energije" E(a). U problemu trgovackog putnika energiju moemo vezati uz
duljinu rute, a a interpretirati kao parametar koji predstavlja redoslijed posjecivanja gradova.
Ako E(a) ima nekoliko lokalnih minimuma, koja je dobra strategija za odredivanje
globalnog

minimuma? Jedan od nacina svakako je sistematsko mijenjanje a i pronalaenje vrijednosti od

E za sve a. To je medutim
nemoguc zadatak ukoliko je broj gradova velik. Drugi nacin je

koritenje heuristicke metode, tj. pribline metode pronalaenja rute koja je blizu apsolutnog
minimuma. Odmah vidimo da c e ovaj problem biti svojstven i mnogim drugim podrucjima.
Promotrit c emo dvije metode rjeavanja, simulirano kaljenje i paralelno temperiranje.

3.7.1

Simulirano kaljenje

Jedna od strategija rjeavanja problema pronalaenja globalnog minimuma je izabrati vrijednost

od a, generirati malu slucajnu promjenu a i prihvatiti tu promjenu ukoliko je E(a + a) manje
ili jednako E(a). Ova iterativna strategija poboljavanja odgovara traenju koraka koji nas vode
nizbrdo. Ona uglavnom vodi na pronalaenje lokalnog, a ne globalnog minimuma pa je stoga
korisno krenuti od nekoliko izbora pocetnog a i zadrati najbolji rezultat. Potreban nam je
praktican algoritam koji c e primijeniti navedenu strategiju.
Kao motivaciju za algoritam simuliranog kaljenja (simulated annealing), promotrit c emo
i jedan naoko nepovezan problem. Pretpostavimo da elimo napraviti savren kristal. Moda
znate da u tom slucaju trebamo poceti s materijalom na relativno visokoj temperaturi na kojoj
je materijal rastaljen i zatim je postepeno sniavati. Ako temperaturu naglo smanjimo (brz
"quench"), kristal koji c emo dobiti imat c e mnotvo defekata ili uopce nece postati kristal.
Postepeno smanjivanje temperature naziva se kaljenje.
109

Crte 3.23: Skica energijskog krajobraza.

Metoda kaljenja moe se koristiti za procjenu minimuma od E(a). Izaberemo vrijednost
od a, generiramo malu slucajnu promjenu a i izracunamo E(a + a). Ukoliko je E(a + a)
E(a) prihvatimo promjenu. Ako je medutim
E = E(a + a) E(a) > 0 tada prih
vacamo promjenu s vjerojatnosti p = eE/T , gdje je T efektivna temperatura. Prepoznajemo Metropolisov algoritam u kojem temperatura igra ulogu kontrolnog parametra. U procesu
simuliranog kaljenja trebamo prvo izabrati temperaturu koja je dovoljno visoka da su svi koraci prihvaceni i zatim je postepeno smanjivati. Na svakoj temperaturi simulacija treba trajati
dovoljno dugo da bi sustav postigao kvazi-ravnoteu. Raspored kaljenja, odnosno brzina sniavanja temperature, odreduje
kvalitetu rjeenja.
Na ovaj nacin dozvoljeni su koraci koji vode na loija rjeenja od trenutnog (pomaci
uzbrdo) s ciljem bjega iz lokalnog minimuma. Vjerojatnost takvih koraka smanjuje se tijekom
simulacije. to se sporije temperatura smanjuje, to je veca ansa pronalaenja optimalnog
rjeenja, ali je due trajanje simulacije. Svakako, optimalna strategija ovisi o prirodi energijskog krajobraza, gdje velicina koju minimiziramo moe ovisiti i o velikom broju parametara.

3.7.2

Paralelno kaljenje (Parallel tempering)

Metoda paralelnog kaljenja slicna je prethodnoj, a razvijena je s ciljem postizanja dobrog

uzorkovanja sustava c ija slobodna energija ima veliki broj lokalnih minimuma.
Razmatramo n sustava. U svakom od sustava provodimo simulaciju u N V T ansamblu, ali
je svaki od sustava u razlicitom termodinamickom stanju. Obicno, iako nije nuno, sustavi su na
razlicitim temperaturama. U nastavku c emo pretpostaviti da su temperature razlicite. Sustavi na
visokim temperaturama prelaze lokalne maksimume energijskog krajobraza, dok oni na niskim
110

temperaturama uglavnom uzorkuju mikrostanja blizu minimuma. Ideja metode je uklucivanje

MC probnih pomaka koji pokuavaju "zamijeniti" sustave koji pripadaju razlicitim termodinamickim stanjima. Primjerice, pokua se izvriti zamjena sustava na visokim temperaturama
sa sustavom na niskim. Pokazat c emo da je vjerojatnost zamjene vrlo mala u slucaju kad je
razlika temperatura dva sustava velika. To je vrlo slicno situaciji u obicnim MC simulacijama
kad pokuamo micati c estice s velikim maksimalnim pomakom. Tada pomaci imaju vrlo malu
vjerojatnost prihvacanja. Rjeenje je koritenje mnogo malih pomaka. U paralelnom kaljenju
medu-temperature
se koriste na isti nacin. Umjesto da se pokuava izvriti zamjena sustava s

velikom razlikom u temperaturi, pokua se izvriti vie zamjena sustava s malom razlikom u
temperaturi.
Neka je temperatura sustava i dana sa Ti . Poredajmo sustave prema rastucoj temperaturi
T1 < T2 < ... < Tn . Definiramo proireni ansambl koji je kombinacija svih n podsustava.
Particijska funkcija proirenog ansambla je umnoak particijskih funkcija svih n ansambala
N V Ti .
Z
n
n
Y
Y
1
N
drN
(3.71)
Zpros =
ZN V Ti =
i exp(U (ri )),
3N

N
!
i
i=1
i=1
gdje rN
cava poloaje N c estica u sustavu i. Za kanonski ansambl ovisnost o temperaturi
i ozna
nije vana jer se broj c estica u pojedinom sustavu ne mijenja. Za uzorkovanje ovog proirenog
ansambla u principu je dovoljno izvriti kanonske simulacije pojedinih sustava. No, kao to smo
najavili, moguce je uvesti i MC korak koji se sastoji u zamjeni dva ansambla. Pritom pravila
prihvacanja slijede iz uvjeta detaljne ravnotee
P (i, i )P (j, j ) T r [(i, i ), (j, j ) (i, j ), (j, i )] =

(3.72)

P (i, j )P (j, i ) T r [(i, j ), (j, i ) (i, i ), (j, j )]

Vjerojatnost prijelaza T r dana je obicno kao umnoak vjerojatnosti predlaganja pomaka i vjerojatnosti prihvacanja pomaka. Ako odaberemo da je vjerojatnost predlaganja pomaka jednaka za
sve konfiguracije, tada je omjer vjerojatnosti prihvacanja pomaka jednak omjeru vjerojatnosti
prijelaza pa iz (3.73) slijedi
exp [i U (j) j U (i)]
T [(i, i ), (j, j ) (i, j ), (j, i )]
=
T [(i, j ), (j, i ) (i, i ), (j, j )]
exp [i U (i) j U (j)]
= exp [(j i )(U (j) U (i))]

(3.73)

U racunalnom kodu, prethodna se vjerojatnost prihvacanja realizira slicno prihvacanju pomaka,

odnosno kao
[(i, i ), (j, j ) (i, j ), (j, i )] = min {1, exp[(j i )(U (j) U (i))]} .

(3.74)

Pritom se najcece mijenjaju dvije susjedne temperature. S obzirom da su nam vec poznate
111

ukupne energije pojedinih konfiguracija njihove zamjene racunalno nisu skupe jer ne zahtijevaju dodatne proracune.
Takoder,
pomaci zamjene konfiguracije ne remete Bolzmannovu razdiobu pojedinog ansambla. Stoga se mogu odredivati
prosjeci po ansamblu kao to bi se radilo o u obicnim Monte

Carlo simulacijama. To je vano poboljanje u odnosu na simulirano kaljenje jer u simuliranom kaljenju prosjeci po ansamblu nisu definirani. Stoga je paralelno kaljenje ravnotena MC
simulacija.
Paralelno kaljenje moguce je proiriti i na druge ansamble, situacije u kojima ima vie od
jedne kontrolne varijable (primjerice temperatura i kemijski potencijal), sustave koje karakteriziraju razlike u parametri medumolekularnog
potencijala i slicno.

Primjene paralelnog kaljenja vrlo su raznolike te ukljucuju polimere, bioloke sustave,

osobito proteine, neorganske kristale poput zeolita, spinska stakla i mnoge druge.

112

KVANTNE MONTE CARLO METODE

Pri teorijskom proucavanju sustava od Na jedinki (cestica), nuno je koristiti kvantnu teoriju
ako su izraeni kvantni efekti poput tuneliranja, nultog gibanja, kvantizacije... Energije vezanje
i strukturna svojstva kvantnih sustava procjenjujemo rjeavajuci Schrdingerovu jednadbu za
Na -cesticni sustav c iji je Hamiltonijan
H =T+V

DR~ 2R~

~
+ V (R)

Na
X
i=1

Di 2i

Na
X
i<j=1

Vij (rij ) +

Na
X

Vp (~ri )

(4.1)

i=1

gdje su T i V redom operatori kineticke i potencijalne energije (skraceno: potencijala). Uredeni

svih i = 1, , Na c estica promatranog sustava, dan je 3Na niz poloaja ~ri = xii + yij + zi k,
~ = (~r1 , ~r2 , . . . , ~rNa ). Prema MC terminologiji R
~ nazivamo etac
dimenzionalnim vektorom R
(walker) jer MC algoritmi obicno opisuju hod koordinata kombinacijom slucajnih i deterministickih pomaka. Ako istodobno promatramo vie etaca, njihove redne brojeve oznacavamo
~ w , npr. Fw = F (R
~ w ).
italik indeksom w . Slicno oznacavamo velicine izracunate za w-ti etac R
Za razliku od toga, velicine svojstvene pojmu etac oznacavamo normalno napisanim indeksom
ca oznacavamo Nw . Analogne oznake koristimo i za ostale velicine.
w , npr. ukupan broj eta
Uvedena je pokrata DR~ koja u c lanovima, koji se odnose na c esticu ~ri , poprima vrijednost
Di = ~2 /(2mi ). Laplasijan sustava u c lanu kineticke energije dan je sumom po svim c esPNa 2
PNa
2
2
ticama 2R~ =
~ R
~ =
i=1 i . Dakle, DR
i=1 Di i . Pri modeliranju potencijala ovdje,
radi jednostavnosti, uzimamo u obzir jednocesticne doprinose zbog interakcije jedinke s okolinom i dvocesticne doprinose interakcije svakog para jedinki koje tvore sustav. Tako potencijal
interakcije Vij (rij ) opisuje medudjelovanje
para c estica koje su na poloajima ~ri i ~rj , dakle

udaljene rij = |~rj ~ri |. Potencijalom Vp (~ri ) opisani su vanjski utjecaju na c esticu u tocki ~ri .
U teorijskim istraivanjima svakako je cilj interakcije opisati to jednostavnijim matematickim
modelom koji istodobno mora biti to realisticniji tako da daje kvalitativnu i po mogucnosti
kvantitativnu sliku stvarnog ponaanja sustava u prirodnom ogranicenju. Stoga je konstrukcija
potencijala jo uvijek vrlo aktualna tema medu
istraivacima.
Kvantne Monte Carlo (QMC) metode pokazale su se pouzdanim u rjeavanju viecesticne
Schrdingerove jednadbe i odredivanju
stacionarnih svojstava atoma, molekula, tekucina, kru
113

tina i razlicitih modela sustava. Radi se o stohastickim metodama, koje se temelje na upotrebi
slucajnih (nekoreliranih) brojeva, a prilagodene
su odredivanju
ravnotenih svojstava raznih

kvantnih sustava u osnovnom i pobudenim

stanjima. Nekoliko se metoda najcece naziva

ovim imenom, varijacijski Monte Carlo (VMC), difuzijski Monte Carlo (DMC), Monte Carlo
Greenovih funkcija (GFMC), Monte Carlo integrala po stazama (PIMC) i Monte Carlo integrala po stazama osnovnog stanja (PIGS). Dobar pregled navedenih metoda dan je u knjigama
[12, 13, 14] te preglednim radovima [15, 16, 17, 18, 19, 20]. Sve prethodno navedene metode
osim PIMC-a odnose se na T = 0.
U sljedecim c emo poglavljima promotriti VMC i DMC metode. Njihovom je kombinacijom moguce egzaktno (do na statisticku greku) odrediti svojstva osnovnog stanja bozonskih
sustava ako je model potencijalne energije tocan. Stoga se primjerice intenzivno koriste u fizici
kvantnih fluida. Izmedu
ostalog omogucuje istraivanje atomskih kvantnih klastera (dodatak
B), kako onih u slobodnom 3D prostoru, tako i u ogranicenjima nametnutima nekim vanjskim
utjecajima poput adsorpcije (dodatak B) i sl. U slucaju fermionskih sustava uz aproksimaciju
fiksnih c vorova, koju c emo kasnije objasniti, takoder
se tipicno postiu vrlo kvalitetni rezultati,
a postoje i metode koje uz nepovoljno skaliranje racunalnog vremena postiu egzaktne rezultate.
Metode koje c emo opisati u nastavku u svojoj su prirodi paralelne to ih c ini vrlo prikladnim za
iskoritavanje napretka u razvoju masivnih paralelnih sustava. Napredak u metodama omogucio
je takoder
i vrlo precizne proracune elektronske strukture velikih molekula, kao i krutina pa su
tako ostvarene primjene na molekularnim sustavima s 300 elektrona, a uz periodicne rubne
uvjete i do 1000 elektrona.
Porastom racunalne snage teorijski proracuni ovog tipa omogucavaju preciznije procjene
od eksperimenata. Medutim
ta dva pristupa se medusobno
nadopunjuju. Iako su teorijske

procjene ostvarive na c esto precizniji i jednostavniji nacin, tocnost njihovih predvidanja

ovisi o

modelu potencijalne energije c iju kvalitetu mogu ocijeniti samo eksperimentalna opaanja.

4.1

Varijacijski Monte Carlo

VMC metoda proracunava ocekivane vrijednosti fizikalnih velicina stohastickom integracijom

viedimenzionalnih integrala s probnom valnom funkcijom. Temelji se na varijacijskom teo~ daje gornju
remu (dodatak C) prema kojem bilo koja normirana probna valna funkcija (R)
granicu energije osnovnog stanja
E0

~
~ R
~.
(R)H(
R)d

(4.2)

Cilj je prilagodavanjem
probne valne funkcije doci to blie valnoj funkciji osnovnog stanja.

Probnu valnu funkciju moemo definirati u ovisnosti o brojnim varijacijskim parametrima pa

VMC prua vrlo ucinkovit nacin optimizacije valne funkcije. U nekim je slucajevima optimizacija probne valne funkcije toliko dobra da VMC nivo proracuna sputa energiju osnovnog
114

stanja c ak ispod1 90% prave vrijednosti.

Poto konstrukcija valnih funkcija i potencijali interakcije ovise o promatranom sustavu,
opisat c emo ih prilikom davanja primjera.

4.1.1

Primjena Metropolisovog algoritma

Transformacijom, odnosno mnoenjem i dijeljenjem integranda iz (4.2) sa

Z
EVMC [] =

~
~
~ (R) dR
~
(R)H(
R)
~
(R)

(4.3)

dobiva se oblik
"

#
~
~
~
~ H(R) dR
EVMC [] = (R)(
R)
~
(R)
Z
h
i
~
~ EL (R)
~ dR
~
R)
(R)(
Z

(4.4)

pogodan za primjenu MA-a (poglavlje 2.7.4). Srednja energija EVMC odreduje

se usrednjavanjem lokalnih energija
~
~ i ) = H(Ri )
EL (R
(4.5)
~ i)
(R
~ i koje su uzorkovane tako da pomaci etaca u prostoru mogucih stanja
izracunatih u tockama R
~ 2 . Stohasticka realizacija takvih pomaka prikazana je sljedecim
slijede gustocu vjerojatnosti |(R)|
algoritmom.
VMC algoritam
Na pocetku simulacije, odnosno u koraku k = 0:
~ rasporedimo nasumicno unutar podrucja gdje je gustoca
koristeci (2.116) etace R
~
~ znacajna ili preuzmemo iz provedene slicne simulacije;
vjerojatnosti (R)(
R)
postavimo maksimalne duljine koordinatnog koraka d~ = (dx , dy , dz ).
Zatim se svaki korak k simulacije realizira prema dijagramu MA-a kao na crt. 4.1:
nasumicno odabiremo koordinatne pomake rij [dj , dj ], j = x, y, z za svaku
jedinku ~ri = (rix , riy , riz );
~p = R
~ + R;
~
odredimo probni poloaj etaca R
~ R
~p
izracunamo vjerojatnost realizacije prijelaza R
(
~ R
~ p ) = min
T (R

)
~ p )(R
~ p)
(R
,1 ;
~
~
(R)(
R)

(4.6)

~ R
~ p prihvacamo: R
~ =R
~ p;
ako je T 1, pomak R
1

Energije vezanog sustava su negativne.

115

~ R
~ p prihvacamo s vjerojatnocu T to se realizira
ako je T < 1, pomak R
generiranjem slucajnog broja 0 r = ran2 1 uniformne razdiobe: ako je
~ =R
~ p ; a u suprotnom slucaju odbacujemo, R
~ = R;
~
r T , prihvacamo prijelaz, R
~ i ostalih estimatora F (R)
~ od interesa.
izracunamo vrijednosti EL (R)
~
R

~p = R
~ + R
~
R
j
|ri | [0, d]

T =

~ p)(R
~ p)
(R
~
~
(R)(
R)

T 1

NE

r [0, 1]
DA

DA
~ =R
~p
R

rT
NE
~ =R
~
R

~
EL(R)

Crte 4.1: Dijagram tijeka Metropolisovog algoritma tijekom jednog koraka simulacije.
~ R
~ p)
Usporedbom generiranog jednolikog slucajnog broja r i vjerojatnosti prijelaza T (R
~ p dobivenog nasumicnim odabirom
odabire se prihvacanje ili odbacivanje probnog poloaja R
j
koordinatnih j {x, y, z} pomaka |ri | [0, d] za svaku c esticu i. Nakon odluke racuna se
~
lokalna energije EL ili druga velicina od interesa ovisna o R.
Akumulaciju vrijednosti velicina od interesa najbolje je poceti tek nakon dovoljno koraka
~
~ a tada je zgodno i resetirati korake pa brojati
kada se sustav pocne ponaati prema (R)(
R),
od k = 1. Dakle, srednju energiju (4.4) racunamo statisticki
"
EVMC [] = lim

Nuk

Nuk
1 X
~ i)
EL (R
Nuk i=1

#
(4.7)

~ i poloaji c estica uzorkovani MA-om u i-tom koraku prema |(R)|

~ 2 . Naravno, do
gdje je su R
konvergencije dolazi za konacan ukupan broj koraka Nuk gdje indeks uk oznacava da se radi
o ukupnom broju koraka.
Efikasnije je paralelno promatrati vie nezavisnih sustava (etaca). Na taj nacin malo bre
postiemo ravnoteno stanje jer tada prostor mogucih stanja obilazimo po potpuno nezavisnim
putanjama. Medutim,
pri pisanju koordinata, u ovom su poglavlju radi jednostavnosti isputeni

indeksi koji oznacavaju etace. Ako se koristi vie etaca, usrednjavanje izracunatih velicina
mora biti napravljeno i po svim etacima.
MA, koji je inace pogodan za racunanje viedimenzionalnih integrala, u ovom je slucaju
posebno koristan jer nije potrebno normirati valnu funkciju. Naime, norma nema utjecaj na
116

vrijednost lokalne energije EL zbog njene definicije (4.4) prema kojoj bi se norme u brojniku i
nazivniku pokratile. Iz istog razloga norma nije bitna ni za vjerojatnost prijelaza (4.6).
Analiticki izraz za lokalnu energiju (4.5) naravno ovisi o sustavu koji promatramo, odnosno
~ koja ga opisuje i njegovom Hamiltonijanu H. Kako je dio VMC
probnoj valnoj funkciji (R)
~ najcece vremenski najzahtjevniji, cilj je u svrhu vremenske optikoda, koji racuna EL (R),
~ zapisati sa to manje funkcija i operatora. Takoder,
mizacije izraz za EL (R)
u svrhu izbjegavanja
dodatnih numerickih problema biraju se mjerne jedinice koje izraz c ine to jednostavnijim. Po~ demonstrirat c emo u primjeru 4.1. za osnovno stanje vodikovog
jednostavljenje izraza EL (R)
atoma.
Primjer 4.1.
Promotrite osnovno stanje vodikova atoma (proton + elektron). Odaberite zgodan oblik probne
valne funkcije ovisan o parametru te za odabrani oblik napiite izraz za lokalnu energiju EL .J
Ovaj je primjer odabran u edukativne svrhe jer je poznat analticki izraz za valnu funkciju
vodikovog atoma nlm . Sustav se sastoji od protona mase mp i elektona mase me pa moemo
promatrati gibanja fiktivne c estice reducirane mase
=

mp me
me
mp + me

(4.8)

u Coulombovom potencijalu V (r) gdje je r relativna udaljenost spomenutih c estica. Zbog

sferne simetrije, odnosno ovisnosti potencijala samo o r zgodno je valnu funkciju nlm zapisati
kao produkt radijalne valne funkcije i kugline funkcije
nlm (~r) = Rnl (r) Ylm (, )

(4.9)

gdje su koritene standardne oznake: n za glavni, l za orbitalni i m za magnetski kvantni broj.

Za osnovno stanje taj je produkt zgodno izraziti
nlm (~r) =

3/2
2a0

koristeci Bohrov radijus

a0 =



r
1

exp
a0
2

(4.10)

40 ~2
me e2

(4.11)

izraen preko fizikalnih konstanti c ije su najtocnije vrijednosti dane u NIST bazi [21]. U edukativne svrhe zapisat c emo probnu valnu funkciju u obliku (4.10) za koji znamo to trebamo dobiti,
dakle uzimamo


r
(r, , ) = A exp
(4.12)
a0
gdje je A konstanta normiranja, a0 Bohrov radijus te varijacijski parametar. Konstanta normiranja, zbog racunanja omjera gustoce vjerojatnosti (4.6) i lokalne energije (4.5), nema nikavog
efekta u Metropolis algoritmu pa c emo koristit probnu valnu funkciju bez A, dakle uzimamo
117

A = 1. Odabrani je varijacijski parametar bezdimenzionalan.

Probna valna funkcija ne ovisi o i , a sustav se sastoji od protona mase mp i elektona
mase me pa je Hamiltonijan gibanja fiktivne c estice reducirane mase me u Coulombovom
potencijalu



1
e2
~2
2
r

.
(4.13)
H=
2me r2 r
r
40 r
Za dani oblik lokalna je energija
EL



~2 2a0
e2
H (~r)
=

=
(~r)
2me a20 r
40 r


2
2
~ a0
~
=

.
2
me a0 r
2
me a0 r

(4.14)

Mjerne jedinice biramo proizvoljno kako bi EL bilo to lake iskodirati program te kako bi se
izbjegla numericka prelijevanja.
EL =

i
~2 h a0
~2 a0
2
2

2
2me a20
r
2me a20 r

(4.15)

pa je najjednostavnije: energiju EL izraziti preko Rydbergove konstante

Ry =

~2
= 13.60569253(30) eV
2me a20

(4.16)

a udaljenosti r u Bohrovim radijusima a0 . Prema tome lokalnu energiju u kodu E unosimo kao
E=

2
EL
= ( 1) 2
Ry
rp

(4.17)

gdje je rp probna udaljenost izraena u a0 , odnosno rp = r/a0 .

4.2

Probne valne funkcije

Monte Carlo metode zahtijevaju kompaktne valne funkcije koje moemo brzo izvrijedniti. Pritom
moramo takoder
uvaiti i permutacijsku simetriju ukupne valne funkcije, ovisno o tome jesu li
c estice koje promatramo bozoni ili fermioni. U problemima s fermionima, najjednostavnija
valna funkcija moe se napisati u obliku Slaterove determinante


 1 (x1 ) 1 (x2 )

 (x ) (x )
 2 1
2 2
D(X) =  .
..
 ..
.


N (x1 ) N (x2 )

...
...
...
...



1 (xN ) 

2 (xN ) 
.. 
. 

N (xN )

(4.18)

118

Pritom je X = (x1 , x2 , ..., xN ) pokrata za sve koordinate fermiona, prostorne i spinske xi =

(~ri , i ). Najcece su jednocesticne orbitale i dane kao umnoak prostornih i spinskih funkcija.
U vecini problema potrebno je uzeti u obzir korelacije medu
c esticama pa se valne funkcije piu
u takozvanoj Slater-Jastrowljevoj formi
(4.19)

(X) = eJ(X) D(X) = J A ,

gdje Jastrowljev faktor ukljucuje najcece samo dvocesticne korelacije medu
c esticama
J(X) =

(4.20)

u(xi , xj ) .

i<j

U QMC simulacijama uobicajeno je ukloniti spinske varijable iz Slater-Jastrowljeve valne

funkcije i determinantu (4.18) zamijeniti s produktom spin-gore i spin-dolje determinanti orbitala


r1 ) 1 (~
r2 )
 1 (~

 (~

r2 )
 2 r1 ) 2 (~
A = 
 ...
...



 (~
r2 )
N r1 ) N (~



. . . 1 (r~N )   1 (~
r1 ) 1 (~
r2 )

. . . 2 (r~N )   2 (~
r1 ) 2 (~
r2 )

...
. . .   . . .
...


. . . N
(r~N ) N (~
r1 ) N (~
r2 )



. . . 1 (r~N ) 

. . . 2 (r~N ) 
 = D D
...
. . . 

. . . (r~N )

(4.21)

Prethodna valna funkcija nije antisimetricna na zamjenu c estica razlicitog spina i stoga se razlikuje od Slaterove determinante (4.18). Pokazano je medutim
da u QMC simulaciju daje iste

ocekivane vrijednosti za bilo koji operator koji nije ovisan o spinu. Ovisno o problemu, koristi
se i linearna kombinacija produkata determinanti
A =

ck Dk Dk .

(4.22)

Kvaliteta jednocesticnih orbitala vrlo je vana i bira se ovisno o prirodi sustava. U elektronskim
problemima ponekad se orbitale dobivaju iz Hartree-Fock proracuna ili teorije funkcionala gustoce. Takoder,
nedavno su uvedene i orbitale parova c estica koje su poznate u fizici kondenzirane materije kao Bardeen-Cooper-Scrieffer (BCS) valna funkcija, dana sa:
A = BCS = det| (~ri , ~rj )|,

(4.23)

gdje je singlet orbitala para za sustav s ukupnim spinom nula.

Jastrowljev faktor je simetrican na zamjenu identicnih c estica i stoga ne utjece na c vornu
povrinu probne valne funkcije. On medutim
uvodi korelacije jer c ini da valna funkcija eksplic
itno ovisi o udaljenosti medu
c esticama. Optimalni Jastrowljev faktor je malen kad su c estice s
odbojnim interakcijama, kao na primjer dva elektorna, blizu, a velik kad su c estice s privlacnim
interakcijama blizu.
119

Moe se takoder
iskoristiti i za osiguravanje takozvanih cusp uvjeta. Naime, kad udaljenost dviju c estica tei u nulu, tada potencijal interakcije tipicno tei u beskonacnost (npr.
Coulombov potencijal za dva elektrona). Zbog toga je potrebna kompenzirajuca divergencija
u kinetickoj energiji koja osigurava da ukupna energija ostane konacna. Te se divergencije
manifestiraju u mnogocesticnoj valnoj fukciji kao diskontinuiteti u derivaciji valne funkcije u
tockama dodira c estica. Navedeno je vidljivo na primjeru valne funkcije atoma vodika (crt.
4.8), gdje u ishoditu valna funkcija ima izraeni vrh (cusp).
Primjer 4.2.
Odaberite prikladne oblike probnih valnih funkcija za opis osnovnog stanja klastera od N atoma
helija i M atoma spin-polariziranog tricija, 4 HeN (T)M , ukupno Na = N + M atoma.J
Kineticke energije nultog gibanja helijevih atoma iznose priblino 15 K to je zanemarivo u
usporedbi s minimalnim elektronskim pobudenjima
od 20 eVa . Stoga moemo zanemariti unu
tarnju strukturu atoma He i aproksimirati ih materijalnim tockama to nece utjecati na fizikalne
zakljucke. tovie, potencijal interakcije helijevih atoma moemo promatrati kao radijalan i
spin-neovisan te ga modelirati sumom dvocesticnih interakcija po svim parovima.
Takoder
moemo zanemariti unutarnju strukturu atoma izotopa H i promatrati ih kao materijalne tocke. Izotopi H imaju vecu kineticku energiju nultog gibanja nego 4 He, ali je ona opet
zanemariva u odnosu na minimalno elektronsko pobudenje
od 10.2 eV. Stoga zanemarivanje

unutarnje strukture ne bi smjelo utjecati na zakljucke o stabilnosti proucavanih klastera.

Unutar Born-Oppenheimerove aproksimacije tricijeve jezgre u spin-polariziranom elektronskom stanju ponaaju se kao efektivni bozoni [22] pa 4 HeN (T)M moemo promatrati kao
bozonski sustav atoma aproksimiranih materijalnim tockama c ije interakcije moemo opisati
sumiranjem radijalno ovisnih potencijala Vij (rij ) po svim parovima i j.
unutarnje klasino zabranjeno podruje
vanjsko klasino zabranjeno podruje
r2|(r)|2
V(r)
0
E

R u rm

Rv

r
m1

m2

Crte 4.2: Skicirane su velicine karakteristicne za dimer prikazan u donjem desnom kutu. Cestice su aproksimirane tockastim masama m1 i m2 udaljenim r. Povecavanjem r potencijal
interakcije (puna linija) V (r) postaje privlacan nakon udaljenosti , pri razmaku rm dosee
minimum  nakon c ega privlacenje slabi. Klasicne tocke okreta, unutarnja Ru i vanjska Rv
oznacavaju udaljenosti u kojima icezava kineticka energija, E = V (r). Osjencena je vjerojatnost nalaenja c estice u klasicno zabranjenom podrucju E < V (r), definirana preko pripadne
radijalne valne funkcije (r).

120

Dakle,
~ =
V (R)

N
1
X

N
X

VHeHe (rij ) +

i=1 j=i+1

N X
M
X

VHeT (rij ) +

i=1 j=1

M
1
X

M
X

VTT (rij ) .

(4.24)

i=1 j=i+1

gdje za He-He potencijal (VHeHe ) moemo uzeti HFDB model [2], koji je slican LennardJonesovom potencijalu, ali puno detaljniji. Analogno za T-T interakciju (VTT ) moemo
koristit JDW [23] potencijal, a za He-T (VHeT ) npr. MFmod [24] ili DWW [25] potencijal.
Izgled spomenutih realisticnih potencijala interakcije skiciran je na crt. 4.2.
Za klaster 4 HeN (T)M u slobodnom 3D prostoru Hamiltonijan je dan izrazom (4.1) bez vanjskog potencijala, Vp = 0. Poto su u (4.24) zanemarene sve osim dvocesticnih interakcija,
varijacijsku probnu valnu funkciju klastera 4 HeN (T)M moemo konstruirati kao produkt Jastrowljevih dvocesticnih korelacijskih funkcija po svim parovima
~ =
(R)

Na
Y
i,j=1
i<j

fij (rij ) =

N
Y

fHeHe (rij )

NY
+M

fTT (rij )

i,j=N +1
i<j

i,j=1
i<j

N NY
+M
Y

fHeT (rij )

(4.25)

i=1 j=N +1

gdje fHeHe opisuje dvocesticne korelacije parova 4 He-4 He, fTT parova T-T te fHeT parova
4
He-T. Dvocesticne korelacijske funkcije f moemo napisati u obliku umnoka kratkodosenih i dugodosenih parametarski varijabilnih korelacija. Kako bismo ispitali koji je oblik
pogodniji za koji klaster odnosno koji atomski par, moemo kombinirati razlicite oblike ovisne
o udaljenosti r c estica,


f1 (r) = exp (b/r)5 sr ,

(4.26)

f2 (r) = exp [ (/r) s1 r] /r ,

(4.27)

f3 (r) = exp [b1 exp (b2 r) s2 r]

(4.28)

s varijacijskim parametrima b, s, , , s1 , b1 , b2 i s2 . Izgled funkcije f (r) slican je ponaanju

radijalne valne funkcije c ije se ponaanje nazire iz velicina skiciranih na crt. 4.2.
a

Boltzmannova konstanta iznosi [21] : kB = 8.6173324(78) 105 eVK1 = 1.3806488(13) 1023 JK1 .

Primjer 4.3.
Odaberite prikladan oblik probne valne funkcije za opis osnovnog stanja trimera ABC, skiciranog na crt. 4.3, c ije atome aproksimiramo materijalnim tockama, a potencijalnu energiju
pojedinog para sferno-simetricnom pravokutnom potencijalom jamom (RoVo)

0
V (r) =

V
0

r II = { r > R0 }

r I = { r R0 }

(4.29)

121

koja je skicirana zajedno s valnom funkcijom osnovnog stanja jednog slobodnog para na
crt.4.4.J
m1

r13

r12

m3
r23

m2
B

Crte 4.3: Trimer ABC aproksimiran tockastim masama m1,2,3 moemo promatrati kao skup
koreliranih dvocesticnih podsustava materijalnih tocaka mi i mj udaljenih rij .
V (r) ,(r) - I

II

R0

V0

Crte 4.4: Pravokutna potencijalna jama RoVo (4.29) (puna linija) irine R0 i dubine V0
prikazana je s pripadnom valnom funkcijom osnovnog stanja (dodatak D) (r) (isprekidana
linija) u podrucjima I i II koje razdvaja granica r = R0 .
Zanemarene su sve osim dvocesticnih interakcija pa varijacijsku probnu valnu funkciju konstruiramo, analogno kao u primjeru 4.2., kao produkt
3
Y

~ =
(R)

fij (rij ) = f12 (r12 )f13 (r13 )f23 (r23 )

(4.30)

i<j=1

Jastrowljevih dvocesticnih korelacijskih funkcija fij (rij ) po svim parovima. Oblici korelacijskih valnih funkcija iz primjera 4.2. nisu dobri za RoVo modele interakcije u kojima
ne postoji odbojni dio potencijala. Prikladnije je odabrati

fij (r) =

sin(kij r)
r
sin(kij Rij )
r

exp

kij (rRij )
tan(kij Rij )

r Rij

r > Rij

(4.31)

koja oblikom nalikuje na radijalnu valnu funkciju (dodatak D) za c esticu u RoVo potencijalu,
skiciranu na crt. 4.4. Razlike su jedino u tome to smo konstante k 0 i R0 zamijenili varijacijskim parametrima kij i Rij koji redom omogucavaju promjenu nagiba funkcije i poloaja tocke
infleksije.
122

4.2.1

Optimizacija prihvacanja

U pocetku simulacije odabiremo maksimalne duljine koordinatnih pomaka d~ = (dx , dy , dz ).

Biramo ih ovisno o prirodi proucavanog sustava. Primjerice, u slucaju adsorpcije na povrini
koju poistovjecujemo s xy ravninom, c esto se mogu uzeti jednaki maksimalni pomaci u x i y
smjeru, a razliciti od njih u z smjeru, dx = dy 6= dz ; dok u slobodnom 3D prostoru moe biti
dx = dy = dz . Postotak prihvacenih pomaka ovisi o maksimalnoj duljini koraka:
ako je dj prevelik, mali udio probnih koraka biva prihvacen pa je uzorkovanje neefikasno;
ako je dj premalen, velik udio probnih koraka biva prihvacen pa je uzorkovanje neefikasno.
Stoga tijekom simulacije neekvivalentne maksimalne duljine koraka podeavamo odvojeno,
a ekvivalentne zajedno. Prihvacanje oko 50% probnih poloaja moemo realizirati na nacin
opisan sljedecim algoritmom.

Optimizacija prihvacanja
U pocetku odaberemo maksimalni koordinatni pomak dj .
Izracunamo prihvacenost probnih pomaka tijekom svakih Nk koraka:
za prihvacenost vecu od 50% povecamo maksimalnu duljinu koraka za 5%;
za prihvacenost manju od 50% smanjimo maksimalnu duljinu koraka za 5%.
Na kraju svakako provjerimo ukupan postotak prihvacenih probnih poloaja i konacnu
maksimalnu duljinu koordinantih koraka.

4.2.2

Pohrana rezultata i minimizacija energije

Zgodno je sukcesivne nepreklapajuce nizove duljine Nk koraka k grupirati u Nb blokova b

k = 1 k = 2 k = Nk k = Nk + 1 k = (Nb 1)Nk + 1 k = Nb Nk (4.32)
|
{z
}|
{z
} |
{z
}
b=1
b=2
b = Nb
kako bismo mogli na jednostavan nacin potvrditi uspostavu ravnotenog stanja prije konacne
procjene energije. Nakon svakog bloka b pohranu se energije koje su dobivene racunanjem
b
prosjeka EVMC i EVMC
. EVMC (b) oznacava usrednjenu energiju izracunatu od pocetka simub
lacije, odnosno tijekom bNk koraka, a EVMC
(b) je prosjek energija dobivenih unutar bloka b,
~ 2 , enodnosno tijekom Nk prethodnih koraka. Kada je postignuto uzorkovanje prema |(R)|
b
ergija EVMC postaje priblino ravna linija, a energija EVMC
oscilira oko te linije. Ako promjena
parametra dovodi do sputanja energije EVMC popracenog smanjivanjem amplituda spomenutih
oscilacija, obicno promijenjeni parametri poboljavaju valnu funkciju. S druge strane, pojava
izrazito odstupajucih iljaka upucuje na nefizikalne pojave u modelu. Stoga je efikasno energije
b
EVMC i EVMC
promatrati u ovisnosti o vremenu (blokovima) kao na crt. 4.5. Na taj nacin lako
~ 2 neovisna o pocetnom rasmoemo utvrditi je li postignuta ravnotena gustoca stanja |(R)|
poredu c estica. Na prikazanom primjeru razlicite pocetne postavke nazvane VMC1 i VMC2
123

dale su iste konacne rezultate. S postavkama VMC1 nije bilo potrebno odbacivati pocetne
blokove jer nije primijecen dug monotoni trend energije EVMC kao u simulaciji s postavkama
1b
VMC2. Energija EVMC bre se je stabilizirala njenom zamjenom s EVMC
(eksponent -1b oznacava da je pri usrednjavanju odbacen 1 blok duljine 4000 koraka). Nakon odbacivanja prvih
4000 koraka, i VMC2 simulacija vidno uzorkuje stanja sustava prema eljenoj gustoci vjerojatnosti. Stoga je, radi bre i preciznije procjene osobina nekog kvantnog sustava, uvijek potrebno
~ treba odbaciti, odnosno nakon kojeg je bloka postignuto
procijeniti koliko pocetnih poloaja R
ravnoteno uzorkovanje.
-174

VMC1: Eb
VMC
EVMC

VMC2: Eb
VMC
EVMC

-176

4He

T (HFDB-DWW)

E-1b
VMC

EVMC / mK

-178
-180
-182
-182.6
-184
-186
-188
0

50

100

150

200

b / 4000 koraka
b
EVMC

EVMC(b) / mK

Crte 4.5: VMC energije EVMC i

tijekom prvih 200 blokova dobivene su koritenjem
1b
4
400 etaca za klaster He3 T modeliran potencijalima HFDB [2] i DWW [25]. EVMC
oznacava EVMC dobivenu odbacivanjem 1. bloka. U VMC1 slucaju u pocetku su koordinate
etaca rasporedene
nasumicno unutar intervala [10, 10] i postavljene maksimalne duljine

j
d = 5.0 , a u VMC2 slucaju [5, 5] i dj = 2.5 . U oba je slucaja prihvaceno priblino
50% probnih pomaka, a optimalni maksimalni korak podeen na dj = 5.2 .
465
460
455
450
445
440
435
430

VMC1, ali sa s2=0.1 -1: EbVMC , EVMC

50

100

4He

T (HFDB-DWW)

150

200

b
EVMC

Crte 4.6: VMC energije EVMC i

tijekom prvih 200 blokova b dobivene koritenjem
1
VMC1 postavki kao na crt. 4.5 uz promijenjeni parametar s2 = 0.1 u (4.28).
Varijacijske parametre probne valne funkcije, koja opisuje osnovno stanje, potrebno je
124

optimizirati posebno za svaki promatrani sustav i model potencijala kojim su opisane interakcije
njegovih sastavnica. Kao optimalne parametre odabiremo one koji minimiziraju energiju (4.7)
i pripadnu joj standardnu devijaciju. Oba se procesa minimizacije uglavnom prate kao to
moemo vidjeti i na izdvojenom primjeru na crt. 4.6. U primjeru su koritene VMC1 postavke
kao na crt. 4.5, ali sa 100 puta vecim varijacijskim parametrom s2 koji opisuje dugodoseni
dio dvocesticne korelacije 4 He-T dan sa (4.28). Dobivene su vie energije i devijacije nego za
optimizirani slucaj prikazan na crt. 4.5. U slucaju bliskih najniih energija, bolje je uzeti kao
optimalne one s niim devijacijama [12, 26].
Pri minimizaciji treba voditi racuna i o mogucem upadanju u okolinu lokalnog mini i kad se postigne globalni minimum energije to nam ne garantira otkrivanje prave
muma. Cak
valne funkcije osnovnog stanja. Medutim,
dobivamo parametre koji probni oblik valne funkcije

dovode najblie stvarnome. Koliko dobivena energija odgovara stvarnoj, pokazuju rezultati
DMC metode. Ako se valne funkcije pokau preloima zbog ogromnih DMC popravki VMC
energiji, dobro ih je dodatno optimizirati i na DMC nivou kako bi se iskljucila moguca ortogo~ na valnu funkciju osnovnog stanja 0 (R)
~ u svim tockama
nalnost probne valne funkcije (R)
~  0.
gdje je 0 (R)
Primjer 4.4.
Koristeci varijacijski Monte Carlo s probnom valnom funkcijom iz primjera 4.1., odredite
parametar koji predvida
najniu energiju za osnovno stanje vodikovog atom.J
Koristeci VMC kod dan u dodatku E, za niz razlicitih vrijednosti parametra izracunate su
EVMC prema (4.7) gdje je EL dan sa (4.17). Procijenjene energije EVMC , maksimalne duljine
koraka d i udio prihvacenih probnih pomaka dobiveni za 900 etaca, c iji su poloaji uzorkovani
kroz 300 blokova po 300 koraka, prikazani su u tablici 4.1 za nekoliko grubih varijacija od .

EVMC /Ry

d/a0

prihvacanje probnih pomaka

0.05

0.09765 0.00011

94.25

51%

4.23

51%

2.10

49%

1.15

50%

1.04

50%

0.52

50%

0.70

49%

0.14

49%

0.1
0.5
1.5
2.0
2.5
3.0
8.0

0.1899 0.0003
0.7497 0.0002
0.7505 0.0007
+0.004 0.002
+1.256 0.004
+2.990 0.009
+15.01 0.03

Tablica 4.1: Rezultati VMC simlacije za vodikov atom opisan sa (4.12): energija EVMC za
probni parametar i konacna maksimalna duljina koordinatnog koraka d.
Iz dobivene ovisnosti energije EVMC i njene devijacije o , jasno se vidi da preciznije treba
ispitati ponaanje u okolini od = 1. Na crt. 4.7 i 4.8 izdvojeni su neki rezultati dodatnih
125

proracuna. Stabilizacija uzorkovanja za pojedini jasno je vidljiva iz ponaanje srednje vrijednosti energije od pocetka simulacije EVMC koja postaje konstantna dok energijski prosjeci
b
u pojedinim blokovima EVMC
osciliraju oko te vrijednosti. Kako se parametar pribliava
pravoj vrijednosti, tako amplitude tih oscilacija postaju sve manje te potpuno utrnu za = 1
(standardna devijacija icezava) to nam svjedoci o pronalaenju prave valne funkcije osnovnog
stanja vodikovog atoma, a koja je prikazana na crt. 4.8 desno. Primjer zavravamo paradoksalnim pitanjem koje bi vas trebalo potaknuti na dublje promiljanje o promatranom sustavu:
Coulombov potencijal V (r 0) , 000 (r 0) konacan je, realan i pozitivan. Mogu li
se proton i elektron naci u istoj tocki prostora (r 0)?

E / mRy

-986

H atom

-988

EbVMC(=0.90)
EVMC(=0.90)

-990

EbVMC(=0.95)
EVMC(=0.95)

-992

EbVMC(=0.98)
EVMC(=0.98)

-994

EbVMC(=1.0)

-996
-998
-1000
0

50

100
150
200
b / (300 koraka 900 etaa)

250

300

Crte 4.7: Rezultati VMC simulacije za razlicite paramtere probne valne fukcije (4.12) za
vodikov atoma tijekom 300 blokova b.
0.6

H atom

-960

0.5

-970

0.4

000 / a3/2
0

EVMC 102 E / mRy

-950

-980
-990

H atom

0.3
0.2
0.1

-1000

0
0.8

0.9

1.1

1.2

4 5
r / a0

Crte 4.8: Za atom H: (lijevo) srednja energija EVMC prikazana sa 100 puta vecim devijacijama
E za razlicite paramtere probne valne fukcije (4.12); (desno) valna funkcija osnovnog stanja.

126

4.2.3

Zadaci

Zadatak 4.1.
Promotrite c esticu mase m koja se giba u linearnom potencijalu

kx ; x 0
V (x) =
.

;x < 0
Probnu valnu funkciju pretpostavite u obliku

(x) =

Ax exp (x2 )

;x 0

;x < 0

gdje je A konstanta normiranja te varijacijski parametar. Koristeci varijacijski Monte Carlo,

odredite priblino energiju osnovnog stanja. Prikaite graficki dobivenu normiranu valnu
funkciju osnovnog stanja i usporedite ekivalentnu veicinu s distribucijom poloaja etaca. Testirajte ovisnost dobivenih rezultata o proizvoljno postavljenim parametrima simulacije.
Zadatak 4.2.
Koristeci varijacijski Monte Carlo s probnom valnom funkcijom
(x) = N ex

gdje je N konstanta normiranja, a varijacijski parametar, aproskimirajte energiju osnovnog

stanje za c esticu mase 10 mu koja se nalazi u 1D potencijalu
V (x) = x4

=1K

gdje je x udaljenost izraena u angstremima (). Usporedite dobivenu vrijednost energije s

egzaktnim rjeenjem
1/3

E0 = 2.2837 10

s

~
2mkB

s

2
1.06

~
2mkB

2
.

Vodite racuna o udjelu prihvacenih pomaka. Prikaite graficki dobivenu normiranu valnu
funkciju osnovnog stanja i usporedite ekvivalentnu velicinu s distribucijom poloaja etaca.
Testirajte ovisnost dobivenih rezultata o proizvoljno postavljenim parametrima simulacije. Za
fizikalne konstante uzmite: ~ = 1.054571726 1034 J s, kB = 1.3806488 1023 J K1 ,
mu = 1.660538921 1027 kg.

127

Zadatak 4.3.
Promotrite c esticu mase m koja se giba u standardnoj beskonacnoj potencijalnoj jami

V (x) =

; |x L/2| L/2
; |x L/2| < L/2

modificiranoj smetnjom
Vs (x) =

V0
x
L

Probnu valnu funkciju pretpostavite u obliku

(x, ) =

; |x L/2| L/2

Ax (x L) eax

; |x L/2| < L/2

gdje je A konstanta normiranja te varijacijski parametar. koristeci varijacijski Monte Carlo,

odredite priblino energiju osnovnog stanja. Prikaite graficki dobivenu normiranu funkciju osnovnog stanja i usporedite razdiobu poloaja etaca s njenim odgovarajucim egzaktnim rjeenjem. Testirajte ovisnost dobivenih rezultata o proizvoljno postavljenim parametrima simulacije.

Zadatak 4.4.
Promotrite c esticu mase m koja se giba u potencijalu
V (x) =

x4 ax3 a2 x2
+

4
4
8

Odredite klasicne tocke stabilne ravnotee te konstruirajte probnu valnu funkciju



2
(x, ) = A exp (x x0 )
2
gdje je x0 prethodno izracunati globalni minimum potencijala, A konstanta normiranja te
varijacijski parametar. Koristeci varijacijski Monte Carlo, odredite priblino energiju osnovnog
stanja za izbor
~2
=
ma6
Prikaite graficki dobivenu normiranu valnu funkciju osnovnog stanja i usporedite ekivalentnu
veicinu s distribucijom poloaja etaca. Testirajte ovisnost dobivenih rezultata o proizvoljno
postavljenim parametrima simulacije.
Zadatak 4.5.
Promotrite adsorpciju klastera 4 Hen na grafenu. Grafen, alotropska modifikacija ugljika (C) de
bljine svega jednog atoma, primjer je 2D supstrata. Cine
ga atomi C posloeni u pravilnoj struk128

turi pcelinjeg saca. Dakle, svaki atom C vezan je s tri druga C vezama duljine c = 1.42 koje
zatvaraju kutove od 120o . Stoga ih ovdje aproksimiramo materijalnim tockama posloenima u
xy ravnini u c voritima pravilne strukture dobivene takvim slaganjem pravilnih esterokuta da
susjedni imaju zajednicku stranicu. Dio takve strukture prikazan je u donjem desnom kutu crt.
4.13. Za period ravnine grafena moemo proizvoljno odabrati poloaj pravokutnika aG bG c ije

duljine stranica odgovaraju udaljenosti paralelnih osnovica esterokuta aG = 3c i trostrukoj

duljini osnovice bG = 3c.
4

He na grafenu

, 2.8 )/
103 (x, y

AnIzo (gradijent)
Izo (mrea)

y/
x/
Crte 4.9: Valna funkcija osnovnog stanja 4 He, adsorbiranog na grafenu, (x, y, z), prikazana
je na udaljenosti z = 2.8 iznad periodicnog dijela grafena. Atomi ugljika grafenove mree
nalaze se ispod minimuma. Rezultati modela He-grafen interakcije Izo (ploha s mreom) usporedeni
su s rezultatima modela AnIzo (gradijentna ploha) [27].
Propagacijom diskretizirane trodimenzionalne valne funkcije u imaginarnom vremenu moemo
numericki odredit valnu funkciju osnovnog stanja (x, y, z) atoma 4 He u vanjskom potencijalu
He-grafen. Izdvojeni periodicni dijelovi rjeenja za 2 razlicita korugirana modela He-grafen
interakcije [27], anizotropni (AnIzo) i izotropni (Izo), prikazani su na crt. 4.9, odnosno na
udaljenosti z = 2.8 od pravokutnog periodicnog dijela xy-ravnine (grafena). Rjeenje za
AnIzo model ima nie minimume koji se nalaze tocno iznad 6 ugljikovih atoma. Takoder
ima
izraajniji i drugi ekstrem, odnosno vii maksimum i to u sreditu spomenutog esterokuta.
Valna funkcija ne icezava ni u jednom slucaju unutar prikazanog podrucja, ali zato icezava u
oba slucaja izvan podrucja
1.5 z 6.0 .
(4.33)
a) Moete li iz danih podataka zakljuciti koji model He-grafen interakcije predvida
jacu adsorpciju klastera 4 Hen na grafenu?
129

b) Ako je potencijal interakcije He-C dan Lennard-Jonesovim 6-12 oblikom prikazanim na crt.
3.21, kako biste izracunali potencijalnu energiju Vp (~r) za atom 4 He adsorbiran na grafenu?
Dodatno, pretpostavljajuci da su atomi ugljika razmazani jednoliko po povrini grafena,
odredite potencijal He-grafen ovisan samo o udaljenosti atoma He od ravnine grafena, dakle
o z. Komentirajte formirane modele. Koje su prednosti, a koji nedostaci pojedinih?
c) Na koji nacin treba modificirati probnu valnu funkciju koritenu u primjeru 4.2. kako bi
opisivala adsorpciju klastera 4 Hen na grafenu c ije ponaanje nalikuje tekucini? Kako biste
je modificirali da opisuje klaster 4 He37 c ija struktura lici krutini, odnosno kako biste atome
4
He vezali uz He-cvorita oznacena na crt. 4.13?
d) Ocekujete li jacu ili slabiju adsorpciju pri zamjeni grafena s grafitom ili cezijem?
e) Usporedite vaa razmiljanja s modelima dostupnima u literaturi [27, 28, 29, 30, 31].
Zadatak 4.6.
Promotrite dimer 4 He2 i trimer 4 He3 u slobodnom 3D prostoru. Prilagodite probne valne
funkcija iz primjera 4.2. i 4.3. za dva modela u kojima su He-He interakcije opisane: (A) realisticnim HFDB [2, 27] potencijalom; (B) pravokutnom potencijalnom jamom, irine 7.537 i
dubine 565.44 mK, a koja ima isti efektivni doseg i duljinu rasprenja kao HFDB.
a) HFDB procjene energije osnovnog stanja dimera i trimera 4 He redom iznose: 1.69(2) mK
i 133.24(17) mK. to predvidate
koji c e model, A ili B, na VMC razini dati rezultat blii
danim vrijednostima?
b) Varijacijskim Monte Carlom odredite parametre koji predvidaju
najniu energiju? Koji je

model blii danim vrijednostima?

c) Usporedite svoja razmiljanja i rezultate s modelima dostupnima u literaturi [27, 32].
Zadatak 4.7.
Promotrite klastere 4 HeN 3 HeM u slobodnom 3D prostoru. Za razliku od 4 He koji je bozon,
atom 3 He ima dodatni stupanj slobode povezan s njegovim nuklearnim spinom to mu daje
fermionski karakter. Ipak, zbog iste elektronske konfiguracije, interakcija izmedu
istovrsnih i
raznovrsnih izotopa He opisana je istim potencijalom ovisnim samo o He-He udaljenosti.
a) Prilagodite probnu valnu funkciju koritenu u primjeru 4.2. za M 2. Mogu li se koristiti
isti varijacijski parametri za sve parove?
~ (formiran u prethodnom dijelu zadatka) kada je M > 2?
b) Je li potrebno promijeniti (R)
~ izgledao u slobodnom 2D prostoru?
c) Kako bi (R)
d) Bi li samovezanje klastera trebalo biti jace u 2D ili 3D ili pri adsorpciji?
e) Usporedite svoja razmiljanja s modelima dostupnima u literaturi [30, 33, 34, 35].

130

Zadatak 4.8.
Promotrite klastere (T)N i tekucinu (bulk) spin polariziranog tricija T. Prilagodite probnu
valnu funkciju koritenu u primjeru 4.2..
a) Mogu li se koristiti isti oblici i varijacijski parametri za oba sustava i za sve parove?
b) Bi li sustav bio stabilinij ako bismo T zamijenili sa H?
c) Mogu li se isti oblici valnih funkcija koristi i za osnovno stanje c istih klastera H i mijeanih
klastera T-D?
d) Bi li se probna valna funkcija znacajno mijenjala kada bismo T zamijenila s Al ili Ar.
e) Usporedite svoja razmiljanja s modelima iz literature [33, 34, 36, 37, 35, 38, 39, 40, 41].

4.3

Difuzijski Monte Carlo

DMC metoda omogucuje procjenu, do na statisticku greku, egzaktnog rjeenja Schrdingerove

jednadbe koju moemo u imaginarnom vremenu
it/~

(4.34)

zapisati kao

~ )
(R,
~ ) .
= H(R,

Hamiltonijan H dan izrazom (4.1) ima vlastite funkcije i ,

~ = Ei i (R)
~ ,
Hi (R)

(4.35)

(4.36)

c ije indekse oznacavamo tako za svojstvene vrijednosti (energije) vrijedi E0 < E1 < .
Formalno rjeenje jednadbe (4.35) moemo zapisati u obliku
~ ) = eH (R,
~ 0) .
(R,

(4.37)

~ HamilValnu funkciju, zbog potpunosti baze, moemo razviti po vlastitim funkcijama i (R)
tonijana H,
X
~ 0) =
~ .
(R,
ci i (R)
(4.38)
i

Tada je iz (4.37) i (4.38)

~ ) =
(R,

~
ci eEi i (R)

(4.39)

131

gdje suma ide po svim vlastitim stanjima. Prema tome, u imaginarnom vremenu sva stanja s
Ei > 0 trnu eksponencijalno, dok osnovno stanje energije E0 Ei ima najsporiju stopu trnjenja
u slucaju nevezanog stanja E0 > 0, odnosno najvecu stopu rasta u slucaju vezanog stanja E0 <
0. Kombinacija rastucih i padajucih doprinosa utjece na simulacijsku efikasnost pa evoluciju
stabiliziramo uvodenjem
referentne energije na nacin da ju oduzmemo od Hamiltonijana H,

~ )
(R,
~ ) ,
= (H ER )(R,

(4.40)

odnosno od svih energija Ei . Tada (4.39) postaje

~ ) = e(HER ) (R,
~ 0) =
(R,

~
ci e(Ei ER ) i (R)

(4.41)

to, u limesu beskonacno dugog simulacijskog vremena ( ), osigurava bre nestajanje

komponenti pobudenih
stanja s Ei > ER , dok komponente Ei < ER rastu u imaginarnom

vremenu. Ako je referentna energija dobro odabrana, ER E0 , c ak i nakon kratkog konacnog

~ Znaci, moemo zapoceti
imaginarnog vremena , opstaje samo stanje najnie energije 0 (R).
~ 0), a ono c e, ako nije ortogonalno na osnovno stanje 0 (R),
~
proracun s bilo kojim stanjem (R,
evoluirati u osnovno stanje.
Podeavanje referentne energije, algoritamski se moe ostvariti povremenim mijenjanjem
ER tako to se je izjednacava sa srednjom energijom simuliranog sustava. Time postaje sve
blie i blie energiji osnovnog stanja E0 .
~ 0). Medutim,
Ovime je pokazano da je teorijski moguca evolucija sustava iz (R,
nepoz
nate su vlastite vrijednosti Ei pa je potrebna prakticna metoda izvodenja
evolucije (4.41). Op
erator, odgovoran za evoluciju u imaginarnom vremenu, jest Greenova funkcija
G = e(HER )

(4.42)

G
= (H ER )G .

(4.43)

dana operatorskom jednadbom

Njena je koordinatna reprezentacija matrica s elementima

 E
D 
0  (HER )  ~
0 ~
~
~
G(R , R, ) = R  e
R

(4.44)

pa je Greenova funkcija, za viecesticni Hamiltonijan (4.1), rjeenje jednadbe


~ 0 , R,
~ ) 
G(R
~ ER G(R
~ 0 , R,
~ ) .
= DR~ 2R~ + V (R)

(4.45)

132

4.3.1

Aproksimacija kratkog vremena

Jednadba (4.42) ne izgleda jednostavnija od jednadbe (4.35), ali aproksimacijom kratkih vremenskih intervala postaje priblino rjeiva. Vremenski interval dijelimo na Nuk dijelova s
malim vremenskim korakom = /Nuk
exp ( (H ER )) =

Nuk
Y
k=1

(4.46)

exp ( (H ER )) .

Prema Trotterovom teoremu [42] moe se tijekom vrlo kratkog trenutka zanemariti opcenita
nekomutativnost
~ =
~ 2~
(4.47)
6 V (R)
TV 6= VT 2R~ V (R)
R
kinetickog T i potencijalnog V dijela Hamiltonijana H. Stoga se prvo odredi tijek evolucije za
vrijeme kratkog imaginarnog vremenskog intervala kada se moe pretpostaviti
TV = VT

~ = V (R)
~ 2~
2R~ V (R)
R

(4.48)

to omogucava pronalaenje Greenove funkcije koja odvojeno izvodi kineticku i potencijalnu

evoluciju. Do na 2 , vrijedi
(4.42)

G = e(HER ) eT e(VER )

GT G V .

(4.49)

Racunanje s velicinama, koje ne komutiraju, omogucava Baker-Campbell-Hausdorffova (BCH)

formula [43]


1
1
exp (A) exp (B) = exp A + B + [A, B] + [A B, [A, B]] +
2
12


.

(4.50)

To znaci da postoje nacini procjene efekta aproksimacije (4.49). Npr. prva korekcija bi bila2
1
G GT GV = [V, T] 2 + O( 3 ) .
2

(4.51)

Operator V, poto je dijagonalan, ostavlja stanje na koje djeluje netaknutim

D

  E


~ 0  V  R
~ = V (R)
~
~0 R
~ .
R
R

(4.52)

Njegova je Greenova funkcija [14]



~
(V (R)E
0 ~
0
R )
~
~
~
R R
GV (R , R, ) = e
2

(4.53)

exp (x) = 1 + x/1! + x2 /2! + x3 /3! +

133

rjeenje jednadbe rasta ili raspada



~ 0 , R,
~ )
GV (R
~
~ 0 , R,
~ )
= V (R) ER GV (R

(4.54)

ovisno o predznaku izraza u zagradama. Moe se simulirati procesom grananja gdje broj etaca
~ na desnoj strani.
raste ili opada ovisno o predznaku faktora ER V (R)
Kineticki dio evolucije (4.49) nije dijagonalan jer operator 2R~ utjece na stanje. Greenova
funkcija kinetickog dijela odgovara rjeenju difuzijske jednadbe
~ 0 , R,
~ )
GT (R
~ 0 , R,
~ ) TGT (R
~ 0 , R,
~ )
= DR~ 2R~ GT (R

(4.55)

pa su njeni matricni elementi [14]


 E
~ R
~ 0 )2
(R
0 ~
0  T  ~
~
~
GT (R , R, ) = R  e
 R = (4DR~ )3Na /2 exp
4DR~
D

!
.

(4.56)

Prema tome GT je ekvivalentna 3Na -dimenzionalnom Gaussijanu koji se iri u imaginarnom

vremenu .
Ubacivanjem (4.53) i (4.56) u (4.49) dobivamo ukupnu Greenovu funkciju
!
~ R
~ 0 )2
(
R
~ 0 , R,
~ ) = (4D ~ )3Na /2 exp
G(R
R
4DR~


 
~
exp V (R) ER + O( 2 )

(4.57)

za kratki vremenski korak koja daje energije s linearnom ovisnocu o .

~ 0) predstavljeno ansamblom od Nw konfiguracija (etaca). U
U simulaciji je stanje (R,
~ w , w = 1, , Nw . Greenova
svakoj konfiguraciji imamo Na c estica smjetenih na poloajima R
funkcija (4.57) evoluira sustav kroz 2 procesa [14]:

~ za svaku konfiguraciju i u ovisnosti o predznaku faktora

Grananje: racuna se V (R)


~
~0 R
~ .
e(V (R)ER ) etaci bivaju multiplicirani ili uniteni, a ne pomicu se zbog R
~ R
~ 0 , odnosno ~ri 0 = ~ri + ~ri za 3D Gausijanovu varijablu
Difuzija: difuzni pomak R
~ri s ocekivanom vrijednocu 0 i varijancom i2 = 2Di .

U praksi se ovaj algoritam ne koristi zbog neefikasnosti i velikih numerickih problema.

Potencijal obicno nije ogranicen i etaci mogu lako zaci u podrucja gdje potencijal prakticki
eksplodira. Stoga bismo u jednom koraku morali unititi/stvoriti puno konfiguracija pa bi
njihov ukupni broj divlje oscilirao.

134

4.3.2

Znacajni odabir

Cilj je smanjiti statisticke fluktuacije i numericki postupak ucinili stabilnijim, odnosno sprijeciti
etace da zalaze duboko u podrucja gdje je potencijal divlje odbojan i usredotociti napore u
~ Stoga se u stohasticko rjeavanje uvodi znacajni odabir
umjerena podrucja potencijala V (R).
konstrukcijom nove distribucije
~ ) = (R)
~ (R,
~ )
(R,

(4.58)

~ VMC metodom optimizirana probna valna funkcija. Ovime Schrdingerova jedgdje je (R)
nadba u imaginarnom vremenu (4.35) postaje
h
i h
i
~ )
(R,
2
~
~
~
~
~
~ ) (4.59)
= DR~ R~ (R, ) + DR~ R~ F (R)(R, ) + EL (R) ER (R,

gdje je uvedena pokrata za tzv. driftnu (kvantnu) silu

~
~ 2~ ln |(R)|
~ 2 = 2 R~ (R)
F~ (R)
R
~
(R)

(4.60)

koja igra ulogu vanjske sile u difuzijskom procesu. Izrazi za kvantnu silu i lokalnu energiju
ovise o odabranoj probnoj valnoj funkciji pa se mogu, prije samog simuliranja, primjenom
matematickih operacija lako prevesti u jednostavan analiticki oblik. Driftna sila vodi difuzijski
~ znacajna, odnosno u smjeru gradijenta. Slicno izrazu (4.57),
proces u podrucja gdje je (R)
Greenovu funkciju, koja odgovara jednadbi (4.59), moemo zapisati u obliku
!
2
~ R
~ 0 F~ (R)D
~
(
R
)
~ 0 , R,
~ ) = (4D )3Na /2 exp
G(R
4D
 

 

~ ER R
~0 R
~ + O( 2 ) .
exp EL (R)

(4.61)

Takav je zapis jedno moguce nejedinstveno rjeenje. Name, pitanje je hocemo li voditi etace
~ ili F~ (R
~ 0 )? Opet imamo komutacijski problem
prije ili iza difuzije, odnosno racunamo li F~ (R)
~ + F~ (R
~ 0 )]/2 i za lokalnu
jer drift i difuzija ne komutiraju. U literaturi se c esto koristi [F~ (R)
~ + EL (R
~ 0 )]/2. Vano je da (4.61) ne ovisi eksplicitno o V (R).
~ Sada probna
energiju [EL (R)
~ c ime se dobiva stabilniji
valna funkcija vodi etace u konfiguracije niskih vrijednosti EL (R)
DMC algoritam.

4.3.3

Algoritam drugog reda

DMC algoritam prvog je reda ako je greka ukupne energije linearna u vremenskom koraku
0

EDMC ( ) = E0 (0) + kE

(4.62)
135

Poeljna je konstrukcija algoritma drugog reda

EDMC ( ) = E0 (0) + aE 2

(4.63)

jer omogucava koritenje vecih vremenskih koraka pri kojima u nekim slucajevima nije potrebna
ni ekstrapolacija energije u = 0, EDMC (0) = E0 (0). Energija E0 (0) moe ovisiti i o
drugim parametrima simulacije pa smo s argumentom (0) uz E0 oznacili da je ekstrapolacijom
u = 0 uklonjena samo ovisnost o vremensko koraku . Ako simulacija daje ciljano
~ 0 (R),
~ odnosno ako je uklonjena ovisnost i o
uzorkovanje prema gustoci vjerojatnosti (R)
ostalim parametrima simulacije, tada je E0 (0) = E0 . Indeksom DMC uz simbole energija,
oznacili smo da se radi o energiji dobivenoj DMC algoritmom drugog reda. Energiji dobivenoj
algoritmom prvog reda, kako bismo ih razlikovali, dopisali smo jo 0 .
Prema BCH formuli (4.50) egzaktnu Greenovu funkciju (4.49) moemo aproksimirati
izrazom [44]
0
G e(H ER )
(4.64)
u kojem je

1
1
(4.65)
H0 = H [H, V] + 2 [H 2V, [H, V]] +
2
12
egzaktni Hamiltonijan H s malom smetnjom pa se formalno mogu dobiti DMC rezultati. Zadravanjem samo prvih dvaju c lanova, izraz bi se sveo na popravku (4.51). Prvi c lan smetnje H0 H
icezava izmedu
vlastitih stanja
hi | [H, V] | i i = 0
(4.66)
pa aproksimirana energija osnovnog stanja, odnosno najnia svojstvena vrijednost Hamiltonijana H0 ,
1
E00 = E0 + h0 | H0 H | 0 i = E0 2 h0 | [V, [H, V]] | 0 i + ,
6

(4.67)

odstupa od prave vrijednosti s kvadratom vremenskog pomaka . Osnovno stanje |00 i Hamiltonijana H0 moe se procijeniti racunom smetnje
|00 i

|0 i +

H0 |00 i = E00 |00 i

|10 i

|20 i

+
1
|00 i = |0 i + V |0 i + . (4.68)

Znaci, bez znacajnog odabira primitivna aproksimacija Greenove funkcije vec je kvadratno
ovisna o iako su vlastita stanja prvog reda u .
Medutim,
DMC procjena energije E00 ne pokazuje kvadratnu ovisnost primjenom znacaj
~ ne uzorkuje se |0 (R)|
~ 2 , nego (R)
~ 0 (R).
~
nog odabira. Uvodenjem
valne funkcije (R)

~ 0 (R)
~ predstavlja funkciju gustoce vjerojatnosti populacijskog ansambla, odnosno
Stoga (R)
odreduje
vjerojatnost prema kojoj etaci obilaze konfiguracijski prostor. Energiju, pri znacaj
136

~ 0 (R),
~
nom odabiru, dobivamo [44] usrednjavanjem lokalne energije po distribuciji (R)
0
EDMC
=

h | H | 0 i (4.65)
1
h | [H, V] | 0 i
= E0 +
+
h | 0 i
2
h | 0 i

(4.69)

to daje linearnu ovisnost o .

Kvadratnu EDMC moemo dobiti uzastopnim primjenama BCH formule (4.50). Neeljeni c lan 1. reda moe se ukloniti dekompozicijom produktnog operatora (4.49) na polovice
vremenskog koraka. Takvu dekompoziciju moemo simetrizirati prebacivanjem zadnjeg operatora na prvo mjesto [44]
G00 = e 2 V e 2 T e 2 T e 2 V = e 2 V e T e 2 V
1

(4.70)

to aproksimira Hamiltonijan
1
2 [(2H V), [H, V]] +
24
1
H + 2 H +
24

H00 = H +

(4.71)

s uvedenom pokratom H. Njegova najnia svojstvena vrijednost E000 pokazuje kvadratnu ovisnost o , slicno kao E00 (4.67). Ali, sada se i odgovarajuca energija dobivena u postupku sa
znacajnim odabirom [44]


h | H | 0 i (4.71)
h | H | 0 i
1
2
EDMC
=
= E0 + h0 | H | 0 i
+
h | 0 i
24
h | 0 i
(4.72)
ponaa kao (4.63). Time je pronadena
aproksimirana Greenova funkcija (4.70) koja daje kvadra
tnu ovisnost DMC energije o . Medutim,
implementacija algoritma, koji odreduje
nejedin

stvenu dekompoziciju operatora kao u (4.70), pri rjeavanju jednadbe (4.59), moe algoritam drugog reda pretvoriti u algoritam prvog reda. Nacin kombiniranja deterministicke driftne
(vucne) sile i stohastickog Gaussovog pomaka nije jedinstven. Nesimetrican nacin kombiniranja lako moe dati [44] ovisnost DMC algoritma u prvom redu. Stoga c emo u sljedecem
poglavlju detaljno promotriti algoritam koji daje kvadratnu ovisnost.
Na prvi pogled se c ini da je razvoj kodova za DMC vieg reda jednostavno ostvariv.
Medutim,
Suzuki [45] je pokazao kako se u razvoju

00
EDMC

e(T+V) =

N
Y

eai T ebi V

(4.73)

i=1

moe ici samo do 2. reda ako elimo izbjeci negativnost koeficijenata ai i bi . Negativni ai znacio
bi difuziju unatrag u vremenu to je simulacijski vrlo nezgodno. Suzukijev ne-ide teorem znaci
samo da se algoritam, reda vieg od 2., mora temeljiti na drugacijem tipu operatora od onih u

137

jednadbi (4.73).
Ekspanzija Greenove funkcije nije samo MC zadatak. Nedavno su Auer, Krotschek i
Chin [46] objavili primjenu algoritma 4. s grekom O( 4 ) pri rjeavanju netrivijalnih 3D
Schrdingerovih jednadbi.

4.3.4

Tri operatora

Tri c lana na desnoj strani jednadbe (4.59) odgovaraju djelovanju triju operatora na funkciju
~ )
(R,

h
i h
i
~ )
(R,
~ ) + D ~ ~ F~ (R)(
~
~ ) + EL (R)
~ ER (R,
~ )
= DR~ 2R~ (R,
R,
R R

~ ) A(R,
~ ) ,
[A1 + A2 + A3 ](R,
(4.74)

a njihovo djelovanje moemo interpretirati koristeci analogone klasicnih diferencijalnih jednadbi [15]. Operator A1 opisuje slobodnu difuziju s difuzijskom konstantom DR~ , A2 opisuje
djelovanje driftne sile kao posljedice postojanja vanjskog potencijala, dok A3 opisuje stvaranje
i ponitavanje etaca. DMC sa znacajnim odabirom temelji se na simuliranju jednadbe (4.59).
Medutim,
pokazalo se jednostavnijim simulirati integralni analogon

~ 0 , + ) =
(R

~ 0 , R,
~ )(R,
~ )dR
~
G(R

(4.75)

~ R
~ 0 tijekom vredefiniran Greenovom funkcijom koja predstavlja vjerojatnost prijelaza R
menskog intervala , a c iji je matricni element
 E
D 
~ 0 , R,
~ ) = R
~ 0  eA  R
~
G(R

(4.76)

ovdje zapisan u koordinatnoj reprezentaciji. Znaci, u DMC algoritmima racuna se aproksima~ 0 , R,

~ ) za kratki vremenski interval . Sukcesivnim
tivna vrijednost Greenove funkcije G(R
~ 0 , )
iteracijama, nakon dovoljno dugog vremena, postie se asimptotsko ponaanje (R
kojim efektivno uzorkujemo ponaanje osnovnog stanja.
U prvim primjenama DMC metode, koritene su primitivne aproksimacije kao u (4.61)
koje za posljedicu imaju linearnu ovisnost energije o vremenskom koraku . Razvojem eksponenata operatora u vie redove po dobiva se znacajno bolje ponaanje, ali to znacajno
usporava simulaciju zbog sloenijih algoritama. Dobar kompromis algoritamske kompleksnosti
i efikasnosti dobije se koritenjem kvadratnog DMC-a kojeg ovdje prezentiramo. Greenovu

138

~ 0 , R,
~ ) aproksimiramo analogno (4.70), ali sada koristeci 3 operatora [15]
funkciju G(R





exp (A ) = exp A3
exp A2
exp (A1 )
2
2





exp A2
exp A3
+ O( 3 ) .
2
2

(4.77)

Napominjemo kako je (4.77) jedna od vie mogucih dekompozicija, a na njenu nejedinstvenost

ukazali su Rothstein et al. [47] i Chin [44]. Prethodno navedena dekompozicija integralni oblik
Schrdingerove jednadbe (4.75) prevodi u oblik



Z  



0 ~
~
~
~
~ 2, R
~ 3 ,
G3 R , R1 ,
G2 R1 , R2 ,
G1 R
2
2




~ )dR
~ 1 dR
~ 2 dR
~ 3 dR
~ 4 dR
~ (4.78)
~ 3, R
~ 4 , G3 R
~ 4 , R,
~
G2 R
(R,
2
2

~ 0 , + ) =
(R

u kojem svaka produktna Greenova funkcija Gi predstavlja djelovanje jednog operatora Ai .

Djelovanje operatora A1 opisuje G1 c ije je rjeenje prema (4.56)
!
0 2
~
~
~ 0 , R,
~ ) = (4D ~ )3Na /2 exp (R R )
G1 (R
R
4DR~


Na
Y
(~ri ~ri 0 )2
3/2
=
(4Di )
exp
4Di
i=1

(4.79)

ekvivalentno 3Na -dimenzionalnom Gaussijanu koji se iri tijekom vremena . U DMC simu
laciji realizira se sa Na izotropnih pomaka Gaussove razdiobe s varijancom 2Di . Najcece
se ostvaruje pozivanjem generatora gasdev [1] posebno za svaki Gaussov koordinatni pomak.

Kako bi varijance bile uskladene,

generirani broj mnoi se sa 2Di . Ovaj dio algoritma

neovisan je o probnoj valnoj funkciji pa moe odvesti c estice u bilo koji dio prostora, c ak i
~ zanemariv i gdje se potencijali ponaaju divlje odbojno to moe dovesti
tamo gdje je (R)
do nestabilnosti algoritma. Medutim,
ovakve nestabilnosti mogu biti i poeljne jer upozoravaju

na koritenje prevelikih vremenskih koraka za koje ne vrijede temeljne pretpostavke DMC

metode uvedene u prethodnim poglavljima.
Pomicanje, koje je posljedica pojavljivanja driftne sile u A2 , opisuje Greenova funkcija


~ 0 , R,
~ ) = R
~ 0 R(
~ )
G2 (R

(4.80)

~ ) rjeenje jednadbe
gdje je R(
~ )
dR(
~ ))
= DF~ (R(
(4.81)
d
~
~ Kako bi se zadrala kvadratna ovisnost u vremenkoje zadovoljava pocetni uvjet R(0)
= R.
skom koraku, prethodnu diferencijalnu jednadbu moramo rijeiti integracijskom metodom 2.
139

~ odvlaci difuzijski proces u

reda. Driftna sila (4.60), koja djeluje u smjeru gradijenta (R),
~ znacajan. Medutim,
podrucja gdje je (R)
zbog njenog divergentog karaktera u podrucjima

~
gdje je (R) zanemariv, moe uzrokovati nestabilnost proracuna ako nerealno razbaci etace. Npr. moe premjestiti dio c estica predaleko tako da je potreban ogroman broj vremenskih
koraka kako bi se ponovno uspostavilo ravnoteno uzorkovanje.
Treca Greenova funkcija

 

0 ~
0
~
~
~
~
G3 (R , R, ) = exp (EL (R) ER ) R R ,

(4.82)

koja je kljucni c lan DMC metode, analogno (4.53) opisuje proces stvaranja ili unitavanja etaca, ovisno o razlici referentne energije ER i lokalne energije EL pojedinog etaca. Na taj
~
~
~
nacin svakom etacu pridruuje statisticku teinu
W
n
o (R). Ovisno o W (R), svaki se etac Rw
~ w . etaci lokalne energije EL (R
~ w ), nie od
multiplicira ili eliminira s populacijske liste R
referentne ER , multipliciraju se nw puta, a oni energijski nepovoljniji imaju vecu vjerojatnost
~ 2 pa bi u
ponitavanja. Za fiksni W = 1, DMC bi uzorkovao populaciju etaca prema |(R)|
tom slucaju simulacija dala iste rezultate kao VMC proracun.
Ako se pod djelovanjem operatora A1 i A2 stvori kritican broj spomenutih nepoeljnih
pomaka, dolazi djelovanjem A3 do ponitavanja i stvaranja ogromnog broja konfiguracija i velikih fluktuacija ukupnog broja etaca; proracun postaje nestabilan i moe doci do nestabilnosti
simulacije, npr. zbog prelijevanja polja koritenih u kodu. To nam onda ukazuje na preveliku
vrijednost vremenskog koraka.
~ dijela lokalne energije (4.5)
Optimiziramo proracun lokalne kineticke energije ELk (R),
N

a
X
~
H(R)
p ~
k ~
k
~ .
~
= EL (R) + EL (R) =
ELi
(~ri ) + V (R)
EL (R) =
~
(R)

(4.83)

Lokalni kineticki doprinos atoma i

k
ELi
(~ri ) = Di

2i (~ri )
(~ri )

(4.84)

transformacijom
2i

i (i )
=

1
2

2i



~

i
i
1
=
2

(4.85)

postaje odrediv iz rezultata dobivenih za kvantnu silu (4.60)

k
ELi
(~ri )


= Di


1
1 ~
~
~
i Fi (~ri ) + Fi (~ri ) Fi (~ri ) .
2
4

(4.86)

140

Primjer 4.5.
Izrazite lokalnu energiju (4.83) za sustav iz primjera 4.2. racunajuci lokalni kineticki doprinos
na optimizirani nacin (4.86) za neki opci oblik dvocesticnih korelacijskih funkcija fij (rij ).J
Lokalni kineticki doprinos atoma i odrediv je prema (4.86) iz kvantne sile (4.60), odnosno njene
polovice
i1
Na
X
i fij
i (4.25) X i fji
1~
=
+
.
(4.87)
Fi =
2

f
f
ji
ij
j=1
j=i+1
Definiramo li udaljenost izmedu
atoma i i j sa
1

rij = |~rj ~ri | = (xj xi )2 + (yj yi )2 + (zj zi )2 2 ,

(4.88)

tada vrijedi
~rij
~rij
xj xi
xij
=
=

,
xi
xj
rij
rij
fij
fij

=
xi
xj

(4.89a)
(4.89b)

te analogno za ostale komponente. Prema tome suprotne c lanove kvantne sile (4.87) moemo
zapisati istim izrazom
j fij (rij )
i fij (rij )
=
= fijdr (rij )~rij

(4.90)
fij (rij )
fij (rij )
u kojem je uvedena funkcija
f dr (r)

df (r)
dr

f (r) r

(4.91)

radi jednostavnije prilagodbe izraza razlicitim oblicima korelacijskih funkcija f . Dakle, kvantna
sila na atom ~ri iznosi
Na
X
~
~
Fi (R) = 2
fijdr (rij )~rij .
(4.92)
j=1
j6=i

Za lokalni kineticki doprinos (4.86) atoma i potrebna je i divergencija kvantne sile

~ =2
i F~i (R)

Na
X

fijddr (rij ) ,

(4.93)

j=1
j6=i

gdje je radi jednostavnije implementacije u algoritmu uvedena funkcija

f ddr (r)

df dr (r)
r + 3 f dr (r) .
dr

(4.94)

Dakle, lokalnu energiju vezanja (4.83) klastera 4 HeN (T)M dobivamo sumiranjem lokalne po-

141

tencijalne energije (4.24) i lokalne kineticke energije

~
ELk (R)

Na
X
i=1

Na
Na
X
X

ddr

Di
fij (rij ) +
fijdr (rij )~rij

j=1
j6=i

(4.95)

j=1
j6=i

dobivene sumiranjem doprinosa pojedinih atoma (4.86) definiranih preko kvantne sile (4.92) i
njene divergencije (4.93).
Primjer 4.6.
Odredite konacan izraz prilagoden
za kodiranje za lokalnu energiju (4.83) trimera ABC iz primjera 4.3. racunajuci lokalni kineticki doprinos na optimizirani nacin (4.86).J
Lokalna kineticka energija opisana je ponovno relacijom (4.95) za Na = 3
h
h

2 i

2 i
ddr
ddr
dr
dr
dr
ddr
ddr
dr
~ = D1 f12
~r23
~r21 + f23
+ f21
+ f23
~r13
D2 f21
ELk (R)
+ f13
+ f12
~r12 + f13
h

2 i
ddr
ddr
dr
dr
D3 f31
+ f32
+ f31
~r31 + f32
~r32
.
(4.96)
Prema (4.96) lokalna kineticka energija u RoVo modelima opisana je izrazima

[k r tan1 (k r) 1] r2
;
(4.91)
ij
ij
fijdr (r) =
[k r tan1 (k R ) 1] r2 ;
ij
ij ij



k r 2 tan1 (k r) k r sin2 (k r) 1 r2 ;
(4.94)
ij
ij
ij
ij
fijddr (r) =
[2k r tan1 (k R ) 1] r2
;
ij

ij

ij

r Rij

(4.97a)

(4.97b)

r > Rij
r Rij
r > Rij

gdje su kij i Rij vrijacijski parametri.

~ ) stohasticki je predocena skupom Nw etaca R
~ w . Svaki se
Gustoca vjerojatnosti (R,
etac, pod djelovanjem triju mehanizama Gi u imaginarnom vremenu, pomice kroz konfiguracijski prostor. Ako je ispunjeno:
~ 0) i 0 (R)
~ razlicit je od nule;
(U0) preklop (R,
~ za koji je 0 (R)
~ 6= 0, takoder
~ 6= 0;
(U1) za svaki R
je i (R)
~ ) = (R)(
~
~ );
(U2) ansambl etaca je dovoljno velik kako bi se moglo uzorkovati (R,
R,
(U3) vremenski korak dovoljno je mali kako bi vrijedila dekompozicija (4.78);
~ ) 0 (R);
~
(U4) vrijeme dovoljno je veliko da utrnu komponente pobudenih
stanja (R,

tada populacija etaca odgovara gustoci vjerojatnosti

~ ) = (R)
~ 0 (R)
~ .
(R,

(4.98)

Dakle, sustav prelazi u osnovno stanje c ije se karakteristike tada mogu poceti odredivati
anali
~
~
zom dovoljnog broja konfiguracija uzorkovanih prema (R)0 (R).
142

DMC algoritam odreduje

evoluciju ansambla etaca
n

~w
R

~0 = R
~0
R
i+j
p(w)


)
w1

X

nm ; 1 j nw
i=


(4.99)

m=1

gdje indeks p(w) oznacava da se radi o potomcima w-tog etaca koji su isti, a ukupno ih ima
~ w , odnosno R
~0
nw . U zapisu su poloaji R
ceni s onima u kojima se racunaju lokalna
p(w) poistovje
~w u R
~0
energija i ostale velicine od interesa. Medutim,
etac iz R

p(w) dolazi kroz niz medustanja

(medupoloaja),
odnosno sukcesivnim medukoracima.
Kako medukoraci
nisu konacni poloaji,

m
~ m . U algoritmu
u zapisu algoritma, eksponentom oznacavamo da se radi o medukoracima
R

i
drugog reda [48] ti su medukoraci
definirani
dekompozicijom
(4.78).
Za
predvi
danje
evolu

~ w ili neki od njegovih

cije etaca, dovoljno je iz prethodnog koraka poznavati njegov poloaj R
m
~ w,i
~ w ). Almedupoloaja
R
, a efikasnije je pamtiti i lokalnu energiju iz prethodnog koraka EL (R

~ w , iz prethodnog koraka pamtimo medukogoritamski je jednostavnije izvedivo, ako umjesto R

m
m
~ i lokalnu energiju izracunatu u R
~ w . Optimalno je uzeti R
~ koji odgovara oznaci R
~3 u
rak R
w
w
dekompoziciji (4.78). Ostali medukoraci
slue nam kao privremene varijable pri odredivanju

m
~
~m
medustanja
do sljedeceg R

p(w) . Prema tome, za njihovu su pohranu dovoljna dva polja, Ra i

~ m , koja ne moraju sadravati informacije o prethodnom etacu ili koraku. Dakle, ansamblu
R
b
etaca u algoritmu je pridruen ansambl identifikacijskih parova
n

~w
R

n


o

m
~
~
Rw , EL  EL = EL (Rw ) S

(4.100)

kojim je definirano ponaanje ansambla etaca tijekom jednog koraka kada se odreduje
ansambl
0
identifikacijskih parova S potreban za sljedeci korak. U prvom koraku ucitavamo S iz prethodno
pohranjenih vrijednosti ili se mogu nasumicno odrediti poloaji u S i izracunati njihove energije. Na pocetku svakog koraka ponitavamo S 0 = i odredujemo
ga tijekom koraka na

osnovu S, a na kraju koraka radimo zamjenu S = S 0 . Tijekom jednog koraka k DMC simu~ w , c iji je identifikacijski par
lacije, shematski
moemo prikazati na koji nacin pojedini etac R


~ m , EL odreden
R
u prethodnom koraku, optimizirano plee [15]:
w
DMC algoritam
m
~ am = R
~w
~ gdje je R
~ nasumicno odabran iz 3Na Gaussove
Gaussov pomak: R
+R
~ 2 /(4D ~ ).
razdiobe s eksponentom (R)
R
m
~ ).
Racunanje driftne sile: F~a = F~ (R
a

Pomocni driftni pomak:

=
F~a .
+ DR~
2
~ m ).
Racunanje driftne sile: F~b = F~ (R
b
~a +F
~b
F
~0
~m
~m = R
~0 .
Srednji driftni pomak: R
, pohranimo u R
~ 2
b
p(w) = Ra + DR
p(w)
2
0
0
0
0
~
~
~
~
Racunanje driftne sile i lokalne nenergije: F = F (R
), EL = EL (R
).
~m
R
b

~m
R
a

p(w)

p(w)

m
~w
~ am + D ~ F~ 0 .
Konacni driftni pomak: R
=R
R

143






1
0
~0
Odredivanje
statisticke teine: W R

p(w) = exp 2 (EL + EL ) ER .

h
i


~0
Stohasticka procjena broja potomaka: nw = int W R
+
ran2
.
p(w)
P
P
Akumulacija lokalnih energija:
Ek,w =
Ek,w + nw EL0 .
~ 0 , odnosno njihovih identifikacijskih parova u novi
Kopiranje potomka R
p(w)

ansambl:

(
S0 = S0


)
w1

X

m
0
~ ,E  i =
R
nm ; 1 j nw
.
i+j
L


(4.101)

m=1

U svakom dijelu simulacije moemo pohranjivati vrijednosti velicina od interesa ili usrednjene velicine. Analogno VMC metodi i ovdje simulaciju cijepamo na Nb dijelova koje zovemo
blokovi kako bismo lake kontrolirali to se dogada
s energijom ili estimatorima koji procjenjuju
ostale velicine, a koji su objanjeni u sljedecem poglavlju. Kao u (4.32), grupiramo sukcesivne
nepreklapajuce nizove od Nk koraka k u Nb blokova b. Nakon svakog bloka pohranimo prosjecne vrijednosti velicina. Kao to smo vidjeli u opisu VMC metode, prije pocetka prikupljanja
podataka, obicno se odbaci dio pocetnih blokova kako bismo procijenili pocetak ravnotenog
~ 2 . Procjene se vre na temelju ponaanja energija EVMC i E b .
uzorkovanja prema |(R)|
VMC
b
Ovdje moemo na isti nacin definirati EDMC i EDMC kako bi smo na slican nacin procijenili
kada je u DMC postupku dolo do trnjenja pobudenih
komponenti, odnosno od kada je popu
~ 0 (R).
~ Dakle, potrebno je procijeniti kada biva ispunjen
lacija etaca uzorkovana prema (R)
uvjet (U4) za (4.98). U tom je trenutku Nb Nk zgodno resetirati blokove (b = 0) te od tada
prikupljati podatke. Odbacivanjem Nb blokova DMC simulacije od ukupno Nub blokova ostane Nb = Nub Nb blokova unutar kojih bi populacija etaca trebala biti uzorkovana prema
~ 0 (R).
~ Koristeci dobivene E b , moe se napraviti dodatna procjena tako da kao na crt.
(R)
DMC
4.10 odbacimo odredeni
postotak pocetnih blokova, a potom dobiveni niz blokova podijelimo

na 2 jednaka dijela
b = 1 Nb b = 0 b = 1 b = Nb /2 b = Nb /2 + 1 b = Nb
{z
}|
{z
}
|
{z
}|
EDMC1
EDMC2
odbaceno

(4.102)

U svakom dijelu nezavisno izracunamo EDMC1,2 i blokiranjem procijenimo pripadne im devijacije c ije je racunanje objanjeno u poglavlju 2.7.1. Usporedbom jednakosti EDMC1 i EDMC2
do na devijacije, moemo procijeniti nakon kojeg bloka dolazi do ravnotenog uzorkovanja.
U DMC simulacijama, c iji su rezultati prezentirani ovdje prilikom tumacenja metode,
etace nismo rasporedivali
nasumicno kao u prvim VMC simulacijama, vec smo ih postavljali

~
~ Na taj je nacin
u zavrne poloaje VMC simulacija koji su uzorkovani prema (R)(
R).
lake zadovoljen uvjet (U0) za (4.98). Nakon jednom provedene odgovarajuce DMC simulacije,
~ 0 (R)
~ jer u takvim
smjetali smo ih u njene zavrne poloaje koji su uzorkovani prema (R)

144

-11

= 610-7 mK-1
EDMC za N-b = 0
EDMC za N-b = 100
EDMC za N-b = 200
EDMC za N-b = 300
EDMC za N-b = 400
EDMC za N-b = 500

EDMC / K

-11.1

-11.2

4He

20

na G(AnIzo/0)

-11.3

-11.4

-11.5
0

100

200

300

400

500

600

700

800

900

1000

b / 500 koraka

Crte 4.10: Energije samovezanja EDMC za klaster 4 He20 adsorbiran na povrini grafena (G). Za
interakcije je koriten AnIzo/0 model (anizotropne interakcije bez McLachlanove [27]). Procjena je napravljena koritenjem referentnog broja od 3000 etaca c iji su pocetni poloaji preuzeti
iz prethodne DMC simulacije. Uzorci su skupljani tijekom 1000 Nb zadnjih blokova po 500
koraka.
slucajevima vecinom nije potrebno odbacivati pocetne blokove to se vidi iz rezultata takve
jedne simulacije prikazanih na crt. (4.10). Medutim,
provjere je ipak najbolje napraviti za

svaku provedenu simulaciju posebno.

Ako uvjet (U1) za (4.98) nije ispunjen, c esto uzrokuje nestabiliziran proracun i ogromne
popravke VMC energija. Pri pojavi takvih efekata, koji se najcece javljaju u jako ogranicenim
sustavima, potrebno je dodatno optimizirati valne funkcije i na DMC nivou kako bismo bili sigurni da je ispunjen uvjet (U1). Provjera uvjeta (U2) i (U3) objanjena je u sljedecem poglavlju.

4.3.5

Aproksimacija fiksnih c vorova

Fermionska valna funkcija mora biti antisimetricna, to znaci da za vie od dvije c estice valna
~ ), koja predstavlja gustocu vjerofunkcija mora mijenjati predznak. S druge strane (R,
jatnosti, mora uvijek biti 0. Ovo je moguce zadovoljiti samo ako i zajedno mijenjaju
predznak i stoga imaju iste c vorove.
Za sustav od N fermiona u tri dimenzije c vorovi zauzimaju 3N-1 dimenzionalne hiperpovrine i dijele prostor na c vorne volumene. Svi c vorni volumeni ekvivalentni su u osnovnom
stanju. Medutim,
egzaktna povrina c vorova opcenito nije poznata pa se problemu c esto pris
tupa tako da se fiksiraju c vorovi probne valne funkcije. Ovakav postupak je stabilan i varijacijski, tj. dobija se gornja granica energije [12].
145

Fiksiranje c vorova izvodi se kontrolom predznaka funkcije . Odbacuju se pomaci za

~ 0 )/(R)
~ < 0, pri c emu su R
~ iR
~ 0 stara i nova "pozicija" etaca.
koje vrijedi (R
Ista se aproksimacija koristi i u slucaju pobudenih
stanja.

4.3.6

Otputanje c vorova

U principu je moguce korigirati ogranicenje fiksnih c vorova, a tehnika kojom se to postie

naziva se otputanje c vorova (released node - RN). etacima se dozvoljava da prijedu
c vornu
povrinu koju im namece probna valna funkcija te preive konacno vrijeme t.
~ koja je svuda
To se postie uvodenjem
pomocne valne funkcije koja vodi proces g (R),

~ kad se udaljimo od c vorova, a razlicita je od nule u c vorovima.

pozitivna, pribliava se |(R)|
Funkcija
2 ~
2 1/2
~ = J (R)(
~
g (R)
(4.103)
A (R) + a )
postie navedeni cilj uz prikladan odabir parametra a. Energija fermionskog sustava Er (ili
energija pobudenog
stanja) procjenjuje se putem eksponencijalnog fita

E(t) = Er + Ae(t/ ) ,

(4.104)

gdje je t vrijeme otputanja. Radi se c esto o malim popravkama, kao to je vidljivo na Crt. 4.11.

Crte 4.11: RN energija kao funkcija vremena otputanja t za klaster 3 He4 4 He4 i vremenski
korak 0.7x106 mK1 . Ekstrapolirana energija je u svim slucajevima unutar greke jednaka
energiji za najvece razmotreno vrijeme t.

146

4.4

Estimatori

Eksperimentalnim mjerenjima odreduju

se srednje vrijednosti fizikalnih velicina, a u MC si
mulacijama koristimo estimatore koji vracaju ocekivane vrijednosti dobivene usrednjavanjem
velicina definiranih preko uzorkovanih poloaja. VMC uvijek daje vrijednosti estimatora za
~ pa su rezultati to blii pravima to je optimizirana valna
koritenu probnu valnu funkciju (R)
~ Komponente pobudenih
funkcija blia 0 (R).
stanja trnu u DMC-u pa je moguce eliminirati

ovisnost o valnoj funkciji koja slui za znacajni odabir.

Za odredivanje
stabilnosti promatranog kvantnog sustava i za stvaranje slike o njegovoj

prirodi uz energiju, koju odredujemo

mijeanim estimatorima definiranim u poglavlju 4.4.1,

vrlo je vano precizno odrediti i druge relevantne fizikalne osobine, poput strukture, koritenjem takozvanih c istih estimatora definiranih u poglavlju 4.4.2. Prostornu sliku sustava moemo
predociti odredivanjem
srednje udaljenosti njegovih sastavnica, razdiobe medu

cesticnih udaljenosti i razdiobe udaljenosti c estica od centra mase. Na primjer, u slucaju jake adsorpcije
na grafenu, zbog ocekivane velike spljotenosti klastera, ima smisla promatrati razdiobu udaljenosti projekcija c estica u ravnini grafena. Prostornu razdiobu adsorbiranih atoma zgodno je
predocili crtanjem 3D distribucija u ovisnosti o udaljenosti c estica od supstrata i o udaljenosti
projekcija c estica od projekcije centra mase na supstrat kako bismo lake procijenili mogucu
pojavu rubnih stanja pojedinih komponenti mijeanih sustava.

4.4.1

Mijeani estimatori

DMC algoritam sa znacajim odabirom uzorkuje populaciju etaca prema mijeanoj raspodjeli
~ ) = (R)(
~
~ ). Ako su ispunjeni uvjeti (U1) (U4), vrijedi (4.98) pa mijeani
(R,
R,
estimator definiramo kao srednju vrijednost operatora F [15]


E


~
~
~
D
E
(R)  F(R)  0 (R)
~

D
E
F(R)
=
m
~  0 (R)
~
(R)
D

(4.105)

~ Prema tome, opcenito

iz c ega se na prvi pogled vidi ovisnost o probnoj valnoj funkciji (R).
~ 6= 0 (R).
~ Ipak, mijeani estimator daje egzaktnu
ne daje egzaktan rezultat jer je vecinom (R)
vrijednost [15] ako se radi o Hamiltonijanu sustava
F=H

(4.106)

[F, H] = 0 .

(4.107)

ili ako komutira s Hamiltonijanom

Vrijednost bilo kojeg c istog estimatora u simulaciji procjenjujemo analognim postupkom kao
lokalnu energiju. Direktnim usrednjavanjem vrijednosti energija dobivenih tijekom Nb Nk ko147

raka moe se procijeniti energija osnovnog stanja promatranog sustava. Iz energije osnovnog
stanja moemo, izmedu
ostalog, izvuci odgovore na pitanja o stabilnosti klastera u osnovnom
stanju i utjecaju fizisorpcijskog potencijala na samovezanje. U slucaju bulk sustava dobivamo
jednadbu stanja iz koje onda moemo odrediti ovisnost tlaka i brzine zvuka o gustoci.
Dobra procjena E0 postie se ispunjavanjem uvjeta (U1)-(U4) te eliminacijom ovisnosti
energije o svim proizvoljno postavljenim parametrima simulacije poput srednjeg broja etaca
Nw i vremenskog pomaka c iji se utjecaj ipak moe smanjiti koritenjem algoritma 2. reda iz
poglavlja 4.3.4. Za ovaj algoritam karakteristicno odstupanje energije (4.63) ovisno o kvadratu
vremenskog pomaka vidljivo je i iz rezultata prikazanih na crt. 2.3 i 4.12. Stoga je potrebno
proracunati EDMC ( ) za razlicite velicine dovoljno malih vremenskih pomaka . Zatim
se, za dani broj etaca, koristeci (4.63) ekstrapolacijom u EDMC (0) moe procijeniti energija
osnovnog stanja koja odgovara nultom vremenskom pomaku = 0. Na taj je nacin uklonjena ovisnost energije o koritenom vremenskom koraku. Primjer ekstrapolacije prikazan je
na crt. 4.12 gdje se vidi i njena ovisnost o broju etaca. Povecavanjem referentnog broja etaca
Nw dolazi do konvergencije energije te nakon dovoljno velikog broja etaca dobivena energija
prestaje ovisiti o njima. Ako povecavamo Nw , a vrijednosti ne konvergiraju ocekivano brzo, en-29

Nw = 20000
Nw = 10000
Nw = 5000
Nw = 1000
Nw = 500
Nw = 100

-29.2

EDMC / K

-29.4

4He

20

na Cs(LJ)

-29.6
-29.8
-30
-30.2
-30.4
0

8
/

10-7

10

12

14

16

mK-1

Crte 4.12: Ekstrapolacija DMC energija samovezanja EN za 4 He20 , adsorbiran na ceziju (Cs),
za razlicit referentni broj etaca Nw naveden na crt. Koriteni su potencijali HFDB [2] i LJ [?].
Uzorci su skupljani tijekom max {2 106 /Nw , 500} blokova po 2000 koraka.
ergiju, koja odgovara beskonacnom broju etaca E0 (), moemo procijeniti ekstrapolacijom,
odnosno fitanjem funkcije
EDMC (Nw ) = Nw + E0 ()
(4.108)
s parametrima , < 0, E0 (), na ekstrapolirane vrijednosti EDMC (Nw ) = EDMC (Nw , =
148

0), dobivene odvojeno za razlicite Nw .

U konacnici nam je bitna DMC procjena EDMC energije osnovnog stanja E0 . Obicno se
promatra u ovisnosti EDMC (x) gdje je x neki od parametara DMC simulacije. Kako bi jednostavnije zapisali razne oblike te energije specificirane nekim indeksom, isputamo indeks DMC
u zapisu konacnih procjena
E EDMC ( 0, Nw ) = E0

(4.109)

u kojima je eliminirana ovisnost o parametrima simulacije.

Primjerice, promotrimo klaster An Bm koji se sastoji od n atoma A i m atoma B. Neka
je klaster adsorbiran na nekom supstratu. Tada njegova ukupna energija sadri Na = n + m
doprinosa adsorpcijskih energija E1a koje su zapravo jednocesticno svojstvo koje ne utjece kvalitativno na svojstva koja nas ovdje zanimaju. Stoga definiramo energiju samovezanja klastera
En,m = E nE1a (A) (Na n)E1a (B)

(4.110)

s tim da u indeksu isputamo drugi dio (, m) u slucaju m = 0. U slobodnom je prostoru E1a = 0,

dakle, En,m = E.
Primjer procjene energije samovezanja E0 () za 4 He30 , adsorbiran na grafenu, prikazan
je na crt. 4.13. EDMC (Nw ) za razlicite srednje brojeve etaca Nw dobivene su koristeci (4.63) za
ekstrapolaciju energija EDMC (Nw , ) u EDMC (Nw , 0) EDMC (Nw ). Nakon toga je funkcija
(4.108) fitana na EDMC (Nw ) te je dobiven E0 ().
Za operatore koji ne komutiraju s H, DMC nam daje samo aproksimativnu vrijednost.
Ako je probna valna funkcija blizu funkcije osnovnog stanja
|0 i = |i + |i ,

(4.111)

neto bolja aproksimacija je ekstrapolirana ocekivana vrijednost

hFekstr i 2 hFim hFiVMC ,

(4.112)

koja se c esto naziva i vrijednocu u aproksimaciji drugog reda. Naime, vrijedi [12]
hFi0 = 2 hFim hFiVMC + O( 2 )
hFekstr i + O( 2 ) ,

(4.113)

gdje je hFi0 egzaktna vrijednost operatora F. Ovu aproksimaciju ima smisla koristiti samo kad
razlika izmedu
VMC i DMC simulacije nije velika.

149

-18

4He

na G (AnIzo/0)

= 0.00-2: EDMC(Nw=7000,=0) = (-20040 60) mK

= 0.70-2: EDMC(Nw=12000,=0) = (-21150 130) mK
= 0.25-2: EDMC(Nw=,=0) = E0() = (-21770 20) mK
EDMC(Nw) = Nw + E0()

-19
EDMC / K

30

-20

-21
He
C
-22
0

6
1000 / Nw

10

Crte 4.13: Za osnovno stanje klastera 4 He30 , adsorbiranog na grafenu (G), prikazana je ovisnost ekstrapoliranih DMC energija samovezanja EDMC (Nw ) = EDMC (Nw , = 0) o broju
etaca Nw i ekstrapolacija na temelju (4.109) za beskonacan broj etaca Nw1 = 0. Poloaji
krute strukture za model AnIzo/0 (anizotropne interakcije bez McLachlanovih [27]) nacrtani
su irim krugovima u odnosu na one koji oznacavaju grafenove ugljike. Parametar oznacava
koliko su atomi He jako vezani uz c vorita prikazane strukture.

4.4.2

Cisti
estimatori

Ovisnost srednje vrijednosti proizvoljnog operatora koji ne komutira s Hamiltonijanom o prob~ moe se eliminirati koritenjem c istih (pure) estimatora [15, 50]
noj valnoj funkciji (R)
D



D
E
~  F(R)
~  0 (R)
~
E
0 (R)
~

D
E
.
F(R)
=
p
~  0 (R)
~
0 (R)

(4.114)

Za procjenu se moe iskoristiti mijeani uzorak ako se prethodni izraz transformira u



+


~

(
R)


~
~  F(R)
~ 0
0 (R)
 (R)
~


(R)


*
+
 (R)
~ 

0
~ 
~
0 (R)
 (R)
~ 
 (R)

*
D

E
~
F(R)
=
p

(4.115)

~ 1 (R)
~ moemo izracunati [51] brojeci potomke etaca R,
~ odnosno njegove multijer 0 (R)
~ w,i prisutnom u koraku i moemo pridruiti
plikacije nakon . Naime, svakom etacu R
statisticku teinu
~ w,i ) = nw (R
~ p(w), )
Wp (R
(4.116)

150

proporcionalnu broju njegovih buducih potomaka nakon koraka. Tada se c isti estimator
(4.115) svodi na
P
D
E
~
~
w,i F(Rw,i )Wp (Rw,i )
~
F(R)
=
,
(4.117)
P
~
p
w,i Wp (Rw,i )
gdje suma ide po svim vremenima, odnosno koracima i i svim potomcima p(w) etaca w u
asimptotskom reimu. Algoritamski se statisticka teina etaca, koji postoji u nekom trenutku
, odreduje
brojeci njegove potomke nw u nekom buducem trenutku 0 + T gdje je

T = Nk vremenski interval dovoljno dug da vrijedi aproksimacija

0
~ w, / ) Wp R
~ w ( ) nw R
~ p(w)
W p (R
( 0 ) .

(4.118)

Ovo je algoritamski ostvarivo uvodenjem

oznacivaca koji tijekom simulacije prate po
tomstvo pojedinog etaca, odnosno broje njegove multiplikacije tijekom intervala T . U simulacijama vremenski interval T odredujemo
grupiranjem sukcesivnih Nk koraka u odvojene

blokove i procjenjujuci, na osnovu konvergencije rezultata, dovoljno velik Nk potreban za dobivanje c istih estimatora. Algoritamski se moe realizirati racunanje teinskih faktora na slican
nacin kao u literaturi [15, 50]. Vrijednosti operatora F racunaju se nakon svakog pomaka etaca
n

~0
R
p(w)

{ Fw }

0
Fp(w)

~w
R

(4.119)

odnosno u svakom koraku

(4.120)

Tijekom istog tog vremenskog intervala , mijenja se referentni broj etaca kroz proces multipliciranja
Nw ( ) Nw ( + ) .
(4.121)
Kako bismo doli do c istih estimatora za F, uvodimo pomocnu varijablu Pw pridruenu svakom
etacu. Ponitimo je na pocetku svakog bloka, a u svakom koraku unutar bloka akumuliramo
{ Pw }

0
0
Pp(w)
= Pw + Fp(w)

(4.122)

0
tako da prethodno akumulirane vrijednosti { Pw } i Fp(w)
pribrajamo onoliko puta nw koliko
0
~
~ w . Nakon Nk koraka imamo Nw ( + Nk ) vrijednosti { Pw }
postoji potomaka R
ca R
p(w) eta
pa prema (4.117) moemo procijeniti vrijednost c istog estimatora

E
~
F(R)
( + Nk ) =
p

1
Nk Nw ( + Nk )

Nw ( +Nk )

Pw

(4.123)

w=1

0
Vrijednosti Fp(w)
( ) u trenutku njihovog racunanja imaju teinski faktor 1. Kroz proces
(4.122) opisanog dodavanja (akumulacije) tijekom hoda, ako se bilo koji etac umnoi ili poniti,

151

0
( + ).
isto se se zbiva s naslijedenim
vrijednostima Pw ( ) kao i njegovim vrijednostima Fp(w)

o
n
0
( 0 ) pojavljuje se onoliko mnogo c lanova od Pw koliko ima potomaka
Kao rezultat, u Pp(w)
~ w u trenutku 0 pa je njihov doprinos u jednadbi (4.123) proporcionalan teinskom faktoru
od R


~ p(w) ( 0 ) .
W R

Kako bi se osiguralo asimptotsko ponaanje (4.116), tijekom bloka b, obavlja se revizija

teinskih faktora za vrijednosti akumulirane tijekom bloka b1. U tu se svrhu, na pocetku bloka
prije ponitavanja Pw , akumulirane usrednjene vrijednosti pohranjuju u novo pomocno polje


Qw = Pw = Pw /Nk

(4.124)

Tijekom bloka b vrijednosti (4.124) u svakom se koraku kopiraju

{ Qw }

Q0p(w) = Qw

(4.125)

slicno kao etaci (4.119). Nakon tog bloka ispisuju se procijenjene asimptotske vrijednosti c istih
estimatora. Slicno smo napravili pri procjeni ovdje prezentiranih rezultata s tim da smo dodatno
algoritamski optimizirali (4.125). Umjesto prepisivanja svih izracunatih vrijednosti estimatora
(4.125), pratili smo multiplikacije indeksa etaca
{ Iw } Iw0 =

0
Ip(w)
= Iw

(4.126)

koji na pocetku bloka poprimaju vrijednosti { Iw = w }, a unutar bloka b, u svakom koraku

0
k, Ip(w)
poprima vrijednost indeksa etaca Iw od kojeg je potekao. Prema tome asimptotska
procjena c istog estimatora (4.117) poprima konacnu vrijednost
D

~
F(R)

Nw ( +2Nk )

( + 2Nk ) = [Nk Nw ( + 2Nk )]

QI(w) ( + Nk ) (4.127)

w=1

dobivenu nakon bloka b 2, s tim da je { Qw } odreden

u trenutku = (b 1)Nk prema
(4.124). Vrijeme 2Nk oznacava duljinu 2 bloka s Nk koraka jer se podaci prikupljaju
tijekom prvog bloka prema (4.122) i usrednjavaju na kraju, a asimptotsko ponaanje teinskih
faktora postie se tijekom drugog bloka prema (4.125), odnosno (4.126). Poto je za odredivanje

asimptotskog ponaanja potreban jedan dodatni blok, simulacija od Nb blokova daje Nb 1

vrijednosti c istih estimatora koje na kraju usrednjavamo nakon to je postignuto uzorkovanje
osnovnog stanja. To moe biti i od prvog bloka ako nastavimo na vec uravnoteene poloaje
koje je dala prethodno provedena DMC simulacija. Koriteni nacin (4.126) u odnosu na obicno
koriteni (4.125) znacajno ubrzava ovaj dio algoritma u slucaju dugih blokova i estimatora koji
poput razdioba zahtjevaju ogromna polja za pohranu podataka.
U simulacijama za procjenu c istih estimatora koriste se i Nw za koje se dobiva (4.109),
a takoder
je dobro napravit dodatnu provjeru i neovisnost rezultata o tim parametrima upotre152

bom dvostruko vecih Nw i dvostruko manjih .

800
4He

(HFDB-MFmod)

<r2> za Nw = 4000, NbNk = 107

750
<r2HeT> / 2

2T

<r2>(Nk) = p1e(-p2Nk) + r2
r2 = 604 2

700

650

600
0

50

100

150

200

250

300

350

400

Nk / 1000
2
i atoma 4 He i T u klasteru 4 He2 T
Crte 4.14: Ovisnost srednjeg kvadrata udaljenosti hrHeT
o velicini bloka Nk prikazana je s grekama. Fitanjem funkcije (4.128) prikazane linijom
2
2
napravljena je procjena za beskonacni blok hrHeT
ip = 604 13 . Interakcije su modelirane
s potencijalima: HFDB [2] i MFmod [24]. Rezultati su dobiveni c istim estimatorima u DMC
simulaciji s parametrima: Nw = 4000, Nk navedenima na crt., Nb = 107 /Nk i = 1 kK1 .

Primjer procjene duljine bloka Nk potrebnog za dobivanje srednjeg kvadrata udaljenosti

2
hrHeT
i atoma 4 He T u klasteru 4 He2 T u slobodnom 3D prostoru prikazana je na crt. 4.14.
Za Nk = 105 koraka unutar bloka dobivamo rezultate koji su vrlo blizu onima za Nk = , dok
nakon Nk = 2 105 potpuno prestaju ovisiti o Nk i dobro procjenjuju rezultate za Nk = . Isto
potvrduje
i procjena napravljena fitanjem funkcije

2
2
rij (Nk ) = p1 exp (p2 Nk ) + r

(4.128)

2
s pomocnim parametrima p1 i p2 te parametrom r
koji predstavlja procjenu za beskonacnu

2
2
duljinu bloka, odnosno rij p = r . Greke su vece za vece duljine bloka zbog manjeg uzorka
jer je odabrano Nb = 107 /Nk blokova.
Primjer 4.7.
Odredite frekvencije pojavljivanja koordinata c estica za jednu uzorkovanu konfiguraciju sustava
prikazanog na crt. 4.15, N(x) i N(y). Kako bi ste odredili razdiobe koordinata u tom sustavu
tako da budu normirane na broj c estica?J
Kako bismo izbrojali koliko c estica ima pojedine koordinate, pravokutni dio podrucja u kojem
se nalaze c estice diskretiziramo na 88 dijelova velicine xy = 0.50.5 cm2 . Frekvenciju
N(x) dobijemo brojeci broj c estica koje se pojavljuju u intervalu [x x/2, x + x/2i, a

153

analogno i N(y). Rezultati za dani sustav prikazani su u gornjem i desnom dijelu na crt. 4.15.

Crte 4.15: Sustav od 20 c estica za c ije su koordinate prikazane frekvencije pojavljivanja N(x)
i N(y) u nekom trenutku.
Razdiobe koordinata P (x) i P (y) lako dobijemo, samo usrednjimo odgovarajuce frekvencije
po svim uzorcima te podijelimo s velicinom odgovarajuceg podrucja unutar kojeg su brojane
c estice, odnosno s x = 0.5 cm i y = 0.5 cm. Norma tako dobivene razdiobe P (x) iznosi
R 2cm
P (x)dx = 20.
2cm
Radi jednostavnije demonstracije uzet je mali broj podjela, ali je pri procjeni razdioba u realisticnim sustavima potrebno birati dovoljno mali interval kako bi funkcije razdiobe bile glatke.
Na kraju primjera ostavljamo pitanje za razmiljanje. Kako biste za dani sustav odredili razdiobe po polarnim koordinatama, P () i P ()?
Primjer 4.8.
Zbog ogromnih polja (racunalne memorije) koje zahtijevaju c isti estimatori, nekada je otean
proracun funkcija razdiobe raznih udaljenosti i kuteva. Npr. ako elimo odrediti glatku funkciju
razdiobe unutarnjih kuteva P (i , j ) slabo vezanog (prostorno irokog) trimera ABC (crt. 4.3),
za dobiti glatku ovisnost potrebni su vrlo mali segmenti i j . Medutim,
jednostavna

diskretizacija kao u prethodnom primjeru, ovdje nije optimalna jer neki parovi ne mogu ni
postojati zbog i + j 180. Dakle, takva bi diskretizacija dovela do ogromnog rasipanja
racunalnog vremena i resursa. Premda bi optimalno bilo koristiti barem 60 puta manji, ali radi
jednostavnosti uzmite i,j = 30, diskretizirajte podrucje svih mogucih realizacija kuteva
trimera i,j i optimizirajte pohranu na nacin da maksimalno iskoristite rezerviranu memoriju.J

154

Utedu memorije omogucava c injenica da ne mogu postojati sve kombinacije kuteva jer trimer
tvori trokut. Kutne kombinacije 0 ij 180 dijelimo u 6 6 elemenata (i, j) duljine
i,j = 30. Kako bi utedjeli na vremenu, a ujedno mogli i odrediti preciznije razdiobe,
mreu kutova moemo zapisati u kodu radeci translacije polja prikazane na crt. 4.16.
P66 (i, j)
5

P(0, 5)

P(0, 4)

P(1, 4)

P(0, 3)

P(1, 3)

P(2, 3)

P(0, 2)

P(1, 2)

P(2, 2)

P(3, 2)

P(0, 1)

P(1, 1)

P(2, 1)

P(3, 1)

P(4, 1)

P(0, 0)

P(1, 0)

P(2, 0)

P(3, 0)

P(4, 0)

P(5, 0)

Pnn P(n+1) n za n = 6
2

P73 (i0 , j0 )

j0

P(0, 2)

P(1, 2)

P(2, 2)

P(3, 2)

P(2, 3)

P(1, 3)

P(0, 3)

P(0, 1)

P(1, 1)

P(2, 1)

P(3, 1)

P(4, 1)

P(1, 4)

P(0, 4)

P(0, 0)

P(1, 0)

P(2, 0)

P(3, 0)

P(4, 0)

P(5, 0)

P(0, 5)

i0

Crte 4.16: Primjer pohrane polja dimenzije 6 6 = 36 u polje dimenzije 7 3 = 21 kada su

svi elemenit bijelih polja jednaki 0. Istim nijansama boje oznaceni su ekvivalentni elementi.
Naime, bijele elemente moemo izostavit jer je broj takvih trimera uvijek 0. Znaci, racunati
0
moemo s poljem manje dimenzije P(n+1) n , a u svrhu crtanja grafova pohranjivati polje vece
2
dimenzije Pnn . Relacije konverzije su:

P (i, j < n i) =

P 0 (i, j)
P 0 (n i, n j 1)

n
2
n ,
;j
2

;j <

P (i, j n i) = 0 ,
( 0 0
P (i , j )
; i0 + j 0 < n
P 0 (i0 , j 0 ) =
.
P (n i0 , n j 0 1) ; i0 + j 0 n

(4.129)
(4.130)
(4.131)

Naravno, kako bismo odredili funkciju razdiobe P (i , j ), normiranu na 1, prilikom pohrane

ili analize, frekvencije realizacija (i , j ) potrebno je podijeliti s irinom podrucja i j
odnosno sa polovicom toga podrucja za dijagonalne elemente (i + j = n 1) zbog granice
i + j 180.
Na primjeru prikazanom na crt. 4.17 demonstriramo razliku procjene mijeanih Pm i c istih Pp estimatora. Odredene
su razdiobe P () udaljenosti izmedu

ortogonalnih projekcija
4
atoma He na povrinu grafena. Desno je prikazana uvecana skala vrijednosti kako bi bilo
vidljivo to se dogada
s razdiobama za velike udaljenosti izmedu
atoma. Rezultati su dobiveni
s nekoliko DMC simulacija s razlicitim brojem koraka unutar bloka Nk i razlicitim srednjim
155

4He

20 102 Pi() / -2

20

na G(AnIzo/0)

i = p: Nk = 2000, Nw = 800
i = p: Nk = 2000, Nw = 3000 0.02
i = p: Nk = 8000, Nw = 3000
i = p: Nk = 20000, Nw = 3000
i = p: Nk = 20000, Nw = 10000
i = m: Nk = 20000, Nw = 10000

0.01

0
0

10

15

20

25

30 31 32 33 34 35

(He-He) /

Crte 4.17: Procjena konvergencije razdiobe P ((4 He 4 He)) u klasteru 4 He20 adsorbiranom
na grafenu (G). Koriten je AnIzo/0 [27] model interakcije. Rezultati su dobiveni koritenjem
mijeanih (i=m) i c istih (i=p) estimatora u DMC simulacijama s parametrima Nw i Nk navednenim na crt., Nb > 106 /Nk te = 0.3 kK1 i = 0.25 .
brojem etaca Nw . Procjene dobivene mijeanim estimatorima Pm ne ovise o Nk . U promatranim slucajevima jednake su do na debljinu linije pa je prikazana samo jedna. Procjene
dobivene c istim estimatorima Pp znacajno ovise o Nk ako nije dovoljno velik. Popravke c istog estimatora u odnosu na mijeani vidljive su vec za Nk = 2000 i Nw = 800. Najvie su
izraene u okolini maksimuma funkcije razdiobe. Izraeni iljci pri malim, ali vrlo vjerojatnim,
udaljenostima bivaju vie izdignuti, dok vjerojatnost nalaenja atoma na vecim udaljenostima
opada. Za Nk = 2000 povecanjem broja etaca Nw = 800 3000 blago se nastavlja isti
trend. Za Nw = 3000 povecanjem Nk = 2000 8000 vidljive su znacajne popravke, a pri
Nk = 8000 20000 jedva primjetne. Povecanjem Nw = 3000 10000 nisu vidljive promjene to znaci da za Nk = 20000 sigurno imamo dobru procjenu za P ().
Neka su stanja lake uocljiva prilikom promatranja razdiobe u ovisnosti o vie razlicitih
udaljenosti. Tako je npr. za uocavanje pojave rubnih stanja klastera 4 Hen 3 He prilikom adsorpcije na povrini cezija, zgodno odrediti razdiobe P (cmi , z) atoma 4 He i 3 He kao funkciju
udaljenosti z atoma od povrine supstrata te udaljenosti cmi = |~
i ~cm | njihovih ortogonalnih
projekcija ~i od ortogonalne projekcije CM-a ~cm na povrinu supstrata. Takve nam razdiobe
omogucavaju bolji uvid u strukturu klastera. Nadalje smo pomnoili udaljenost projekcija cmi
s predznakom sgn(xi xcm ) kako bismo dobili simetrican pregled razdiobe atoma 3 He u odnosu
na klaster 4 He. Na slici 4.18 prikazana je razdioba P (cmi , z) za klaster 4 He40 3 He. Konvergencija, odnosno uklanjanje ovisnosti c istih estimatora o probnoj valnoj funkciji, postignuta je za

156

103 P (cmi , z)/

He

He

cmi /

He40 3 He na Cs(CCZ)

z/

Crte 4.18: Razdioba P (cmi , z) atoma 4 He (sredina) i 3 He (rub) u klasteru 4 He40 3 He na Cs

prikazana je kao funkcija udaljenosti od centra mase u ravnini povrine cmi = |~
i ~cm | i
udaljenosti od povrine z. Rezultati su procijenjeni adsorpcijskim modelom CCZ [27] i normirani na broj atoma odgovarajuce vrste. Odabran je cmi = 0.5 i z = 0.25 .
blokove od Nk = 5000 koraka. Primijetno je kako 3 He, zbog manje mase, preferira boraviti du
kontaktne linije klastera 4 He sa supstratom.

4.4.3

Procjena greke

Standardna devijacija srednje vrijednosti hf i, izracunate iz skupa nezavisno dobivenih mjerenja

{ fi : 1 i n, i N }, dana je izrazom
v
u
u
f = t

1
n(n 1)

n
X
i=1

s
(fi hf i)2 =

hf 2 i hf i2
.
n1

(4.132)

Medutim,
na ovaj nacin ne moemo direktno procijeniti greku velicine hf i. Naime, u VMC i

DMC simulacijama novi poloaj etaca uvijek odredujemo

na osnovu prethodnog kombinaci
jom stohastickih i deterministickih pomaka. Stoga su dobiveni podaci u nekoj mjeri korelirani,
dakle, nisu nezavisni. Grupiranjem niza koraka u blokove (4.32) i pohranom prosjecnih vrijed-

157

nosti dobivenih u pojedinom bloku

f1 f (k = 1) f2 fNk fNk +1 f2Nk f(Nb 1)Nk +1 fNb Nk
|
{z
}|
{z
}
|
{z
}
N
2N
N
N
k
k
b k
X
X
X
f (b = 1) f1b =
fi /Nk
fi /Nk f2b =
fi /Nk
fNb b =
i=Nk +1

i=1

(4.133)

i=(Nb 1)Nk +1

moguce je stvoriti uzorak statisticki nezavisnih podataka ako je blok dovoljno velik. Prim

jenom (4.132) na fib : 1 i Nb dobivamo fb (Nk ) koja za dovoljno velik Nk postaje
f . Nekada pocetno postavljena duljina bloka nije dovoljna za uklanjanje korelacija. Stoga
je potrebno napraviti dodatno blokiranje kako bi se ispitala ovisnost fb (Nk ). Za tu provjeru
moemo koristiti vec izracunate vrijdnosti fib i njih blokirati u redom sve vece i vece blokove.
Usrednjavanjem vrijednosti unutar n blokova, dobivamo iste podatke koje bismo dobili pokretanjem simulacije za n puta veci Nk . Iz grafickog prikaza ovisnosti fb (Nk ) moemo zakljuciti
prema kojoj vrijednosti f konvergira greka. Greke podataka prikazanih na crteima glave 4
odredene
su metodom blokiranja.

19
4He

18

20

na Cs(LJ)

17

bE / mK

16
15
14
13
12
11
10
0

10

15

20

25

30

35

40

45

50

Nk / 2000

Crte 4.19: Blokiranjem je procijenjena greka DMC energije samovezanja klastera 4 He20 adsorbiranog na ceziju (Cs). Koriteni su potencijali: HFDB model za He-He interakciju i LJ
model za adsorpciju helija na Cs [27]. Rezultati su dobiveni DMC simulacijom s parametrima
Nw = 2 104 , Nk = 2000, Nb = 500 i = 0.4 kK1 .
Primjer procjene greke blokiranjem prikazan je na crt. 4.19. Izracunate su standardne
devijacije DMC-om odredenih
energija samovezanja EDMC ( = 0.4 kK1 ) za klaster 4 He20 ,

adsorbiran na povrini cezija. Podaci, koje je pohranila DMC simulacija, vec su bili blokirani. Naime, nakon svakog bloka i simulacija je pohranila vrijednost energije Ei koja je do158

bivena usrednjavanjem energija izracunatih tijekom svih koraka bloka. Koriteni su blokovi od
2000 koraka. Time nije zagarantirana nekoreliranost pohranjenih podataka. Stoga su pocetno
blokirani podaci dodatno grupirani u nove blokove c ije duljine Nk odgovaraju viekratnicima
pocetne duljine od 2000. Za svaki Nk odreden
je Eb (Nk ) primjenom relacije (4.132) na podatke
dobivene prema (4.133). Konvergencija greke prikazana je na crt. 4.19. Primijetno je kako
greka, povecavanjem duljine bloka, raste te nakon Nk = 5 2000 pocinje oscilirati oko iste
vrijednosti, odnosno konvergira prema E = 16 mK1 . Dakle, uklanjanjem korelacija greka
se povecala za 60% u odnosu na onu koju daju pocetno grupirane vrijednosti, fb (2000).

4.5

Zadaci

Zadatak 4.9.
Provodenjem
DMC simulacije, c iji je algoritam dan u pgl. 4.3.4, provjerite tocnost VMC

predikcija za sustav iz primjera 4.4.. Ispitajte efikasnost DMC algoritma koritenjem probne
valne funkcije s dvostruko manjim parametrom . Kolike energije predvida
VMC za takav
parametar? Uspijeva li DMC ispraviti probnu valnu funkciju, odnosno dovesti sustav u osnovno stanje? Bi li DMC u ovom slucaju bio jednako efikasan kad bismo umjesto probne valne
funkcije (4.12) koristili (4.27)?
Zadatak 4.10.
Provedite DMC simulacije za sustave dane u zadacima 4.1., 4.2., 4.3. i 4.4. koristeci VMCoptimalne parametre ta za izbor nekih drugih vrijednosti za parametre.
a) Kako se slau VMC te DMC procjene energije osnovnog stanja. Greke procijenite
metodom blokiranja. Vodite racuna o proizvoljno odabranim parametrima.
b) Srednje udaljenosti, srednju potencijalnu energiju te razdiobu udaljenosti dane c estice procijenite koritenjem c istih i mijeanih estimatora. Razlikuju li se usporedbe. Jesu li spomenute
razlike korelirane s razlikama VMC i DMC procjena energije osnovnog stanja?
Zadatak 4.11.
Promotrite sustav iz zadataka 4.6..
a) Prilagodite VMC kod tako da lokalnu energiju u slucaju HFDB interakcije racuna kao
u primjeru 4.5. za dvocesticnu korelacijsku funkciju oblika (4.27), a u slucaju modela
kvadratne potencijalne jame kao u primjeru 4.6.. Usporedite rezultate.
b) Odredite energije osnovnog stanja koristeci difuzijski Monte Calro c iji je psudokod dan u
pgl. 4.3.4. Ponovno usporedite rezultate.
c) Odredite srednju potencijalnu energiju. Koje estimatore ima smisla koristit?

159

4.6

Kvantni Monte Carlo integrala po stazama

Do sada razmatrane metode kvantnog Monte Carla prikladne su za rjeavanje problema na

apsolutnoj nuli. Sada c emo razmotriti metodu koja nam omogucava proracun termalnih osobina
kvantnih sustava.
P. Dirac predloio je formulaciju kvantne mehanike preko integrala po stazama [52], koju
je dalje temeljito razvio Feynmann [53]. Ako elimo znati amplitudu vjerojatnosti da se materijalna tocka koja se nalazi u tocki xi u trenutku ti nade
u tocki xf u trenutku tf sve to treba
napraviti je prointegrirati po svim mogucim stazama koje povezuju te dvije tocke s teinskim
faktorom, koji je odreden
klasicnom akcijom S, za svaku stazu,
< xf , tf |xi , ti >=

Dx(t)eiS[x(t)]/~ .

(4.134)

Rt
U prethodnom je izrazu S = tif dtLkl , gdje je klasican Lagrangian Lkl dan kao razlika kineticke
i potencijalne energije. Uobicajena pokrata D stoji za sve staze i odgovarajucu normu.
Vidjet c emo kako ova metoda omogucava povezivanje kvantne mehanike c estica, koje se
gibaju u prostoru s d dimenzija, s klasicnom statsitickom mehanikom odgovarajuceg sustava u
d + 1 dimenziji. Dodatna dimenzija moe se promatrati kao imaginarno vrijeme kvantnog sustava. Monte Carlo integral po stazama (path integral Monte Carlo - PIMC) tada koristi metode
klasicnog Monte Carla da bi proracunao osobine kvantnog sustava na konacnim temperaturama.
Promotrimo sustav od N c estica u 3 dimenzije koji je opisan Hamiltonijanom (4.1)
~
H = DR~ 2R~ + V (R).

(4.135)

Formalno, rjeenje u koordinatnoj aproksimaciji moemo napisati u obliku

~ t) =< R|e
~ itH/~ | >
(R,

(4.136)

Dvije osobine ovog formalnog rjeenja c ine racunalnu Monte Carlo implementaciju neprakticnom. Prvo, eksponent je kompleksan i stoga se ne moe koristiti kao funkcija gustoce vjerojatnosti. Drugo, H je kvantno-mehanicki operator u beskonacno dimenzionalnom prostoru, a
operatori kineticke i potencijalne energije ne komutiraju.
Prvi je korak stoga uvodenje
imaginarnog vremena, kao u slucaju DMC metode, = it.

Nadalje, ostvaruje se veza sa statistickom mehanikom preko uvodenja

particijske funkcije.

Z
Z() =

~ < R|e
~ H/~ |R
~ >= TreH ,
dR

(4.137)

gdje je = /~. Ova particijska funkcija definira kvantnu statisticku mehaniku sustava na temperaturi kT = 1/ = ~/ . Operator = eH naziva se termalna matrica gustoce. Za precizan
kvantni Monte Carlo algoritam potrebno je jo rijeiti problem nekomutatitvnosti kineticke i po160

tencijalne energije. Navedeno se postie zamjenom konacnog vremena s nizom od M malih

vremenskih koraka iznosa = /M . U svakom od M -1 medukoraka
i umetne se potpuni

skup svojstvenih stanja operatora poloaja

Z
1=

~ i |R
~ i >< R
~ i |,
dR

(4.138)

i = 1, 2, , , M 1

Na taj se nacin particijska funkcija rastavlja du vremenskog smjera u M segmenata duljine

Z

~ < R|e
~ H/~ |R
~ >
dR
Z
Z
Z
~
~
~ M 1 < R
~ 0 |e H/~ |R
~ M 1 > ...
=
dR0 dR1 ... dR

Z() =

~ 2 |e H/~ |R
~ 1 >< R
~ 1 |e H/~ |R
~ 0 >,
<R

(4.139)

~M = R
~0 = R
~ predstavlja djelovanje operatora traga.
gdje integracija preko R
Ako dalje primijenimo BCH formulu (4.50) na operatore A = T/~ i B = V/~
vidimo da su komutatori koji se pojavljuju u BCH formuli reda velicine ( )2 i vieg. Stoga
se u granici jako malog te korekcije zanemaruju, to je poznato pod nazivom primitivna
aproksimacija (PA).
Navedena aproksimacija omogucava jednostavan proracun kinetickih i potencijalnih c lanova,
to moemo vidjeti na primjeru prvog koraka
~ 1 |e H/~ |R
~ 0 >'< R
~ 1 |e T/~ e V/~ |R
~ 0 >=< R
~ 1 |e T/~ |R
~ 0 > e V(R0 )/~ .
<R
(4.140)
Matricne elemenente operatora kineticke energije proracunavamo tako da ubacimo dva potpuna
skupa svojstvenih stanja operatora impulsa
~

~ 1 |e T/~ |R
~0 > =
<R

~ 1 |P~1 >< P~1 |e T/~ |P~0 >< P~0 |R

~0 >
dP~1 < R
"

2 #
 m N d/2
m X ~ri1 ~ri0
exp
,
(4.141)
=
2~t
2~ i

dP~0

gdje smo u prethodnom izrazu radi jednostavnosti pretpostavili da svih N c estica ima istu masu
mi = m. Vidimo da smo dobili, kao u slucaju Greenove funkcije kinetickog dijela u DMC
algoritmu (4.56), 3N Gaussijan.

161

4.6.1

Klasicno-kvantni izomorfizam

Primjenom primitivne aproksimacije vidimo da se particijska funkcija moe u potpunosti napisati

preko klasicnih varijabli, bez eksplicitnih kvantno-mehanickih operatora:
Z
Z
Z
m M N d/2
~
~
~ M 1
Z() '
dR0 dR1 ... dR
2~t

!2
1

M
X
~
~
m Rj+1 Rj
~

+ V(Rj )
exp
.
~

j=0


(4.142)

Argument eksponencijalne funkcije moemo prepoznati kao klasicnu akciju u imaginarnom

vremenu (npr. pogledati direktan izvod za jednu dimenziju u Ref. [54]).
Izraz

!2
M
1
X
~
~
~ j )
m Rj+1 Rj
+ V(R
(4.143)
2

j=0
u zavrnom izrazu za particijsku funkciju moemo interpretirati i kao funkciju potencijalne
~ j , svake od N kvantnih c estica za
energije za sustav od M N klasicnih c estica s koordinatama R
svaki od M imaginarnih vremenskih koraka.
N c estica vezano je u svakom vremenskom koraku potencijalnom energijom V kvantnog
problema, dok su c estice u susjednim vremenskim koracima vezane silama klasicnog harmonijskog oscilatora. Na taj se nacin kvantni problem mapira u klasican problem polimera.
Svaka kvantna c estica postaje polimer kojem broj kuglica raste sa sniavanjem temperature
( = ~/(kT M )). Susjedne kuglice su povezane s oprugama, a interakcije medu
kuglicama
odvijaju se samo u istom vremenskom koraku (isti indeks j).
Temperatura i volumen sustava su fiksirani pa se sustav moe simulirati na isti nacin kao
klasicna Monte Carlo simulacija. Potrebno je efikasno uzorkovanje, koje se tipicno provodi kao
kombinacija pomaka cijelog polimera, pojedinog vremenskog koraka ili nekolicine vremenskih
koraka. Pomak cijelog polimera ne mijenja relativne poloaje kuglica pa onda ni kineticku
energiju, vec samo potencijalnu. Za promjenu kineticke energije potreban je relativni pomak
kuglica u polimeru. Pomaci samo jedne kuglice nisu efikasni, vec se obicno predlau pomaci
nekoliko susjednih kuglica (multislice moves), koji su detaljno opisani u referencama, posebno
u [20].
Kljucni koraci tipicnog jednostavnog algoritma su
PIMC pseudokod
1. Inicijaliziramo staze kao klasicne c estice na reetki
2. Izaberemo jednu kuglicu i uzorkujemo novi poloaj.
3. Izracunamo akciju.

162

4. Prihvacamo ili odbacujemo pomak u skladu sa

"

~ novi )
S(R

~ stari R
~ novi ) = min 1, e
A(R
eS(R~ stari )

#
(4.144)

5. Napravimo "klasican" pomak cijelog polimera (pomaknemo sve kuglice za isti

iznos).
6. Izracunamo potencijalni dio akcije te prihvatimo ili odbacimo predloeni pomak.
7. Vratimo se na drugi korak.
Za identicne c estice potrebno je medutim
primijeniti Bose-Einsteinovu ili Fermi-Diracovi

statistiku.
U slucaju bozona, particijska funkcija postaje
1 X
ZB =
N! P

~ 0 ...dR
~ M 1 exp
dR

M
X

!
Sj

(4.145)

gdje P oznacava permutacije c estica, a S j predstavlja akciju za j-ti vremenski korak. Novi
~m = R
~ 0 . Svi c lanovi matrice gustoce pozitivni su pa
rubni uvjer za zatvaranje staze sada je PR
ih moemo uzorkovati. Slucajan hod sada se odvija po prostoru staza i prostoru permutacija.
To dovodi do spajanja polimera. Dugacki permutacijski ciklusi znak su suprafluidnosti. Vie
detalja moguce je naci u referencama, osobito [20]. Uzorkovanje permutacija pokazuje se vrlo
izazovnim za veci broj c estica. Pred desetak godina, predloen je WORM algoritam [55] koji
omogucava postizanje dugackih permutacijskih ciklusa i tako puno efikasniji proracun suprafluidnosti i udjela kondenzata.
U slucaju fermiona ponovo se susrecemo s problemom predznaka. U direktnoj fermionskoj metodi takoder
se sumira preko svih permutacija, ali tako da se neparne permutacije mnoe
s -1. Pokazalo se da takva direktna metoda ima mnotvo problema radi ponitavanja pozitivnih
i negativnih permutacija. Zbog toga se omjer signala i uma brzo pribliava nuli, odnosno racunalno vrijeme potrebno za postizanje dane tocnosti raste eksponencijalno s velicinom sustava
i sniavanjem temperature. Kao i u slucaju DMC simulacija koristi se naziv problem predznaka. Takoder,
i u ovom slucaju postoje aproksimativne metode c vrstih c vorova ili faze [56].

163

Literatura
[1] W. H. Press, B. P. Flannery, S. A. Teukolsky, and W. T. Vetterling, Numerical Recipes.
The Art of Scientific Computing (Cambridge University Press, Cambridge Mass., 1992.).
[2] R. A. Aziz, F. R. W. McCourt i C. C. K. Wong, Mol. Phys. 61, 1487 (1987).
[3] A. Chizmeshya, M. W. Cole i E. Zaremba, J. Low Temp. Phys. 110, 677 (1998).
[4] H. Gould, J. Tobochnik, W. Christian, An introduction to Computer Simulaton Methods,
Application to Physical Systems, 3.rd ed. 2007 Pearson Education, Inc., publishing as
Addison Wesley, 1301 Sansome St., San Francisco, CA 94111.
[5] N.J. Giordano, H. Nakanishi, Computational Physics, 2nd ed. 2006 Pearson Education,
Inc.
[6] D. P. Landau, K. Binder, A Guide to Monte Carlo Simulations in Statistical Physics, 2nd
ed. 2005, Cambridge University Press
[7] Open Source Physics Project: Java Simulations for Statistical and Thermal Physics
(http://www.opensourcephysics.org/)
[8] N. Metropolis, A. W. Rosembluth, M. N. Rosenbluth, A. H. Teller i E. W. Teller, J. Chem.
Phys. 21, 1087 (1953).
[9] Monte Carlo Codes, Tools and Algorithms, Molecular Simulation, 39, Issue 14-15
(2013).
[10] M. P. Allen, D. J. Tildesley, Computer Simulations of Liquids, (Oxford University Press
Inc., New York 1993)
[11] D. Frenkl, B. Smit, Understanding Molecular Simulation From Algorithms to Applications, Academic Press 2002.
[12] B.L. Hammond, W. A. Lester, P. J. Reynolds, Monte Carlo Methods in Ab Initio Quantum
Chemistry, World Scientific, Singapore, 1994.
[13] Quantum Simulations of Complex Many-Body Systems: From Theory to Algorithms Johannes Grotendorst, Dominik Marx, Alejandro Muramatsu (editors), NIC Series Volume
10, Winter School, 25 February - 1 March 2002.
[14] V. Apaja, Monte Carlo Methods, predavanja na Johannes Kepler Universitt, Linz, Austria (2005); proireno na University of Jyvskyl, Finland, (2008./2009.)

164

[15] J. Boronat, "Monte Carlo simulations at zero temperature: Helium in one, two and three
dimensions", 2. poglavlje knjige Advances in Quantum Many-Body Theory-Vol. 4: Microscopic approaches to quantum liquids in confined geometries, 21-34. str., World Scientific Publishing Co. Pte. Ltd., 2004.
[16] W. A. Lester Jr., L. Mitas, B. Hammond, Chem. Phys. Lett. 478 1 (2009).
[17] J. Kolorenc, L. Mitas, Rep. Prog. Phys. 74 026502 (2011)
[18] B. M. Austin, D. Y. Z., and W. A. Lester Jr., Chem. Rev., 112 263288 (2012).
[19] L. Pollet, Rep. Prog. Phys. 75, 094501 (2012).
[20] D. M. Ceperley, Rev. Mod. Phys. 67 279 (1995).
[21] P. J. Mohr, B. N. Taylor i D. B. Newell (2011), "The 2010 CODATA Recommended Values of the Fundamental Physical Constants" (web verzija 6.0). Autori baze: J. Baker,
M. Douma i S. Kotochigova, URL: http://physics.nist.gov/constants,
[petak, 22.07.2011. 10:04:27 EDT]. National Institute of Standards and Technology,
Gaithersburg, MD 20899.
[22] J. H. Freed, J. Chem. Phys. 72, 1414 (1980).
[23] M. J. Jamieson, A. Dalgarno i L. Wolniewicz, Phys. Rev. A 61, 042705 (2000).
[24] H-K. Chung i A. Dalgarno, Phys. Rev. A 66, 012712 (2002).
[25] G. Das, A. F. Wagner i A. C. Wahl, J. Chem. Phys. 68, 4917 (1978).
[26] I. Khan i B. Gao, Variance minimization variational Monte Carlo method, ArXiv Physics
e-prints, physics/0701223 (2007).
[27] P. Stipanovic, Stabilnost i univerzalnost malih kvantnih klastera te adsorpcijski utjecaji
grafena i cezija na osnovno stanje malih klastera helija, doktorski rad, Zagreb, 2015.
[28] L. Vranje Markic, P. Stipanovic, I. Belic i R. E. Zillich, Phys. Rev. B 88, 125416
(2013).
[29] P. Stipanovic, L. Vranje Markic, I. Belic i T. Martinic, J. Low Temp. Phys. 166, 68
(2012).
[30] L. Vranje i S. Kilic, Phys. Rev. A 65, 042506 (2002).
[31] S. Kilic i L. Vranje, Physica B 329-333, 270 (2003).
[32] P. Stipanovic, L. Vranje Markic, I. Belic i J. Boronat, Phys. Rev. Lett. 113, 253401
(2014).
165

[33] L. Vranje Markic, Dimeri, trimeri i tetrameri helija u dvodimenzionalnom i kvazidvodimenzionalnom prostoru, doktorska disertacija, Zagreb, 2002.
[34] I. Belic, Osnovno stanje klastera helija i spin-polariziranog vodika, doktorska disertacija, Zagreb, 2010.
[35] S. Kilic, E. Krotscheck i R. Zillich, J. Low Temp. Phys. 116, 245 (1999).
[36] D. Blume, B. D. Esry, C. H. Greene, N. N. Klausen i G. J. Hanna, Phys. Rev. Lett. 89,
163402 (2002).
[37] I. Belic, L. Vranje Markic i J. Boronat, J. Chem. phys. 131, 244506 (2009).
[38] I. Belic, L. Vranje Markic i J. Boronat, J. Chem. Phys. 128, 064302 (2008).
[39] I. Belic, L. Vranje Markic i J. Boronat, Journal of Physics: Conference Series, 150,
032010 (2009).
[40] J. W. Lee i G. D. Stein, J. Phys. Chem. 91, 2450 (1987).
[41] M. Boyukata i Z. B. Guvenc, Braz. J. Phys. 36, 720 (2006).
[42] H. F. Trotter, Proc. Am. Math. Soc. 10, 545 (1959).
[43] R. M. Wilcox, J. Math. Phys. 8, 962 (1967).
[44] S. A. Chin, Phys. Rev. A 42, 6991 (1990).
[45] M. Suzuki, J. Math. Phys. 32, 400 (1991).
[46] J. Auer, E. Krotscheck i S. A. Chin, J. Chem. Phys. 115, 6841, (2001).
[47] S. M. Rothstein, J. Vrbik i N. Patil, J. Comput. Chem. 8, 412 (1987).
[48] J. Boronat i J. Casulleras, Phys. Rev. B 49, 8920 (1994).
[49] J. E. Jones, Proc. R. Soc. Lond. A 106, 463 (1924).
[50] J. Casulleras i J. Boronat, Phys. Rev. B 52, 3654 (1995).
[51] K. S. Liu, M. H. Kalos i G. V. Chester, Phys. Rev. A 10, 303 (1974).
[52] P. A. M. Dirac, Rev. Mod. Phys. 17, 195 (1945).
[53] R. P. Feynmann, Rev. Mod. Phys. 20, 367 (1948).
[54] J. J. Sakurai, Modern Quantum Mechanics Revised Edition, 1994., Addison-Wesley Publishing Company, Inc., poglavlje 2.5
166

[55] M. Boninsegni, N. V. Prokofev, and B. V. Svitsunov, Phys. Rev. E 74, 036701 (2006).
[56] Shumway, J. and D. M. Ceperley, Quantum Monte Carlo Methods in the Study of Nanostructures,*Handbook of Theoretical and Computational Nanotechnology ,eds. M. Rieth
and W. Schommers, Encyclopedia of Nanoscience and Nanotechnology, Vol. 3, 605-641
(2006) American Scientific Publishers.
[57] R. L. Johnston, Atomic and Molecular Clusters, Taylor & Francis, London, 2002.
[58] G. W. F. Drake (urednik), Springer Handbook of Atomic, Molecular, and Optical Physics,
Springer, Wrzburg, 2006.
[59] H-G. Fritsche, Phys. Status Solidi B 143, K11 (1987).
[60] M. Barranco, R. Guardiola, S. Hernndez, R. Mayol, J. Navarro i M. Pi, J. Low Temp.
Phys. 142, 1 (2006) te pripadne reference.

167

Newman i Ziff algoritam

Cilj je algoritma pronalaenje nakupina razlicite velicine za danu vrijednosti vjerojatnosti zauzeca pojedinog mjesta reetke p. Cijeli kod u java programskom jeziku dan je u referenci
[4].
Pocinjemo s praznom reetkom i dok slucajno zauzimamo pojedina mjesta reetke vodimo
racuna o pripadnosti nakupinama. Kad neko mjesto postane zauzeto, odredimo postaje li nova
nakupina ili susjed neke postojece nakupine (ili vie njih). Po definiciji p = n/L2 , gdje je n
broj zauzetnih mjesta pa se p povecava za 1/L2 svaki put kad se pojedino mjesto zauzme, sve
dok se ne postigne eljena vrijednost.
Algoritam je ukratko dan sa:
Newman-Ziff algoritam
1. Proracunamo red zauzimanja. Jedan nacin na koji moemo zauzimati mjesta je
njihovo biranje na slucajan nacin sve dok ne pronademo
neko koje nije zauzeto.

Ova procedura postaje neefikasna kad vecina mjesta postane zauzeta. Umjesto
toga, redoslijed kojim se mjesta zauzimaju zapiu se u polje red[]. Pritom redoslijed generiramo slucajnom permutacijom cijelih brojeva od 0 do N -1. Na primjer,
red[0]=3 znaci da mjesto 3 zauzimamo prvo.
2. Mjesta se zauzimaju po prethodno odredenom
redoslijedu. Kad se novo mjesto

doda, provjeravaju se svi njegovi susjedi. Tako se odredi je li novo mjesto izolirana nakupina (svi susjedi su mu prazni) ili se pridruuje jednoj ili vie postojecih
nakupina.
3. Odredujemo
nakupine. Nakupine se organiziraju u strukturu nalik stablu, pri c emu

se jedno mjesto svake nakupine oznacava kao korijen. Sva mjesta u danoj nakupini,
osim korijena, pokazuju na drugo mjesto u istoj nakupini. To omogucava da se do
korijena moe doci rekurzivno slijedeci pokazivace (poveznice na indeks polja).
Pokazivaci se zapisuju u polje roditelj. Za spajanje dvije nakupine dodajemo
pokazivac iz korijena manje nakupine u korijen vece. Velicinu nakupine zapisujemo kao -roditelj[korijen]

168

Crte A.1: Ilustracija Newman-Ziff algoritma. Mjesta se zauzimaju po redoslijedu 3,7,4,5,..

Na Crt. A.1 prikazana je 4 4 reetka. Redoslijed kojim se mjesta zauzimaju dan je
3,7,4,5,6.. i na slici se vidi ako idemo od gornjeg lijevog kvadrata u smjeru kazaljke na satu.
Prvo zauzima mjesto 3 pa je red[0] = 3. Kako je to prvo mjesto koje se zauzima ono
oznacavamo kao korijen. roditelj[3]=-1
Zatim je red[1] = 7. Za pocetak se stavi roditelj[7]=-1, a onda se krene provjeravati
susjede. Mjesta 11 i 6 nisu zauzeta (roditelj[11] = roditelj[6] = PRAZNO), ali mjesto 3
jeste pa treba spojiti dvije nakupine. Stoga stavimo roditelj[7] = 3, to znaci da mjesto
7 pokazuje na mjesto 3. Takoder,
postavlja se roditelj[3] = -2, to znaci da je nakupina
velicine 2.
Zatim se zauzimaju mjesta 4 i 5 i oni takoder
formiraju nakupinu velicine 2...

169

Klasteri
Klasteri [57, 58] su, u fizici, agregati konacno mnogo istovrsnih ili razlicitih jedinki, od dvije do
nekoliko milijuna. Formiraju vezan sustav ako je energija sustava negativna; odnosno metastabilan sustav koji nije efektivno vezan ako je energija sustava via ili jednaka zbroju energija
njegovih podsustava. U atomskoj i molekularnoj fizici atomi ili molekule su jedinke koje c ine
klaster. Klasteri su formalno slicni molekulama, a od njih se razlikuju po tome to mogu formirati vezani sustav proizvoljnog broja jedinki. Dvije jedinke, odnosno dva monomera c ine sustav
koji nazivamo dimer, tri trimer, c etiti tetramer, pet pentamer,... Broj odgovarajucih jedinki A
u klasteru, kao i u molekulama, oznacavamo indeksom n, An . Klasteri mogu biti c isti An ili
mijeani An Bm . Velicinu klastera definiramo preko ukupnog broja jedinki pa pod povecanjem klastera podrazumijevamo dodavanje jedinki. Kako bi se izbjegle nejasnoce, za njegovu
prostornu velicinu, koristimo pojam irina klastera, odnosno irenje ili skupljanje.
Dakle, klasteri predstavljaju prijelazne forme materije izmedu
atoma ili molekula i nji1
hovih odgovarajucih bulk formi . Klastere na okupu dre iste veze kao bulk sustave, kovalentne,
vodikove, metalne, ionske te, nama ovdje posebno interesantne, van der Waalsove interakcije.
Unatoc tome, svojstva im se, zbog konacnog broja c estica, c esto razlikuju od bulk sustava. Razlikuju se od bulk formi, takoder
i zbog veceg udjela povrinskih atoma [57, 58] koji imaju
manji broj susjednih atoma u odnosu na unutranje atome, odnosno koji ostvaruju manji broj
snanijih interakcija. Povecanjem velicine klastera, taj se udjel smanjuje prema bulk vrijednosti.
Tako npr. za klastere Arn , u kojima su atomi argona oko sredinjeg atoma poslagani u grozdove
ikosaedarske simetrije [40, 59], udjel povrinskih atoma za n = 13, 55, 137 iznosi redom 12/13,
42/55, 82/137. U jednu je ruku konacan broj atoma krivac neslaganja sa svojstvima bulk sustava, a u drugu nam zato nudi bogatstvo novih stanja. Dodavanje jedinki, omogucuje nam
promatranje prijelaza prema bulk karakteristikama. Medutim,
ti prijelazi nisu uvijek jednoliki

te su neka svojstva znacajno izraena za magicne brojeve jedinki. Npr. za n = 2, 8, 20, 40,
pojavljuju se izrazito stabilni klasteri An nekog alkalijskog elementa A kojeg karakterizira jedan
valentni elektron to znaci da za navedene n bivaju popunjene glavne ljuske [57].
1

Bulk svojstva (prema engleskom) - svojstva dijela velikog volumena koja ne ovise o povrini koja zatvara taj
volumen. Idealno, bulk forme predstavljaju termodinamicku granicu, u 3 dimenzije broj c estica N i volumen
V , a = N/V = konstanta.

170

Klastere, u kojima su izraeni kvantni efekti poput tuneliranja, nultog gibanja, kvantizacije, nazivamo kvantni klasteri. Za klastere, koji se ponaaju nalik tekucinama, kaemo da
imaju tekucu strukturu; a za one, c ije je ponaanje slicno krutinama, kaemo da imaju krutu
strukturu iako se struktura precizno definira tek u termodinamickoj granici. Klasteri pokazuju
uglavnom ponaanje slicno krutinama, a dodavanjem jedinki c esto mijenjaju strukture [40, 41].
U iznimke, koje se ponaaju nalik tekucinama, spadaju npr. klasteri izotopa helija i spinpolariziranog () vodika.
Klasteri su proucavani i eksperimentalno i teorijski, kako u slobodnom 3D prostoru, tako
i u ogranicenjima nametnutima nekim vanjskim utjecajima poput adsorpcije. Adsorpcija je
proces u kojemu c estice plina ili tekucine, odnosno adsorbati (atomi, molekule ili ioni) bivaju privuceni na povrinu krutog tijela (supstrat). Moe biti fizikalna (fizisorpcija) ili kemijska (kemisorpcija). Fizisorpcija oznacava slabo vezanje s povrinama, c estice su privucene na
povrinu fizikalnim silama poput van der Waalsove. Fizisorpcijom se svaki adsorbat moe adsorbirati na svaki supstrat ako je temperatura supstrata dovoljno niska, odnosno tlak adsorbata
dovoljno velik. Pri fizisorpciji elektronska struktura adsorbata i supstrata biva slabo perturbirana. Kemisorpcija oznacava jace vezanje, c estice su vezane uz povrinu kemijskim vezama
specificnim samo za odredene
interagirajuce c estice. Za razliku od fizisorpcije, zbiva se i na

viim temperaturama, a ostvaruje samo izmedu

adsorbata koji uspostavljaju kemi odredenih

jske veze sa supstratom. Zbog kontinuuma interakcijskih jacina, u praksi je granicna linija
subjektivna, dakle, nejedinstvena.
Nadalje klasteri su proucavan i u reduciranim dimenzijama poput dvodimenzionalnog
(2D) te kvazi-2D prostora. Npr. adsorpcijom helija na razlicitim supstratima, mogu se formirati sustavi razlicitih dimenzija. Tako se adsorpcijom na povrinama mogu formirati priblino
2D sustavi poput filma helija, a adsorpcijom na ugljikovim nanocjevcicama jednodimenzionalni (1D) sustavi dok suprafluidne helijeve kapljice moemo smatrati nedimenzionalnim (0D)
sustavom. K tome je promatran i protok helija kroz kapilare, istraivano je njegovo ponaanje
u poroznim materijalima te u ogranicenjima koja mogu biti nametnuta raznim vanjskim potencijalima. Pregled teorijskih istraivanja helija, u slobodnom prostoru i adsorbiranih na povrinama, do 2006. dan je u literaturi [60].

171

Varijacijski princip
Rjeavanjem stacionarne Schrdingerove jednadbe
H |i = E |i

(C.1)

za sustav c iji je Hamiltonijan H dobivamo vlastite energije Em i vlastite vektore |m i za stanje

m, dakle
H |m i = Em |m i .
(C.2)
Kada rjeenja nisu lako ili nisu odrediva analiticki, tada nam je cilj aproksimativno odrediti
energiju En za sustav koji se nalazi u stanju |n i c iji nam analiticki oblik u tom slucaju nije
poznat. Proizvoljni vektor stanja |i moemo formalno razviti koristeci ortonormiranu bazu
vlastitih vektora stanja { |m i }:
|i =

X
m

cm |m i

(C.3)

|cm |2 = 1 .

Tada je srednja vrijednost energije za proizvoljni vektor stanja

hHi

(C.3)

h| H |i =

(C.2)

n,m

n,m

X
n,m

cn cm hn | H |m i

cn cm hn | Em |m i =
cn cm Em nm =

X
n

X
n,m

cn cm Em hn | m i

|cn |2 En E0

X
n

(C.3)

|cn |2 = E0

(C.4)

Dakle, prava valna funkcija osnovnog stanja 0 daje najniu energiju,

Z
E0 =

~
~ ~
0 (R)H
0 (R)dR

~
~ R
~.
(R)H(
R)d

(C.5)

~ dobiti to niu energiju, odnosno

Cilj je, mijenjajuci (varirajuci) probnu valnu funkciju 0 (R),
odrediti gornju granicu energije osnovnog stanja. Time je problem odredivanja
energije os
novnog stanja sveden na odabir parametarski ovisnog i fizikalno smislenoga oblika probne
172

valne funkcije u ovisnosti o malom broju parametara te potom odredivanje

onih parametara

koji daju minimum ocekivane vrijednosti energije. Pod fizikalno smislenim oblikom podrazumijeva se takva probna valna funkcija da vjerojatnost nalaenja c estice u podrucju , odnosno
R
~
~ R
~ NIJE:
(R)(
R)d

~ )  0;
 0 tamo gdje za potencijalnu energiju vrijedi V (R
0 gdje je potencijal slabo odbojan, odnosno gdje postoji vjerojatnost nalaenja c estice.
Medutim,
vano je naglasiti da na ovaj nacin moemo odrediti samo gornju granicu energije

osnovnog stanja jer nam nita ne grantira da odabrani oblik moemo mijenjanjem parametara
transformirati u 0 .
Analogna se procedura moe primijeniti na odredivanje
preostalih svojstvenih vrijednosti

traeci parametre koji minimiziraju vrijednosti integrala

Z

uz uvjete ortonormiranosti

~
~ ~
n (R)H
n (R)dR

(C.6)

~ m (R)d
~ R
~ = nm
n (R)

(C.7)

za m n.

173

Pravokutna potencijalna jama

Schrdingerova jednadba

~2 2
(~r) + V (r)(~r) = E(~r)
2

(D.1)

opisuje gibanje fiktivne c estice reducirane mase dimera = m1 m2 /(m1 + m2 ) u razlicitim

modelima sferno-simetricnog potencijala V (~r) = V (r). Stoga je valna funkcija osnovnog
stanja 0 (~r) = (r)Yl=0,m=0 (, ), do na konstantni faktor kugline funkcije Y0,0 = (4)1/2 ,
jednaka radijalnoj valnoj funkciji
(r) =

40 (r) .

(D.2)

Dakle, problem odredivanja

karakteristika osnovnog stanja sveo se na rjeavanje jednostavnije

jednodimenzionalne diferencijalne jednadbe

~ 2 d2
[r(r)] + [V (r) E] [r(r)] = 0 .
2 dr2

(D.3)

Za realisticne modele potencijala interakcije V (r), ta je diferencijala jednadba lako rjeiva

numericki [1] dok su analiticka rjeenja ostvariva samo za neke jednostavne modele interakcije poput pravokutne potencijalne jame RoVo (4.29) skicirane na crt. 4.4. U tom je slucaju
Schrdingerova jednadba (D.3), zbog jednostavnog razlomljenog potencijala RoVo, odvojeno
u podrucjima I i II, rjeiva analiticki do na konstante odredive iz rubnih uvjeta. Valna je funkcija
konacna za vezano stanje pa na odvojenim rubovima vrijedi
I (r = 0) 6= 0 ,
II (r ) 0

(D.4a)
(D.4b)

174

gdje su indeksima oznacene domene. Stoga rjeenja moemo zapisati u obliku

CI sin(k 0 r)
,
r
CII exp(kr)
II (r) =
.
r
I (r) =

(D.5a)
(D.5b)

U zapisu (D.5) koritene su redom pokrate

r

2
(V0 + E) ,
~2
r
2
(E) .
k
~2

k0

(D.6a)
(D.6b)

Korisno je uvesti pokratu koja ih povezuje

k02

2
2
V0 = k 0 + k 2 .
~2

(D.7)

Zahtjev kontinuiranosti rjeenja na granici podrucja I i II i njihovih derivacija daje sustav jednadbi

(R ) = (R )
I
0
II
0
.
(D.8)

0 (R ) = 0 (R )
0
0
II
I
Eliminacijom konstanti CI i CII , problem se svodi na numericko rjeavanje jednadbe
tan(k 0 R0 ) = p

k0
k02 k 0 2

(D.9)

po k 0 . Tada prema (D.6a), direktno za najmanji k 0 slijedi energija osnovnog stanja

E=

~2 0 2
k V0 .
2

(D.10)

Iz rubnih uvjeta (D.8) na granici podrucja, odredive su konstante CI i CII , odnosno valna
funkcija (r) prema (D.5).

175

VMC za vodikov atom (kod)

/ * ====================================================================
_______________________ ______ __
______________________ ___
__ ___ / ___ __ / __ __ \ ___ / / /
__ ___ / ____ _ / ___
|/
/
_____ \ __ /
_ / / / __ / _ / /
_____ \ __ / __
/| _/ /
____ / / _ /
/ / _ / / _ __ /
____ / / __ / /
_ /
/ /
/ ____ /
/_/
\ ____ /
/_/ /_/
/ ____ /
/ ___ /
/_/
/_/
P r i r o d o s l o v n o m a t e m a t i c k i f a k u l t e t u S p l i t u
Stohasticke simulacije u klasicnoj i kvantnoj f i z i c i
V a r i j a c i j s k i Monte C a r l o : : Osnovno s t a n j e v o d i k o v a atoma
2011/2012
K o r i s t e n e oznake :
Nb
= b r o j b l o k o v a ( number o f b l o c k s )
ib
= indeks bloka , t r e n u t n i blok
Ns
= b r o j k o r a k a ( number o f s t e p s )
is
= indeks koraka , t r e n u t n i korak
Nw
= b r o j s e t a c a ( nuber of walkers )
iw
= indeks setaca
NbSkip= b r o j p r e s k o c e n i h b l o k o v a
E
= lokalna energija
SwE
= z b r o j v r i j e d n o s t i od E po svim s e t a c i m a
SsE
= z b r o j s r e d n j i h v r i j e d n o s t i po k o r a c i m a
SbE
= z b r o j s r e d n j i h v r i j e d n o s t i po b l o k o v i m a
accept = brojac prihvacenih koraka
acc_is = udio prihvacenih koraka
x
= koordinate polozaja setaca
dx
= promjena k o o r d i n a t e
dk
= maksimalna d u l j i n a koraka
xp
= k o o r d i n a t e probnog p o l o z a j a s e t a c a
rp
= r a d i j v e k t o r probnog p o l o z a j a
P
= v j e r o j a t n o t n a l a z e n j a na p o l o z a j u x
Pp
= v j e r o j a t n o s t n a l a z e n j a u probnom p o l o z a j u
T
= v j e r o j a t n o s t p r i j e l a z a x > xp
Psi
= valna funkcija
======================================================================= * /

176

#include
#include
#include
#include
#define
#define
#define
#define

< s t d i o . h>
< s t d l i b . h>
<math . h>
"ran1.c"

Ns
Nw
Nb
b

300
/ / broj koraka
900
/ / broj setaca
310
/ / broj blokova
1. / / parametar probne valne f u n k c i j e

main ( ) {
long idum=( 212) ;
int is , ib , iw , k , NbSkip ;
double accept , acc_is , ave_E , sig_E ;
double x [ 4 ] [ Nw + 1 ] , xp [ 4 ] , dk [ 4 ] , E [ Nw + 1 ] , P [ Nw + 1 ] , Psi ( double , double ) ;
double dx , rp , rp2 , SwE , SsE , SbE , SbE2 , Pp , T ;
FILE * fp0 ;
accept = 0 . ;
/ / prihvacanje
NbSkip = 1 0 ;
/ / koliko prvih blokova p r e s k o c i t i
dk [ 1 ] = dk [ 2 ] = dk [ 3 ] = 1 . 5 ; / / m a k s i m a l n e p r o m j e n e k o o r d i n a t a
fp0=fopen ( "r.dat" , "w" ) ; / / d a t o t e k a z a p o h r a n u s r e d n j i h v r i j e d n o s t i
/ / i n i c i j a l i z a c i j a p o l o z a j a prema P s i * P s i :
for ( iw = 1 ; iw<=Nw ; iw++) {
rp2 = 0 . ;
for ( k = 1 ; k<=3;k++) {
x [ k ] [ iw ] = 1 5 . * ( ran1(&idum ) 0.5) ;
rp2=rp2+x [ k ] [ iw ] * x [ k ] [ iw ] ;
}
rp=sqrt ( rp2 ) ;
P [ iw ] = Psi ( rp , x [ 3 ] [ iw ] ) * Psi ( rp , x [ 3 ] [ iw ] ) ;
E [ iw ] = 2 . / rp * ( b 1 . )b * b ;
}
SbE = 0 . ; SbE2 = 0 . ;
for ( ib = 1 ; ib<=Nb ; ib++) { / / b l o k o v i
SsE = 0 . ;
for ( is = 1 ; is<=Ns ; is++) { / / k o r a c i
SwE = 0 ;
for ( iw = 1 ; iw<=Nw ; iw++) { / / s e t a c i
rp2 = 0 . ;
for ( k = 1 ; k<=3; k++) { / / k o o r d i n a t e
dx = 2 . * ( ran1(&idum ) 0.5) * dk [ k ] ;
xp [ k ] = x [ k ] [ iw ] + dx ;
rp2=rp2+xp [ k ] * xp [ k ] ;
}
rp=sqrt ( rp2 ) ;
Pp=Psi ( rp , xp [ 3 ] ) * Psi ( rp , xp [ 3 ] ) ;

177

T=Pp / P [ iw ] ;
if ( T>=1) {
for ( k = 1 ; k<=3; k++) {
x [ k ] [ iw ] = xp [ k ] ;
}
accept + = 1 . ;
P [ iw ] = Pp ;
E [ iw ] = 2 . / rp * ( b 1 . )b * b ;
}
else if ( ran1(&idum ) <=T ) {
for ( k = 1 ; k<=3; k++) {
x [ k ] [ iw ] = xp [ k ] ;
}
accept + = 1 . ;
P [ iw ] = Pp ;
E [ iw ] = 2 . / rp * ( b 1 . )b * b ;
}
SwE=SwE+E [ iw ] ;
} // setaci
/ / m a k s i m a l n u d u l j i n u k o r a k a podesavamo kako b i p r i h v a c a n j e b i l o 50%
if ( is%100==0) {
acc_is = accept / ( ( ib1) * Nw * Ns+is * Nw ) ;
if ( acc_is > 0 . 5 ) for ( k = 1 ; k<=3; k++) dk [ k ] = dk [ k ] * 1 . 0 5 ;
if ( acc_is < 0 . 5 ) for ( k = 1 ; k<=3; k++) dk [ k ] = dk [ k ] * 0 . 9 5 ;
}
/ / a k u m u l a c i j a p o d a t a k a nakon s t a b i l i z a c i j e
if ( ib>NbSkip ) {
SsE+=SwE / Nw ;
}
} / / koraci
if ( ib>NbSkip ) {
SbE+=SsE / Ns ;
SbE2+=SsE * SsE / ( Ns * Ns ) ;
fprintf ( fp0 , "%d\t%f\t%f\n" , ibNbSkip , SsE / Ns , SbE / ( ibNbSkip ) ) ;
}
printf ( "blok: %d, prihvacenost: %3.1f \n" , ibNbSkip , acc_is * 1 0 0 . ) ;
} / / blokovi
ave_E =SbE / ( NbNbSkip ) ;
sig_E =sqrt ( fabs ( SbE2 / ( NbNbSkip )ave_E * ave_E ) / ( NbNbSkip 1 . ) ) ;
accept=accept / ( Nw * Ns * Nb ) ;
printf ( " postotak prihvacenih koraka: %4.1f\n" , accept * 1 0 0 . ) ;
printf ( "\n konacni max koraci: %6.4f %6.4f %6.4f\n" , dk [ 1 ] , dk [ 2 ] , dk [ 3 ] ) ;
printf ( "\n srednja udaljenost: %8.5f %8.5f \n" , ave_E , sig_E ) ;
fclose ( fp0 ) ;
system ( "PAUSE" ) ;
}
double Psi ( double r , double z ) { return exp(b * r ) ; }

178