（KM知识管理)动力学蒙特卡洛方法(KMC)及相关讨论.pdfVIP

（KM 知识管理)动力学蒙特 卡洛方法(KMC)及相关讨论 动力学蒙特卡洛方法(KMC)及相关讨论 星期二,2010-05-1101:05—satchel1979 动态模拟在目前的计算科学中占据着非常重要的位置。随着计算能力和第一原理算法的发展，复杂的动态 参数（扩散势垒、缺陷相互作用能等）均可利用第一原理计算得出。因此，部分复杂的体系动态变化，如 表面形貌演化或辐射损伤中缺陷集团的聚合-分解演变等，已可以较为精确的予以研究。KMC——动力学蒙 特卡洛方法（kineticMonteCarlo ）原理简单，适应性强，因此在很多情况下都是研究人员的首选。此外， KMC 在复杂体系或复杂过程中的算法发展也非常活跃。本文试图介绍 KMC 方法的基础理论和若干进展。 KMC 方法基本原理 在原子模拟领域内，分子动力学(moleculardynamics,MD)具有突出的优势。它可以非常精确的描述体系演 化的轨迹。一般情况下 MD 的时间步长在飞秒(s)量级，因此足以追踪原子振动的具体变化。但是这一优势 同时限制了MD 在大时间尺度模拟上的应用。现有的计算条件足以支持 MD 到 10ns ，运用特殊的算法可以达 到 10s 的尺度。即便如此，很多动态过程，如表面生长或材料老化等，时间跨度均在 s 以上，大大超出了MD 的应用范围。有什么方法可以克服这种局限呢？ 当体系处于稳定状态时，我们可以将其描述为处于维势能函数面的一个局域极小值（阱底）处。有限温度 下，虽然体系内的原子不停的进行热运动，但是绝大部分时间内原子都是在势能阱底附近振动。偶然情况 下体系会越过不同势阱间的势垒从而完成一次 “演化”，这类小概率事件才是决定体系演化的重点。因此， 如果我们将关注点从 “原子”升格到 “体系” ，同时将 “原子运动轨迹”粗化为 “体系组态跃迁” ，那么 模拟的时间跨度就将从原子振动的尺度提高到组态跃迁的尺度。这是因为这种处理方法摈弃了与体系穿越 势垒无关的微小振动，而只着眼于体系的组态变化。因此，虽然不能描绘原子的运动轨迹，但是作为体系 演化，其 “组态轨迹”仍然是正确的。此外，因为组态变化的时间间隔很长，体系完成的连续两次演化是 独立的，无记忆的，所以这个过程是一种典型的马尔可夫过程(Markovprocess) ，即体系从组态到组态，这 一过程只与其跃迁速率有关。如果精确地知道，我们便可以构造一个随机过程，使得体系按照正确的轨迹 演化。这里``正确的意思是某条给定演化轨迹出现的几率与MD 模拟结果完全一致(假设我们进行了大量 的MD 模拟，每次模拟中每个原子的初始动量随机给定) 。这种通过构造随机过程研究体系演化的方法即为 动力学蒙特卡洛方法(kineticMonteCarlo,KMC)[1] 。 指数分布与 KMC 的时间步长 在 KMC 模拟中，构造呈指数分布的随机数是一个相当重要的步骤。这一节中我们对此进行讨论。 因为体系在势能面上无记忆的随机行走，所以任意单位时间内，它找到跃迁途径的概率不变，设为。因此 在区间内，体系不发生跃迁的概率为 类似的，在区间内，体系不发生跃迁的概率为 以此类推，当时，在区间内，体系不发生跃迁的概率为 因此，当趋于时，体系不发生跃迁的概率为 (1) 这一行为类似于原子核的衰变方程。从方程(1)我们可以得到单位时间内体系跃迁概率。从方程(1)的推导 过程可以看出体系的跃迁概率是一个随时间积累的物理量，因此对时间积分到某一时刻必然等于，也即。 因此我们立即可以得到[1] (2) 是体系处于态时所有可能的跃迁途径的速率之和，即 (3) 对于每个具体的跃迁途径，上述讨论均成立。因此，我们可以定义单位时间内体系进行跃迁的概率为 (4) 单位时间内体系的跃迁概率呈指数分布这一事实说明 KMC 的时间步长也应是指数分布。因此我们需要产生 一个指数分布的随机数序列。这一点可以非常容易的通过一个(0,1]平均分布的随机数序列转化得到： 从而 (5) 最后一步是因为和的分布相同。也可以通过上述步骤从方程(4)得到。 计算跃迁速率 过渡态理论(TST) 决定了KMC 模拟的精度甚至准确性。为避开通过原子轨迹来确定的做法(这样又回到了MD 的情况) ，一般情 况下采用过渡态理论(transitionstatetheory,TST)进行计算[2] 。在TST 中，体系的跃迁速率决定于体系 在鞍点处的行为，而平衡态(势阱)处的状态对其影响可以忽略不计。如果大量的相同的体系组成正则系综， 则在平衡状态下体系在单位时间内越过某个垂直于跃迁途径的纵截面的流量即为。简单起见，假设有大量 相同的一维双组态(势阱)体系，平衡状态下鞍点