Physikalische Optimierung - Physik - Universität Regensburg
Physikalische Optimierung - Physik - Universität Regensburg
Physikalische Optimierung - Physik - Universität Regensburg
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
KAPITEL 2. MONTE-CARLO-METHODEN 16<br />
2.2 Simple Sampling<br />
Die grundlegende Idee des Simple Samplings [BH02] ist es, die exakten Gleichungen für<br />
thermodynamische Erwartungswerte durch eine Summe zu ersetzen, in der nicht über<br />
alle möglichen Zustände σ1,... ,σG summiert wird. Stattdessen summiert man über<br />
eine statistische Auswahl charakteristischer Punkte σ1,...,σM, M ≤ G, des Phasenraums.<br />
Als Erwartungswert erhält man also für eine Observable:<br />
Ā =<br />
M<br />
i=1 A(σi)Pequ(σi)<br />
M<br />
i=1 Pequ(σi)<br />
(2.6)<br />
Die Punkte σi werden dabei zufällig aus dem gesamten Phasenraum ausgewählt. Im<br />
Grenzfall gilt:<br />
lim Ā(σ) = 〈A(σ)〉 (2.7)<br />
M→G<br />
Da die einzelnen Konfigurationen mittels gleichverteilter Zufallszahlen bestimmt werden,<br />
wird dieses Verfahren Simple Sampling genannt. In der Praxis liefert diese Methode<br />
nur für sehr kleine Systeme oder bei sehr hohen Temperaturen gute Ergebnisse, da die<br />
Punkte des Phasenraums gleichmäßig ausgewählt werden.<br />
Die Verteilungsfunktion einer makroskopischen Variablen ist jedoch stark um ihren<br />
Mittelwert zentriert. Deshalb trägt bei jeder Temperatur nur ein sehr kleines Gebiet des<br />
Phasenraums signifikant zum thermischen Mittelwert einer Observablen bei. Betrachtet<br />
man die Verteilungsfunktion PT(E) der Variablen E so sieht man, dass diese bei der<br />
Temperatur T einen Peak bei ET mit einer Halbwertsbreite proportional zu 1<br />
√ N hat.<br />
N ist dabei die Zahl der Freiheitsgrade. Außerhalb von kritischen Temperaturbereichen<br />
verhält sich die Verteilung dann nach [BH02]:<br />
<br />
PT(E) ∝ exp −N (E − 〈E〉T ) 2<br />
2CT 2<br />
<br />
(2.8)<br />
Mit sinkender Temperatur nimmt ET ab und damit ändert sich auch die Verteilung.<br />
Das zufällige Herausgreifen von Lösungen aus dem Phasenraum beim Simple<br />
Sampling richtet sich jedoch nicht nach der Verteilung bei niedrigen Temperaturen,<br />
sondern entspricht der Wahrscheinlichkeitsverteilung P∞(E), also derjenigen, die für<br />
unendlich hohe Temperaturen gilt.<br />
Die linke Kurve von Abb. 2.1 beschreibt die Verteilung der Energie im kanonischen<br />
Ensemble bei tiefen Temperaturen. Die rechte Kurve zeigt die durch Simple Sampling<br />
erzeugte Verteilung entsprechend einer unendlich hohen Temperatur mit 〈H〉 = 0.<br />
Die Verteilung PT(E) ist bei den Energien, die im physikalischen Modell bei tiefen<br />
Temperaturen mit hoher Wahrscheinlichkeit auftreten und für das Systemverhalten in<br />
diesem Bereich wichtig sind, wegen des exponentiellen Abfalls nur sehr schmal. Beim<br />
Simple Sampling werden daher bei tiefen Temperaturen fast ausschließlich physikalisch<br />
unwichtige Konfigurationen erzeugt. Daraus ergibt sich eine stark fehlerhafte Berechnung<br />
der physikalischen Größen. Diese Nachteile können jedoch mit dem Importance-<br />
Sampling von Metropolis vermieden werden.