Monte-Carlo Simulation - TU Berlin
Monte-Carlo Simulation - TU Berlin
Monte-Carlo Simulation - TU Berlin
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Methoden der Statistischen Physik<br />
Karsten Gorling<br />
kgorling@physik.tu.berlin.de<br />
<strong>TU</strong>-<strong>Berlin</strong><br />
Methoden der Statistischen Physik – p. 1
Inhalt<br />
erster Termin <strong>Monte</strong> <strong>Carlo</strong> <strong>Simulation</strong><br />
zweiter Termin Molekulardynamik<br />
Methoden der Statistischen Physik – p. 2
<strong>Monte</strong> <strong>Carlo</strong><br />
• Grundlagen der stat. Physik<br />
• Motivation der <strong>Monte</strong> <strong>Carlo</strong> Methode<br />
• Konkrete Probleme der Anwendung<br />
• Problematik der Zufallszahlen<br />
• Das Ising-Modell<br />
Methoden der Statistischen Physik – p. 3
Grundlagen<br />
Ratengleichung der stat. Physik<br />
(1)<br />
dω µ<br />
dt<br />
= ∑ ν<br />
[ω ν (t)R(ν → µ) − ω µ (t)R(µ → ν)]<br />
• ω ν (t) Wahrscheinlichkeit für Zustand ν<br />
• R(µ → ν) Wahrscheinlich für Übergang µ → ν<br />
(2)<br />
Normierungsbedingung für ω ν<br />
∑<br />
ω ν (t) = 1<br />
ν<br />
Methoden der Statistischen Physik – p. 4
Grundlagen<br />
Für Größe Q gilt dann<br />
(3)<br />
〈Q〉 = ∑ ν<br />
Q ν ω ν (t)<br />
Im Gleichgewicht gilt<br />
dω ν<br />
dt = 0<br />
(4)<br />
Besetzungwahrscheinlichkeit p µ<br />
(5)<br />
p µ = lim ω µ (t) nach Gibbs p µ = 1<br />
t→∞ Z e −E µ<br />
kT<br />
Methoden der Statistischen Physik – p. 5
Grundlagen<br />
In vorheriger Gleichung ist Z die kanonische<br />
Zustandssumme<br />
(6)<br />
Z = ∑ µ<br />
e −E µ<br />
kT<br />
Für beob. Größe gilt dann<br />
(7)<br />
〈Q〉 = ∑ µ<br />
Q µ p µ<br />
Methoden der Statistischen Physik – p. 6
Motivation<br />
• Untersuche ∫ x<br />
0 sin( 1 y )2 dy<br />
• Integral lässt sich nicht analytisch lösen<br />
• Mit MC aber<br />
• Für jedes x wähle zufälligen Punkt (v,h), für<br />
den gilt 0 ≤ v ≤ x und 0 ≤ h ≤ 1<br />
• Prüfe ob gilt h ≤ f(v) wenn ja erhöhe Zähler<br />
• Für Integral gilt dann I(x) = lim N→∞<br />
Mx<br />
N<br />
Methoden der Statistischen Physik – p. 7
Motivation<br />
1,1<br />
1<br />
0,9<br />
Funktion f(x)<br />
Sampling mit 1000<br />
Sampling mit 10000<br />
0,8<br />
0,7<br />
0,6<br />
0,5<br />
0,4<br />
0,3<br />
0,2<br />
0,1<br />
0<br />
0 0,5 1 1,5 2<br />
Methoden der Statistischen Physik – p. 8
Motivation<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0.5 1 1.5 2<br />
Methoden der Statistischen Physik – p. 9
Anwendung auf Physik<br />
• Ziel Bestimmung von physikalischen Größe<br />
∑<br />
µ<br />
〈Q〉 =<br />
Q µe −βE µ<br />
(8)<br />
∑<br />
µ e−βE µ<br />
• Lässt sich nicht analytisch lösen<br />
• Problem: Zuviele mögliche Zustände:<br />
Einschränkung finden<br />
• Lösung: nur über wichtige Zustände summieren<br />
Methoden der Statistischen Physik – p. 10
important Sampling<br />
• Einschränkung auf M Zustände {µ 1 · · · µ M }<br />
ergibt Abschätzung<br />
(9)<br />
Q M =<br />
∑ M<br />
i=1 Q µ i<br />
p −1<br />
µ i<br />
e −βE µ i<br />
∑ M<br />
j=1 p−1 µ j<br />
e −βEµ j<br />
• Idee: bestimmte Zustände sind wahrscheinlicher<br />
als andere, diese Bevorzugen<br />
• Approximation durch wenige Zustände verändert,<br />
bei gut gewählten Gewichten nicht das Ergebnis<br />
Methoden der Statistischen Physik – p. 11
important Sampling<br />
Wahrscheinlichkeit für einen Zustand aus der<br />
Boltzmannverteilung nehmen<br />
(10)<br />
p µ = Z − 1e −βE µ<br />
Q M = 1 M<br />
M∑<br />
Q µi<br />
i=1<br />
Methoden der Statistischen Physik – p. 12
important Sampling<br />
Wie wählt man jetzt die Zustände<br />
• Markovkette: Man erzeugt Startzustand<br />
• Berechnet varierten Zustand<br />
• legt Übergangswahrscheinlichkeit P (µ → ν) fest<br />
• Mit der Zeit wird System in td. Gleichgewicht<br />
relaxieren<br />
• Dazu müssen zwei Bedingungen erfüllt werden<br />
Ergodizität und “Dtailed Balance”<br />
Methoden der Statistischen Physik – p. 13
important Sampling<br />
Übergangswahrscheinlichkeit P (µ → ν) müssen<br />
folgende Bedingungen gelten<br />
• Ergodizität bezeichnet jeder Zustand ν ist vom<br />
Zustand µ erreichbar<br />
• Detailed Balance: Im Gleichgewicht soll die<br />
Boltzmannverteilung erreicht werden erfüllt<br />
P (µ → ν)<br />
P (ν → µ) = e−β(E ν−E µ )<br />
• Normierung: ∑ ν<br />
P (µ → ν) = 1<br />
• Noch zu bestimmen:<br />
Übergangswahrscheinlichkeit<br />
Methoden der Statistischen Physik – p. 14
important Sampling<br />
• Man führt Trennung ein zwischen<br />
Wahrscheinlichkeit<br />
• das ein Zustand von der <strong>Simulation</strong><br />
ausgewürfelt wird<br />
• dieser neue Zustand angenommen wird<br />
(11)<br />
P (µ → ν)<br />
P (ν → µ)<br />
=<br />
g(µ → ν)A(µ → ν)<br />
g(ν → µ)A(ν → µ)<br />
Methoden der Statistischen Physik – p. 15
Metropolis<br />
Der Metropolisalgorithmus setzt dies um<br />
(12) A(µ → ν) =<br />
{ e<br />
−β(E ν −E µ )<br />
ifE ν − E µ > 0<br />
1 sonst<br />
Methoden der Statistischen Physik – p. 16
Bedeutung des Zufalls<br />
• gute Zufallszahlen müssen vorliegen,<br />
unvoreingenommene Auswahl der Zustände<br />
• Im Computer gibt es nur Pseudozufallszahlen<br />
• D.h. werden berechnet, häufig nach<br />
Y n+1 = Z(Y n )<br />
• Man bezeichnet Y 0 als Seed<br />
• Gleiche Zufallsreihen für gleiches Seed<br />
• Man muss sich über die Qualität seinen<br />
Zufallszahlengenerators im klaren sein<br />
• Rechnung sollte mit verschiedenen Generatoren<br />
geprüft werden<br />
Methoden der Statistischen Physik – p. 17
ISING-Modell<br />
• <strong>Simulation</strong> eines Magneten<br />
• Hier 2D-Gitter, Spin-Zustände<br />
• Hamilton: H = −J ∑ 〈ij〉 s is j − B ∑ i s i<br />
• Das Gitter liegt auf einer Torusoberfläche<br />
Methoden der Statistischen Physik – p. 18
ISING-Modell<br />
• Untersuchung für Phasenübergänge bei<br />
Ferromagneten<br />
• Auch für andere Modelle mit binären Zellen<br />
Methoden der Statistischen Physik – p. 19