Introducci´on a las transiciones de fase y a su simulaci´on
Introducci´on a las transiciones de fase y a su simulaci´on
Introducci´on a las transiciones de fase y a su simulaci´on
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
6 Simulaciones<br />
Enprincipio, la teoría<strong>de</strong> lafísica estadísticaenequilibrio <strong>de</strong>scritoen <strong>las</strong>ección anteriornos permite<br />
calcular cualquier función termodinámica <strong>de</strong>l sistema en equilibrio. Sin embargo, hay un pequeño<br />
problema: noconocemos Z. ParacalcularZ,hayquehaceruna<strong>su</strong>masobremuchasconfiguraciones:<br />
enel mo<strong>de</strong>lo <strong>de</strong> Ising, por ejemplo, si hay N espines entonces hay 2 N configuraciones. Parauna red<br />
<strong>de</strong> 100 ×100, que no es muy gran<strong>de</strong>, N = 10000 y el número <strong>de</strong> configuraciones es 2 10000 ≃ 10 3000 .<br />
Aún con todas <strong>las</strong> computadoras que existen corriendo durante toda la edad <strong>de</strong>l universo, nunca<br />
llegaríamosalograrhaceresta<strong>su</strong>ma. Asíquelabonitateoríapue<strong>de</strong>re<strong>su</strong>ltaralgoinútilenlapráctica.<br />
Para avanzar,tenemos tres opciones. Po<strong>de</strong>mos buscar resolver exactamente el problema, encontrandounamanera<strong>de</strong>evaluarlafunción<strong>de</strong>particióny<strong>su</strong>s<br />
<strong>de</strong>rivadasexactamente. Estosíse pue<strong>de</strong><br />
hacer en unos pocos casos, el principal siendo el mo<strong>de</strong>lo <strong>de</strong> Ising en ausencia <strong>de</strong> campo magnético<br />
externo y en dos dimensiones, que fue re<strong>su</strong>elto por Lars Onsager (1903–1976; premio Nobel 1968)<br />
en1944. Estos casos exactamentesolubles sonindispensables porque nos proporcionaninformación<br />
<strong>de</strong>finitiva sobre<strong>las</strong>propieda<strong>de</strong>s<strong>de</strong><strong>las</strong><strong>transiciones</strong> <strong>de</strong><strong>fase</strong>.<br />
Sin embargo, el número <strong>de</strong> mo<strong>de</strong>los que se pue<strong>de</strong>n resolver exactamente es muy reducido. Otra<br />
opción sonunos métodos aproximativosanalíticos. Laterceraopción, enlaque nos enfocaremos,es<br />
la <strong>de</strong> intentar simular los mo<strong>de</strong>los en la computadora y calcular <strong>su</strong>s propieda<strong>de</strong>s termodinámicas, y<br />
por lotantobuscar<strong>su</strong>s <strong>transiciones</strong> <strong>de</strong><strong>fase</strong>,<strong>de</strong>maneranumérica.<br />
6.1 Elmétodo<strong>de</strong> Monte Carlo<br />
Haybásicamenteunúnicométodoconocidoparacalcularnuméricamente<strong>las</strong>propieda<strong>de</strong>stermodinámicas<br />
–es <strong>de</strong>cir, promedios– en un sistema por simulaciones numéricas por computadora, el método <strong>de</strong><br />
Monte Carlo usando ca<strong>de</strong>nas<strong>de</strong>Markov. El método más común se llama el método<strong>de</strong>Metropolis, por el<br />
primerautor <strong>de</strong>ltrabajopublicadoenlos años cincuenta don<strong>de</strong> seinventó el método.<br />
La i<strong>de</strong>a <strong>de</strong>l método es encontrar un algoritmo para generar una secuencia larga <strong>de</strong> configuraciones<strong>de</strong>unsistema,talque<strong>de</strong>spués<strong>de</strong>untiempocadaconfiguraciónsegeneraconlaprobabilidad<br />
a<strong>de</strong>cuadapara<strong>de</strong>scribirelequilibrio<strong>de</strong>lsistema. Porejemplo,parasimularunsistemaaunatemperatura<br />
T constante, cada configuración σ se tiene que generar con la probabilidad(frecuencia) P β (σ).<br />
Sinembargo,estosetiene que hacersin conocer la Z(β).<br />
Lai<strong>de</strong>agenial<strong>de</strong>Metropolisetal.fueusarunprocesoaleatorioeneltiempo–es<strong>de</strong>cir,unaca<strong>de</strong>na<br />
<strong>de</strong> Markov para hacerlo. En una ca<strong>de</strong>na <strong>de</strong> Markov, en cada paso el sistema pue<strong>de</strong> brincar <strong>de</strong> <strong>su</strong><br />
configuración actual σ a una nueva τ con cierta probabilidad <strong>de</strong> transición p σ→τ , que <strong>de</strong>pen<strong>de</strong> nada<br />
más<strong>de</strong>laconfiguraciónactual,es<strong>de</strong>cirno<strong>de</strong>pen<strong>de</strong><strong>de</strong>lahistoria<strong>de</strong><strong>las</strong>ecuencia<strong>de</strong>configuraciones<br />
antes visitadas. Si se escogen<strong>las</strong> p σ→τ <strong>de</strong>manera apropiada,entonces cadaconfiguración σ aparece<br />
conla frecuencia<strong>de</strong>seada.<br />
La probabilidad <strong>de</strong> que el sistema se encuentre en la configuración σ al tiempo t, que notamos<br />
P t (σ),satisfacealaecuación<strong>de</strong>evolución<br />
P t+1 (σ) = ∑P t (τ)p τ→σ , (21)<br />
τ<br />
que dice que la probabilidad <strong>de</strong> estar en la configuración σ al tiempo t +1 está dado por la <strong>su</strong>ma<br />
sobre todas <strong>las</strong> configuraciones <strong>de</strong> la probabilidad que el sistema se encontraba en la configuración<br />
τ al tiempoanterior,por laprobabilidad<strong>de</strong> brincar<strong>de</strong> τ a σ.<br />
11