Professional Documents
Culture Documents
SIMULACIJE U
KLASICNOJ
I KVANTNOJ FIZICI
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 . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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
168
B Klasteri
170
C Varijacijski princip
172
174
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
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
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
59
3.1
65
4.1
VI
1
Uvod
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
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
2.2
(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
(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 .
(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)
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
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
1 X k
dxxk P (x) + O(1/ N )
xi =
N i=1
0
1
1+k
(2.13)
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)
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
(2.16)
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
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
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
n
n
X
X
i=1
!
si sj
(2.19)
j=1
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
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
4
xn =
hsi sj sk sl i
(2.22)
i,j,k,l=1
xn =
n
X
s4i + 3
i=1
n
X
i=1
"
#
s2i
X
i6=j
(2.23)
hx4n i hx2n i2 =
2n2 2n
2n,
(2.24)
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
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) =
(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
1 2f
(x)2 + ..
2 x2
1 2f
(x)2 + ..
2
2 x
(2.27)
(2.28)
(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)
(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)
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
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
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 ,
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
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.
2.4
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
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
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 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
2.4.3
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,
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,
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
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)
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
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
(2.43)
(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)
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
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
S(p) |p pc | ,
(2.51)
(2.52)
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
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.
(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)
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)
(2.64)
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
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
Sb
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).
2.6.3
Lancani raspadi
1
2
N1
N2
N3
(2.66)
42
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)
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
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)
2.6.5
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
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
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.
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)
100
|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 =
50
f (x)dx =
a
nprihvacenih
fm (b a).
npokuaja
(2.89)
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 ...
(2.94)
2.7.1
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)
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)
2
m
1 X 2
e .
=
m =1
(2.102)
(2.103)
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)
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)
2
=
n
(2.108)
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
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
ex dx
(2.109)
cos2 d
(2.110)
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
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.
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
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)
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)
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
p(x, y)dxdy =
(2.121)
r = (x2 + y 2 )1/2 ,
(2.122)
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)
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
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.
ex dx.
(2.128)
59
Zadatak 2.18.
1
dx.
x2 + cos2 x
(2.129)
2.7.4
Metropolis algoritam
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)
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
(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
63
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
(3.1)
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
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
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
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
1 Es
e
,
Z
(kanonska raspodjela)
(3.4)
69
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)
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
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
E=+J
E=-J
N
X
i,j=nn(i)
si sj H
N
X
si ,
(3.8)
i=1
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
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
(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)
(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
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
<s>
0.8
0.6
0.4
0.2
0
0
4
T
< s >
kT
3
zJ < s >
kT
3
.
(3.18)
3
T
kT
zJ
3
zJ
T
k
1/2
(Tc T ) ,
(3.19)
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?
3.4.3
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)
(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)
1 X
Am =
As ,
m s=1
(3.26)
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)
(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
(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
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,
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
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
, 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
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
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)
(M )2
,
kT
(3.35)
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
(3.39)
(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
,
(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)
(3.43)
(3.44)
C(T ) |T Tc | L/
(3.45)
(T ) |T Tc | L/
(3.46)
89
(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)
3.4.5
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
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
T = 0.5
0
T = 0.25
1
4
0
H
0
H
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
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)
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
(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
(3.52)
3.4.7
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
(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
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
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
=
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)
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
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
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
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
F
N
V,T
= kT ln
ZN +1
ZN
(3.60)
(3.61)
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)
ri
.
L
(3.63)
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)
(N N 1) = min 1, N 3 e( +(UN 1 UN ))
3.7
(3.69)
(3.70)
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
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
3.7.2
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)
(3.73)
(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.
112
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
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
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
modelu potencijalne energije c iju kvalitetu mogu ocijeniti samo eksperimentalna opaanja.
4.1
~
~ R
~.
(R)H(
R)d
(4.2)
Cilj je prilagodavanjem
probne valne funkcije doci to blie valnoj funkciji osnovnog stanja.
4.1.1
~
~
~ (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)
)
~ p )(R
~ p)
(R
,1 ;
~
~
(R)(
R)
(4.6)
~ R
~ p prihvacamo: R
~ =R
~ p;
ako je T 1, pomak R
1
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)
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)
(4.9)
3/2
2a0
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
.
(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)
~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)
4.2
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
(4.20)
u(xi , xj ) .
i<j
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)
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
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)
(4.27)
(4.28)
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)
(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
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
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
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
50
100
4He
T (HFDB-DWW)
150
200
b
EVMC
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
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
-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
=1K
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
(x, ) =
; |x L/2| L/2
Ax (x L) eax
Zadatak 4.4.
Promotrite c esticu mase m koja se giba u potencijalu
V (x) =
x4 ax3 a2 x2
+
4
4
8
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
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
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
(4.34)
zapisati kao
~ )
(R,
~ ) .
= H(R,
~ = 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
~
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)
~
ci e(Ei ER ) i (R)
(4.41)
(4.42)
G
= (H ER )G .
(4.43)
(4.44)
~ 0 , R,
~ )
G(R
~ ER G(R
~ 0 , R,
~ ) .
= DR~ 2R~ + V (R)
(4.45)
132
4.3.1
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)
G = e(HER ) eT e(VER )
GT G V .
(4.49)
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)
E
~ 0 V R
~ = V (R)
~
~0 R
~ .
R
R
(4.52)
(4.53)
133
(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)
!
.
(4.56)
(4.57)
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,
(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
DMC algoritam prvog je reda ako je greka ukupne energije linearna u vremenskom koraku
0
EDMC ( ) = E0 (0) + kE
(4.62)
135
(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 +
|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)
(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)
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)
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
(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.
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
(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
~
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)
2i (~ri )
(~ri )
(4.84)
transformacijom
2i
i (i )
=
1
2
2i
~
i
i
1
=
2
(4.85)
= 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
Na
X
fijddr (rij ) ,
(4.93)
j=1
j6=i
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
~
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
~ ) = (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
~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
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
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
~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
~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
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
4.3.5
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
4.3.6
Otputanje c vorova
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
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)
(4.106)
[F, H] = 0 .
(4.107)
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
(4.109)
(4.110)
(4.111)
(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)
-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)
(
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
(4.118)
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)
(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
Qw = Pw = Pw /Nk
(4.124)
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)
~
F(R)
Nw ( +2Nk )
QI(w) ( + Nk ) (4.127)
w=1
(HFDB-MFmod)
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 .
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
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)
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
He
He
cmi /
He40 3 He na Cs(CCZ)
z/
4.4.3
Procjena greke
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
157
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
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)
(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.
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
~ i |R
~ i >< R
~ i |,
dR
(4.138)
i = 1, 2, , , M 1
~ < 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
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
!2
1
M
X
~
~
m Rj+1 Rj
~
+ V(Rj )
exp
.
~
j=0
(4.142)
!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
~ novi )
S(R
~ stari R
~ novi ) = min 1, e
A(R
eS(R~ stari )
#
(4.144)
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
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
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
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)
X
m
cm |m i
(C.3)
|cm |2 = 1 .
(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)
~
~ ~
0 (R)H
0 (R)dR
~
~ R
~.
(R)H(
R)d
(C.5)
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
uz uvjete ortonormiranosti
~
~ ~
n (R)H
n (R)dR
(C.6)
~ m (R)d
~ R
~ = nm
n (R)
(C.7)
za m n.
173
~2 2
(~r) + V (r)(~r) = E(~r)
2
(D.1)
40 (r) .
(D.2)
~ 2 d2
[r(r)] + [V (r) E] [r(r)] = 0 .
2 dr2
(D.3)
(D.4a)
(D.4b)
174
(D.5a)
(D.5b)
2
(V0 + E) ,
~2
r
2
(E) .
k
~2
k0
(D.6a)
(D.6b)
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)
~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
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