Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Monte-Carlo-Simulation und Ising-Modell
Simon Dinter
Betreuer: Prof. Dr. Muller-Preußker
Seminar zur theoretischen Physik, SS 20075. Juli 2007
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Gliederung
1 Das Ising Modell
2 Monte Carlo SimulationMotivationPrinzip der MCSAlgorithmenStatistischer Fehler
3 PhasenubergangKritische Exponenten und OrdnungsparameterFinite Size Scaling
4 Zusammenfassung etc.ZusammenfassungAusblickLiteratur
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Was ist das Ising Modell?
Einschrankung des Heisenberg-Modells auf eineRaumrichtung.
Halbwegs realistisches Modell eines Viel-Teilchen-Systems, dasPhasenubergang zeigt und (eingeschrankt) mathematischstreng behandelbar ist
Anschauliches Demonstrationsmodell furPfadintegral-Simulation in QM
Einfaches Modell fur magnetische Vielteilchen-Systeme mitauf eine Raumrichtung fixierten permanenten magnetischenMomenten ⇒ Verstandnis von Ferromagnetismus
Modell einer Flussigkeit (Hard Core WW-Potential zwischenMolekulen), ”Gittergasmodell”
Beschreibung binarer Legierungen (z.B Zn - Cu)
Erschließung des Verhaltens von Ionenkanalen in Membranen,Koharenzerscheinungen auf Kapitalmarkten, . . .
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Hamiltonian (1)
Definition
Seinen N auf Gitterplatzen lokalisierte permanente magnetischeMomente (Spins) si (i = 1, . . . ,N) mit je 2Einstellungsmoglichkeiten si = ±1 und externes Magnetfeld hDann lautet der Hamiltonian:
H = −N∑
i ,j=1
ji ,jsi sj − hN∑
i=1
si
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Hamiltonian (2)
Kommentare
Erster Summand: WW der Spins untereinander, zweiterSummand: WW Spin mit Magnetfeld
Ferromagnetismus : j ≥ 0, Anitferromagnetismus: j ≤ 0
Meist Einschrankung auf Nachste-Nachbar-Wechselwirkung:jij ≡ j , falls i , j Indizes nachste Nachbarn, 0 sonst
Randbedingungen erforderlich
Dimensionalitat des Systems bestimmt Anzahl nachsterNachbarn
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Mathematische Behandlung (1)
Zustandssumme
Alle relevanten thermodynamischen Großen lassen sich aus derZustandssumme Z ableiten.
Z (T ) := Sp
(exp
(− H
kBT
))
Hier:
Z (T ,N, h) =∑{si,j}
exp
(−
H ({si ,j} ; h)
kBT
)
2 mogliche Einstellungen fur jeden Spin → 2N Summanden inZ
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Mathematische Behandlung (2)
Beispiele fur thermodynamische Großen
Mit β ≡ 1/kBT gilt:
Innere Energie
U = 〈H〉 = − ∂
∂βlnZ
Freie EnergieF = −kBT lnZ
Magnetisierung
M = N∂
∂βhlnZ
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Mathematische Behandlung (3)
Das Ising-Modell ist exakt losbar fur
Nachste-Nachbar-Wechselwirkung in d = 1 fur beliebiges h
Nachste-Nachbar-Wechselwirkung in d = 2 fur h = 0
Bisher nicht analytisch gelost fur d = 3
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Motivation fur Monte Carlo Simulation
Grundsatzliche Vorteile der Simulation
Physikalische bzw. statistische Probleme haufig zu kompliziertfur analytische Losung
Schneller und einfacher als streng analytische Losung
Unabhangige Uberprufung analytischer Resultate moglich
Einschrankungen
Benotigen schnelle Rechner, denn relativer statistischer Fehlerproportional zur ”Rechenzeit”
∼ 1√N∼ 1√
τcomp
Guter Zufallszahlengenerator erforderlich
Große des simulierten Systems durch Speicher beschrankt
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Motivation fur Monte Carlo Simulation
Grundsatzliche Vorteile der Simulation
Physikalische bzw. statistische Probleme haufig zu kompliziertfur analytische Losung
Schneller und einfacher als streng analytische Losung
Unabhangige Uberprufung analytischer Resultate moglich
Einschrankungen
Benotigen schnelle Rechner, denn relativer statistischer Fehlerproportional zur ”Rechenzeit”
∼ 1√N∼ 1√
τcomp
Guter Zufallszahlengenerator erforderlich
Große des simulierten Systems durch Speicher beschrankt
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Prinzip am Beispiel des Ising-Modells
Erzeuge statistisches Ensemble { {s}i } (i = 1, . . . ,M),M � 2N hinreichend groß
Dabei grundsatzlich verschiedene Methoden der Erzeugung(Sampling):
Sampling Methoden
Simple Sampling
Biased Sampling
Importance Sampling
Werden im Folgenden nur Importance Sampling behandeln.
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Importance Sampling (1)
Erzeugung der Konfigurationen unter Berucksichtigung desstatistischen Gewichts
P ({s}i ) =1
Zexp
(−
H ({s}i )kBT
)fur jede Konfiguration
Der Mittelwert eines Operators O
〈O〉 =1
Z
∑{s}i
O ({s}i ) exp
(−
H ({s}i )kBT
)Lasst sich dann wie folgt abschatzen
〈O〉 ' 1
M
M∑i=1
O ({s}i )
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Importance Sampling (2)
Wie erzeugt man Konfigurationen mit diesem Gewicht?Man kann zeigen, dass als Hinreichende Bedingung die”Detailed Balance” Bedingung
Detailed Balance
P ({s}i ) W ({s}i → {s}i ′) = P ({s}i ′) W ({s}i ′ → {s}i )
erfullt sein muss.
W ist nicht eindeutig! Spezielle Wahl kann Algorithmusoptimieren/vereinfachen.Trivialerweise erfullt, falls
W ({s}i → {s}i ′) ≡ W ({s}i ′) = P ({s}i ′)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Importance Sampling (2)
Wie erzeugt man Konfigurationen mit diesem Gewicht?Man kann zeigen, dass als Hinreichende Bedingung die”Detailed Balance” Bedingung
Detailed Balance
P ({s}i ) W ({s}i → {s}i ′) = P ({s}i ′) W ({s}i ′ → {s}i )
erfullt sein muss.
W ist nicht eindeutig! Spezielle Wahl kann Algorithmusoptimieren/vereinfachen.Trivialerweise erfullt, falls
W ({s}i → {s}i ′) ≡ W ({s}i ′) = P ({s}i ′)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Importance Sampling (2)
Wie erzeugt man Konfigurationen mit diesem Gewicht?Man kann zeigen, dass als Hinreichende Bedingung die”Detailed Balance” Bedingung
Detailed Balance
P ({s}i ) W ({s}i → {s}i ′) = P ({s}i ′) W ({s}i ′ → {s}i )
erfullt sein muss.
W ist nicht eindeutig! Spezielle Wahl kann Algorithmusoptimieren/vereinfachen.Trivialerweise erfullt, falls
W ({s}i → {s}i ′) ≡ W ({s}i ′) = P ({s}i ′)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Vorbereitungen
Gegeben sei d-dimensionales Gitter mit N Gitterplatzen, aufdenen Spins mit 2 Einstellmoglichkeiten lokalsisiert sind, z.B.dreidimensionales Gitter mit L Gitterplatzen in jederRaumrichtung
Definiere Randbedingungen (z.B. periodisch in alleRaumrichtungen fortgesetztes Gitter)
Stelle beliebige Anfangskonfiguration her
Beispiele fur Anfangskonfigurationen
”Kaltstart”: Alle Spins gleichgerichtet
”heißer Start”: Alle Spins beliebig gerichtet
Beliebige andere Konfiguration denkbar, z.B. ”Schachbrett”(nachste Nachbarn entgegengerichtet)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Vorbereitungen
Gegeben sei d-dimensionales Gitter mit N Gitterplatzen, aufdenen Spins mit 2 Einstellmoglichkeiten lokalsisiert sind, z.B.dreidimensionales Gitter mit L Gitterplatzen in jederRaumrichtung
Definiere Randbedingungen (z.B. periodisch in alleRaumrichtungen fortgesetztes Gitter)
Stelle beliebige Anfangskonfiguration her
Beispiele fur Anfangskonfigurationen
”Kaltstart”: Alle Spins gleichgerichtet
”heißer Start”: Alle Spins beliebig gerichtet
Beliebige andere Konfiguration denkbar, z.B. ”Schachbrett”(nachste Nachbarn entgegengerichtet)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Lokaler Algorithus (1)
Erzeuge nun sukzessive neue Zustande, indem immer ein Spingemaß Boltzmann-Statistik geandert wird wobei alle anderenfixiert bleiben. Spin ist ”im Warmebad seiner Nachbarn” ⇒Heat Bath Algorithmus.
Dann betrachten wir fur festes k:
H = −sk
(j∑
i∈N.N.
si + h
)︸ ︷︷ ︸
A
−hN∑
l=1, l 6=k
sl − j∑
m,lN.N.
smsl
Somit ist die Wahrscheinlichkeit, bei fixierten Spins Si 6=k denSpin sk zu erhalten, mit a = A/kBT :
W (sk) = const · e+ask
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Lokaler Algorithus (2)
Wir erhalten:
W (sk = +1) =e+a
e+a + e−a
W (sk = −1) =e−a
e+a + e−a
W erfullt per Konstruktion Detailed Balance Bedingung!
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Heat Bath Algorithmus
Umsetzung des Heat Bath Algorithmus:
1 Wahle einen (beliebigen) Gitterplatz k aus
2 Berechne a und damit W (sk = ±1)
3 Wahle Zufallszahl η aus [0; 1] und setze
sk = +1 falls η < W (sk = +1)
sk = −1 falls η ≥ W (sk = +1)
4 Schritte 1 bis 3 so oft wiederholen, bis statistischeUnabhangigkeit (asymptotisch) gewahrleistet ist, d.h. dassaktuelle Spinkonfiguration und Startkonfiguration unkorreliertsind. (Mindestens einmal das gesamte Gitter durchlaufen)
5 Konfiguration dann als neue Konfiguration ins Ensembleaufnehmen oder Mittelwert gewunschter Observablenspeichern.
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Statistischer Fehler
Wir betrachten den Erwartungswert des Quadrates desstatistischen Fehlers bei M Messungen einer Große A. Nach einigenUmformungen und Annahmen erhalten wir als Endergebnis mitBeobachtungszeit τobs :
Statistische Fehlerabschatzung⟨(δA)2
⟩≈ 2
τA
τobs
(⟨A2⟩− 〈A〉2
)Diese Abschatzung gilt nur fur Korrelationszeiten τA � τobs/M,fur den umgekehrten Fall erhalten wir das gleiche Ergebnis wie imunkorellierten Fall (Simple Sampling)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Cluster Algorithmen (1)
Problem beim lokalen Algorithmus: Schlechte Performance inder Nahe des Kritischen Punktes, da (im thermodyn. Limes)Korrelationslange und -zeit divergieren
Vorteil Cluster-Algorithmen: Cluster konnen sehr groß werden,bis Ordnung Korrelationslange.
Problem: Volumenabhangigkeit
Cluster Algorithmen u.a. von Swendsen & Wang und U. Wolff
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Cluster Algorithmen (2)
Prinzip des Swendsen Wang Cluster-Algorithmus
Wenn benachbarte Spins gleichgerichtet, diese mit gewisserWahrscheinlichkeit w zu Clustern zusammenfassen, fur jedenCluster zufalligen Spinwert auswahlen und diesen jedem Spinim Cluster zuweisen.
w ≤ exp−δH/kBT
Prinzip des Cluster-Algorithmus von Wolff
Beim Swendsen Wang Algorithmus werden viele Clustererzeugt.
Idee: Einen Spin zufallig auswahlen (”Dartwurf”) und umdiesen einen einzigen Cluster konstruieren.
Verschiedene Vor- und Nachteile, siehe Literatur
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Cluster Algorithmen (2)
Prinzip des Swendsen Wang Cluster-Algorithmus
Wenn benachbarte Spins gleichgerichtet, diese mit gewisserWahrscheinlichkeit w zu Clustern zusammenfassen, fur jedenCluster zufalligen Spinwert auswahlen und diesen jedem Spinim Cluster zuweisen.
w ≤ exp−δH/kBT
Prinzip des Cluster-Algorithmus von Wolff
Beim Swendsen Wang Algorithmus werden viele Clustererzeugt.
Idee: Einen Spin zufallig auswahlen (”Dartwurf”) und umdiesen einen einzigen Cluster konstruieren.
Verschiedene Vor- und Nachteile, siehe Literatur
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Kritische Exponenten (1)
Beschreibt das Verhalten einer Funktion f (ε) nahe deskritischen Punktes Tc . weiter
Definition
Funktion f (ε) sei positiv und stetig fur geeignet kleine Werte von
ε ≡ T − Tc
Tc.
Dann ist
λ ≡ limε→0
ln f (ε)
lnε
der kritische Exponent von f , falls der Grenzwert existiert.
Notation f (ε) ∝ ελImpliziert nicht: f (ε) = Aελ
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Kritische Exponenten (1)
Beschreibt das Verhalten einer Funktion f (ε) nahe deskritischen Punktes Tc . weiter
Definition
Funktion f (ε) sei positiv und stetig fur geeignet kleine Werte von
ε ≡ T − Tc
Tc.
Dann ist
λ ≡ limε→0
ln f (ε)
lnε
der kritische Exponent von f , falls der Grenzwert existiert.
Notation f (ε) ∝ ελImpliziert nicht: f (ε) = Aελ
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Kritische Exponenten (2)
Universalitatshypothese
Kritische Exponenten sind fast universell, sprich fur allethermodynamischen Systeme gleich, hangen nur ab von
Dimension d des Systems
Reichweite der Teilchen-Wechselwirkung
Spindimensionalitat (wichtig bei magnetischen Systemen)
Durch Simulation und exakte Rechnung: β = 0, 125 fur d = 2
Durch Simulation in d = 3 ergeben sich typische Werteβ ≈ 0, 325± 0, 04
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Kritische Exponenten (2)
Universalitatshypothese
Kritische Exponenten sind fast universell, sprich fur allethermodynamischen Systeme gleich, hangen nur ab von
Dimension d des Systems
Reichweite der Teilchen-Wechselwirkung
Spindimensionalitat (wichtig bei magnetischen Systemen)
Durch Simulation und exakte Rechnung: β = 0, 125 fur d = 2
Durch Simulation in d = 3 ergeben sich typische Werteβ ≈ 0, 325± 0, 04
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Ordnungsparameter (1)
Wie wird Phasenubergang charakterisiert?
Phasenubergange mit spontaner Symmetriebrechung:Ordnungsparameter
Ordnungsparameter sind im einem Zustand des Systems Nullund nehmen im anderen einen Wert 6= 0 an
Beispiele:
Phasenubergang Ordnungsparametermagnetischer PU spontane Magnetisierungflussig/gasformig DichtedifferenzSupraleitung Amplitude der koharenten Wellenfunktion
Bemerkung: Ordnungsparameter kann auch richtungsabhangigsein (→ Supraleiter)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Ordnungsparameter (2)
weiter
Ordnungsparameter fur das Ising-Modell: Spontane Magnetisierungpro Gitterplatz
m ∼ 〈s〉m0 (T ) := lim
h→0+lim
N→∞m (T , h)
Wichtige Bemerkung
In einem endlichen System findet aber kein Phasenubergang statt,da Korrelationslange und Korrelationszeit endlich sind. Dasbedeutet insbesondere fur die spontane Magnetisierung, dass dieWahrscheinlichkeit, von einem Zustand m > 0 in einen anderen mitm < 0 zu kommen, nicht Null ist.⇒ Mussen vom endlichen System auf ein unendlich ausgedehntesSystem skalieren: Finite Size Scaling
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Ordnungsparameter (2)
weiter
Ordnungsparameter fur das Ising-Modell: Spontane Magnetisierungpro Gitterplatz
m ∼ 〈s〉m0 (T ) := lim
h→0+lim
N→∞m (T , h)
Wichtige Bemerkung
In einem endlichen System findet aber kein Phasenubergang statt,da Korrelationslange und Korrelationszeit endlich sind. Dasbedeutet insbesondere fur die spontane Magnetisierung, dass dieWahrscheinlichkeit, von einem Zustand m > 0 in einen anderen mitm < 0 zu kommen, nicht Null ist.⇒ Mussen vom endlichen System auf ein unendlich ausgedehntesSystem skalieren: Finite Size Scaling
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Ordnungsparameter (3)
Magnetisierung pro Gitterplatz in Abhangigkeit eines außerenMagnetfeldes bei verschiedenen Temperaturen
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Ordnungsparameter (4)
Entwicklung der Magnetisierung fur bei MC-Simulation fur kleinesSystem, wir sehen, dass Magnetisierung ”umklappt”
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (1)
Phanomenologische Aussagen der Finite Size Scaling Theorie
Skaleneffekte werden gesteuert durch den Quotienten L/ξ, ξist Korrelationslange
Dabei gilt fur T ≈ TC :
L
ξ' Lεν
Definition ε
Ergebnis fur die Magnetisierung (→ Brankov, Kap. 4.3):
mL (T , h) ' bL−β/νY(aεL1/ν , bhLδ/ν
)Y ist universelle Skalierungsfunktion, hangt aber vonRandbedingungen und Systemgeometrie ab.
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (1)
Phanomenologische Aussagen der Finite Size Scaling Theorie
Skaleneffekte werden gesteuert durch den Quotienten L/ξ, ξist Korrelationslange
Dabei gilt fur T ≈ TC :
L
ξ' Lεν
Definition ε
Ergebnis fur die Magnetisierung (→ Brankov, Kap. 4.3):
mL (T , h) ' bL−β/νY(aεL1/ν , bhLδ/ν
)Y ist universelle Skalierungsfunktion, hangt aber vonRandbedingungen und Systemgeometrie ab.
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (2)
Spontane Magnetisierung
Spontane Magnetisierung m0 (T ) als Ordnungsparameter:Doppelte Grenzwertbildung unhandlich und unublich, denn furT < TC ist in hinreichend großen Systemen Magnetisierung+m oder −m ausreichend metastabil, so dass vernunftigeAbschatzungen gemacht werden konnen.
Aber: Fur T > TC findet man womoglich Magnetisierungδm 6= 0, da sich Fluktuationen wegen endlicherBeobachtungszeit und endlicher Systemgroße nicht vollstandigherausmitteln.
Benotigen hinreichend lange Beobachtungszeiten
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (3)
Jedoch: Bei T ↗ TC nimmt m ab und δm zu, bisFluktuationen in O (m)
Losung: Root Mean Square des Ordnungsparameters bilden:
mrms =√〈m2〉 =
⟨(N∑
i=1
Si/N
)2⟩1/2
=1
N
N∑i ,j=1
〈SiSj〉
1/2
Abschatzung ergibt fur T = TC mit N = Ld
mrms (T = TC ) ∝ L−β/ν
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (4)
Im endlichen System ist der Ordnungsparameterwahrscheinlichkeitsverteilte Große
Die Dichte der Wahrscheinlichkeitsverteilung ist symmetrisch.
Fur T > TC und L � ξ ist dieWahrscheinlichkeitsverteilungsdichte fur einenOrdnungsparameter von Gauß’scher Form.
Fur T ≈ TC wird diese breiter und verliert ihre GaußscheForm, sie bildet ein abgeflachtes Plateau.
Fur T < TC und wiederum L � ξ besitzt sie in der Nahe derWerte +m0 und −m0 jeweils Gauß’sche Form weicht jedochfur m → 0 davon ab.
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (5)
Wahrscheinlichkeitsverteilung fur spontane Magnetisierung imendlichen System bei Temperatur T < TC
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (6)
Fur große L sollte auch 〈|s|〉L eine gute Naherung derspontanen Magnetisierung sein, da bei akzeptablenBeobachtungszeiten kein Wechsel von positiver zu negativerMagnetisierung stattfindet, wir ”sehen” also nur die Halfte derWahrscheinlichkeitsverteilung. ⇒ 〈s〉L ' 〈|s|〉L.Auf der nachsten Folie werden verschiedene Abschatzungenfur spontane Magnetisierung verglichen. Wir stellen fest, dasssich diese fur große L dem gleichen Wert annahern.
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (7)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (8)
Bisher nur L � ξ fur Abschatzungen betrachtet
In der Praxis ist Korrelationslange ξ meist unbekannt
Gauß’scher Charakter der Verteilungsfunktion kann durchBerechnung der sogenannten 4.-Ordnung- oderBinderkumulante:
UL = 1−⟨s4⟩L
3 〈s2〉2Lgetestet werden.
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Finite Size Scaling (9)
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Zusammenfassung
Ising Modell außerst vielseitig
Monte-Carlo-Simulationen machtiges Werkzeug zur Losungkomplizierter statistischer Probleme
Phasenubergang: Konzepte und Schwierigkeiten
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Ausblick
Monte-Carlo-Simulationen werden benotigt
zur Kalkulation hochdimensionaler Integrale, z.B.Pfadintegrale in QM und OFT
fur numerische Behandlung statistischer Modelle, z.B.Supraleitung bei hohen Temperaturen zu verstehen
speziell um Quantenfeldtheorien zu simulieren, insbesondereQuantenchromodynamik:Berechnung des Massenspektrums von Hadronen
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Dank
Vielen Dank fur Ihre Aufmerksamkeit
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Links
Java-Applet mit lokalem Algorithmushttp://bartok.ucsc.edu/peter/java/ising/keep/ising.html
Zusatzlich Cluster-Algorithmenhttp://www-fcs.acs.i.kyoto-u.ac.jp/˜harada/monte-en.html
S. Dinter MCS & Ising-Modell
Das Ising Modell Monte Carlo Simulation Phasenubergang Zusammenfassung etc.
Literatur
Binder, Heermann: Monte Carlo Simulation in StatisticalPhysics
W. Nolting: Grundkurs Theoretische Physik, Bd.4, Kap.4
H. Eugene Stanley: Introduction to Phase Transitions andCritical Phenomena
Rodney J. Baxter: Exactly Solved Models in StatisticalMechanics
Brankov, Danchev, Tonchev: Theory of Critical Phenomena inFinite Size Systems
U. Wolff: Comparison between Cluster Monte CarloAlgorithms in the Ising Model
U. Wolff: Cluster Algorithms for Non-Linear Sigma Models(→ HEP-Spires)
Deckblatt
S. Dinter MCS & Ising-Modell