冷凝物数值模拟.pptVIP

计算凝聚态物理;Monte Carlo 模拟基础 随机变量及其分布 随机变量(以下用?表示)可分为两类, 一类是离散型随机变量, 它可以取一系列 分立值 x1, x2, ?, xn, ? , 其对应的取某一值的几率为p1, p2, ?, pn, ? . pi称为?的几率分布; 另一类是连续型随机变量, ?可连续取值, 设?在区间[x, x+?x]内取值的几率为 p(x ? x+?x), 令 f(x)称为?的分布几率密度, 而?处于区间[a,b]内的几率由下式给出 ;几率应归一化, 即 对离散型随机变量 对连续型随机变量 定义分布函数 代表?处于[-1, x]的几率. 显然, ;随机变量的数学期望定义为 或 方差定义为 或 ;两个重要的定理: 大数定理: 设 ?1, ?2,?,?n,? 为一随机变量序列, 相互独立, 具有同样分布, 且 E(?i)=a 存在, 则对任意小量? 0, 有 这一定理指出, 不论随机变量的分布如何, 只要n足够大, 则算术 平均与数学期望值可无限接近, 也就是说, 算术平均以几率收敛于 其数学期望值. ;中心极限定理: 设 ?1, ?2,?,?n,? 为一随机变量序列, 相互独立, 具有同样分 布, 且 E(?i)=a, D(?i)=?2 存在, 则当n!1时, 推论: 令: 成立的几率为 1-?, (A) 1-?称为可信水平. ;, 1-?和X?的数值关系 ;Markov 链 构造一个过程, 从系统的某一微观状态出发, 并在过程的每 一步转移到一个新的状态. 为了确定起见, 下面用xi代表系统 的微观状态, 如果从x0出发, 则这一过程产生一系列状态 x1,x2,?, xi, ? , 这一系列状态构成一个链. Markov过程, 是指这样一种过程, 在过程的每一步所达到的 状态只与前一状态有关, 从一状态r到另一状态s的转移通过 一转移几率w(xr!xs) 来实现. 由 Markov 过程产生的一系列 状态所构成的链称为 Markov 链. 为了实现按照正则分布抽样, 我们可以构造这样一个 Markov 链, 使得无论从何状态出发, 存在一个大数M, 在丢掉链的前 面M个状态后, 链上其余的状态满足正则分布. ;只要取w(xr!xs) 满足如下条件, 就可达到我们的要求. 式中P(x)为所要达到的分布, 此处为正则分布. 这一式子 又称为细致平衡条件. 为了证明上式, 我们考虑很多个 平行的Markov链, 在一个给定的某一步, 有Nr个链处于 第r个态, Ns个链处于第s个态. 于是在下一步从r态到s态 的数目为 从s态到r态的数目为 从r态到s态的净转移的数目为 ;若w( xr! xs)满足细致平衡条件, 则上式成为 这是一个十分重要的结果, 上式表明, 如果二个状态之间 不满足正则分布, 则这一Markov 过程的演化结果将总是 使其趋于满足. 这样, 就证明了我们的论断. ;正则分布的抽样方法: 选择一个满足细致平衡条件的转移几率; 产生一个Markov 链, 丢掉链的前而面M个状态; 用其余状态进行物理量的计算. 这一算法是五十年代初由 Metropolis 提出来的,因此现在一般称为 Metropolis 算法. 考虑从r态到s态的转移, 若二状态的能量差为 则: ;当年Metropolis 选择 : 目前常用的另一种选择是: 应当注意的是, w的选择并不唯一, 只要满足细致平衡条件 的要求即可, 但不同的w收敛速度往往差别很大, 如何选择 合适的w以达到尽可能快的收敛速度和尽可能高的计算精 度仍然是当前Monte Carlo算法研究的前沿课题之一.;例题, Ising模型的模拟 Ising 模型: 式中J称为交换积分, h为外场, si 可取值(1, -1), 称为自旋变量. Ising 模型是最简单的非平庸统计物理模型, 它是由德国物理学家 Lenz 在二十年代 提出的, 这一模型可用来描述单轴各向异性磁性系统, 合金等物理体系, 同时 也是一个十分有兴趣的理论模型. Ising 最早给出了这一模型在一维情况下的严格解, 证明了在一维下这一 模型不存在相变. O