5. Computersimulationen
1
5.1 Einleitung
2
5.2 Periodische Randbedinungen
3
5.3 Molekulardynamik Simulationen
4
5.4 Monte Carlo Simulationen
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 1 / 41
5.1 Einleitung
5.1 Einleitung
(a) Motivation
Computerunterstz¨ utzte Physik (’computational physics’), die sich methodisch der Computersimulationen bedient, wird zunehmend als drittes Standbein der Physik neben der theoretischen und der experimentellen Physik betrachtet
Begr¨ undung, Notwendigkeit:
• es existiert nur eine sehr kleine Zahl an exakt (d.h. analytisch) l¨ osbaren Modellen (z.B., Ising Modell f¨ ur D = 2); Computersimulationen erg¨ anzen/ersetzen/testen daher theoretische (N¨ aherungs-)Verfahren
• Simulationen setzen Standards, in dem sie ’quasi-exakte’ Ergebnisse liefern
• Simulationen erm¨ oglichen Behandlung komplexerer Probleme, als dies mit Hilfe theoretischer (N¨ aherungs-)Verfahren m¨ oglich ist
• Simulationen f¨ uhren oft ¨ uber Experimente und experimentelle M¨ oglichkeiten hinaus:
◦ extreme Bedingungen (Temperatur, Druck, ...)
◦ computational materials design: Abtasten hochdimensionaler
Parameterr¨ aume, freie Variation des Modells ⇒ Suche nach neuen
Systemen (Physik, Chemie, Pharmazie, Werkstoffwissenschaften, ...)
5.1 Einleitung
Aus Ref. [4.1].
• aus dem Vergleich zwischen den Ergebnissen aus Computersimulationen und
experimentellen Ergebnissen erh¨ alt man Informationen ¨ uber
Anwendbarkeit/Verl¨ aßlichkeit eines Modells f¨ ur ein System
• aus dem Vergleich zwischen den Ergebnissen aus Computersimulationen und theoretischen Vorhersagen erh¨ alt man Informationen ¨ uber die Qualit¨ at und Anwendbarkeit des theoretischen (N¨ aherungs-)Methode
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 3 / 41
5.1 Einleitung
(b) (Kurze) Geschichte von Computersimulationen
• einfache Modelle fl¨ ussiger Strukturen:
Gelatinekugeln, Eisenkugeln – J.D. Bernal (∼ 1930)
• erste Computersimulationen von N. Metropolis et al. (1953) – Los Alamos: Monte Carlo Simulationen an harten Teilchen (Scheiben)
• erste Molekulardynamik Simulationen von Alder und Wainwright (1956) an harten Teilchen
Trajektorien harter Scheiben: Festk¨orper (links) und fl¨ussige Phase (rechts); aus Ref. [4.2].
• Monte Carlo Simulationen an einem Lennard-Jones System von Wood und Parker (1957)
• erste Molekulardynamik Simulationen an Lennard-Jones Systemen von Rahman (1964)
• Computersimulationen beginnen sich ∼ 1967 durchzusetzen
5.1 Einleitung
in der Folge:
• Simulationen an Systemen mit zunehmender Komplexit¨ at werden durchgef¨ uhrt: Molek¨ ule (ab 1968), Wasser (ab 1969), ..., ab initio Simulationen (unter Ber¨ ucksichtigung atomarer und elektronischer Freiheitsgrade), ...
weitere Anwendungen:
• Nichtgleichgewichtssimulationen
• Quantenfl¨ ussigkeiten
• biologische Systeme
• ...
andere Bereiche, wo Simulationen eine große Rolle spielen:
• Katalyse
• computational materials design
• Aerodynamik
• Methode der Finiten Elemente
• ...
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 5 / 41
5.1 Einleitung
(c) Grundlagen
• Festlegung des Modells durch (i) die Hamilton-Funktion H (ii) die Geometrie des Systems, (iii) ...
• Wahl des Ensembles legt den Phasenraum Γ = {z} = {p
N, r
N} fest
◦ N = const., V = const., E = const. ⇒ mikrokanonisches Ensemble
◦ N = const., V = const., T = const. ⇒ kanonisches Ensemble
◦ ...
• Ziel von Computersimulationen ist die Berechnung physikalischer Eigenschaften (Thermodynamik, strukturelle Eigenschaften,
elektronische Eigenschaften, Transporteigenschaften, ...) mit Hilfe einer geeigneten Mittelwertbildung im Phasenraum
sei A = A(z) eine Observable, dann gibt es (in der klassischen Statistischen Physik) zwei M¨ oglichkeiten der Mittelwertbildung;
(i) Ensemblemittelwert mit Hilfe jener Verteilungsfunktion f (z), die das Ensemble charakterisiert
Z = Z
Γ
dzf (z) Zustandssumme hAi
e= 1
Z Z
Γ
dzA(z)f (z) Ensemblemittelwert
5.1 Einleitung
(ii) Zeitmittelwert: Konstruktion einer Trajektorie z = z(t) durch den Phasenraum, Mittelwertbildung erfolgt dann entlang dieser Trajektorie
¨
uber ein Zeitintervall T , mit (idealerweise) T → ∞
hAi
t= lim
T→∞
1 T
Z
T0
dt
0A[z(t
0)] Zeitmittelwert zentrale Frage: gilt die Gleichheit dieser Mittelwerte, also
hAi
t= hAi
ef¨ uhrt zur Ergodenhypothese in der Praxis
◦ k¨ onnen nur endliche Bereiche im Phasenraum Γ abgetastet werden
◦ kann nur eine endliche Beobachtungsdauer T realisiert werden praktische Umsetzung:
(i) stochastische Methode:
es wird (fast immer) nur der Konfigurationsanteil von H ben¨ otigt;
’Bewegung’ von einer Konfiguration zur anderen im
Konfigurationsraum Γ mit Hilfe einer ’probabilistischen Mechanik’ ⇒ Monte Carlo Simulation
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 7 / 41
5.1 Einleitung
(ii) deterministische Methode:
Verwendung der intrinsischen Dynamik (Newton, Lagrange, Hamilton) des Systems:
es werden die Bewegungsgleichungen aufgestellt und numerisch integriert
t = t
0z(t
0) = {p
1(t
0), · · · , p
N(t
0); r
1(t
0), · · · , r
N(t
0)}
numerische Integration w w
t > t
0z(t) = {p
1(t), · · · , p
N(t ); r
1(t), · · · , r
N(t)}
⇒ Molekulardynamik Simulation
5.1 Einleitung
(d) Mittelwerte und Fluktuationen
Aussage aus der LVA ”Statistische Physik I”:
... im thermodynamischen Grenzwert (also, z.B., N → ∞ und V → ∞ mit
% = N/V = const.) stimmen die in verschiedenen Ensembles ermittelten Ergebnisse f¨ ur eine Observable (die mit Hilfe von Mittelwerten berechnet wurden) ¨ uberein ...
in der Praxis von Computersimulationen k¨ onnen aber nur Ensembles mit endlicher Gr¨ oße (z.B. Teilchenzahl, Volumen, ...) betrachtet werden, daher ist obige Aussage nicht mehr richtig
aber: es k¨ onnen Beziehungen zwischen den Mittelwerten in den verschiedenen Ensembles hergeleitet werden (vgl., z.B., Ref. [4.1])
Mittelwerte:
bei der Berechnung physikalischer Observablen ¨ uber Zeit- oder
Ensemblemittelwerte werden grundlegende thermodynamische Relationen ausgen¨ utzt
Beispiele:
• Temperatur: sei H = K + V , dann ist hKi = 3
2 Nk
BT ⇒ (kinetische) Temperatur
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 9 / 41
5.1 Einleitung
• Druck: sei F
i= −∇
iV (r
1, · · · , r
N) die Kraft, die auf das Teilchen mit Index i wirkt, dann gilt
PV = Nk
BT − 1 3 h
N
X
i=1
r
i· F
ii (Virial−)Druck
• statische Korrelationsfunktionen:
Γ(r, r
0) = h (%(r) − %) (%(r
0) − %) i geben Auskunft ¨ uber die statische Struktur
• dynamische Korrelationsfunktionen:
Geschwindigkeitsautorkorrelationsfunktion Ψ(t) Ψ(t ) = hv
i(t ) · v
i(t
0)i ⇒ D = 1
3 Z
∞0
dtΨ(t )
Ψ(t ) gibt Auskunft ¨ uber die dynamischen Eigenschaften des Systems
und, im weiteren, ¨ uber Transporteigenschaften (D ist hier der
Diffusionskoeffizient)
5.1 Einleitung
Fluktuationen:
• die Wahl des Systems, des Ensembles und der Randbedingungen legen (rigorose) Erhaltungsgr¨ oßen fest (Noether-Theorem)
Beispiele f¨ ur Erhaltungsgr¨ oßen:
◦ Gesamtenergie im mikrokanonischen Ensemble
◦ Gesamtimpuls in Ensembles mit fixer Teilchenzahl und periodischen Randbedingungen
◦ . . .
Erhaltungsgr¨ oßen sind wichtig, um Aufschluß ¨ uber die numerische Genauigkeit der Implementierung der Computersimulation zu erhalten
• andere Gr¨ oßen d¨ urfen/sollen fluktuieren:
sei A eine Observable und δA = A − hAi mit h(δA)
2i = hA
2i − hAi
2es gilt, zum Beispiel (Beweise sind in Ref. [4.1] angegeben):
◦
h(δV)
2i
NVE= h(δK)
2i
NVE= 3 2 Nk
BT
21 − 3Nk
B2C
V◦
h(δV)
2i
NPT= Vk
BT κ
T◦
h(δN)
2i
µVT= k
BT N
2V κ
T◦ etc.
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 11 / 41
5.1 Einleitung
(e) Nachteile und Schwachpunkte von Computersimulationen
• begrenzte Ensemblegr¨ oße:
10
5∼ 10
7Teilchen im Vergleich zu ∼ 10
23Teilchen in realen Systemen
• verschiedene Zeitskalen innerhalb eines Modells/Problems
z.B.: Elektronen vs. Kerne, Molek¨ ule vs. Bestandteile der Molek¨ ule, ...
• begrenzte Computerleistung
(sowohl bez¨ uglich Rechenzeit als auch Speicherplatz)
• begrenzte numerische Genauigkeit
• Mittelungsprozeß
• ...
5.2 Periodische Randbedinungen
5.2 Periodische Randbedingungen
Hauptproblem von Computersimulationen: endliche Systemgr¨ oße (Teilchenzahl N) Systemgr¨ oße durch Rechenleistung begrenzt, da die Berechnung von Kr¨ aften oder Energien (im allgemeinen) wie N
2skaliert
die (relativ) kleine Systemgr¨ oße f¨ uhrt zu erheblichen Einschr¨ ankungen:
• begrenzte Statistik
• Oberfl¨ acheneffekte
in einem W¨ urfel mit 10 × 10 × 10 = 1000 Teilchen befinden sich 488 (!) Teilchen an den sechs Oberfl¨ achen; ohne zus¨ atzliche Maßnahmen wirken auf die Teilchen an den Oberfl¨ achen (bzw. nahe den Oberfl¨ achen) andere Kr¨ afte als auf jene Teilchen, die sich im Inneren des W¨ urfels befinden
• eingeschr¨ ankte Beschreibung kritischer Ph¨ anomene
• ...
M¨ ogliche Randbedingungen:
• harte, undurchdringliche W¨ ande
• periodische Randbedingungen (Born & von Karman, 1912)
• spezielle, problemspezifische Randbedingungen (Oberfl¨ achen, Schichtstrukturen, ...)
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 13 / 41
5.2 Periodische Randbedinungen
periodische Randbedingungen
Schematische Darstellung einer (zwei dimensionalen)Simulationszelle mit periodischen Randbedingungen; aus Ref. [4.3].
• die Simulationszelle wird ’vervielf¨ altigt’; somit wird ein periodisches Gitter aufgebaut;
die Simulationszelle muß nicht notwendigerweise kubisch sein!
• die Bewegungen der Teilchen in der zentralen Zelle und in den Spiegelzellen verlaufen parallel
• der Austritt eines Teilchens aus der (zentralen) Simulationszelle entspricht dem
Eintritt seines Spiegelteilchens aus einer Kopie der Simulationszelle ⇒ die
Teilchenzahl und somit die Teilchendichte bleibt erhalten
5.2 Periodische Randbedinungen
• es werden nur die Daten (Orte, Geschwindigkeiten, ...) der Teilchen in der zentralen Simulationszelle abgespeichert
• f¨ ur die Reichweite des Potentials wird ein Abschneideradius r
c(mit r
c< L/2) eingef¨ uhrt
es gilt die ’minimum image convention’: ein herausgegriffenes Teilchen ist mit all jenen Teilchen in Wechselwirkung, die sich zu einem gegebenen Zeitpunkt in einer (fiktiven) Zelle befinden, die (maximal) so groß ist wie die Simulationszelle und um dieses Teilchen zentriert ist
• die Einf¨ uhrung eines Abschneideradius erfordert spezielle Methoden (z.B.
Ewald-Summen) bei langreichweitigen Potentialen (z.B. Coulomb-Wechselwirkung, Dipolwechselwirkung, ...)
Fragen, Probleme:
• ist das ’kleine’ System mit periodischen Randbedinungen ¨ aquivalent dem großen (’realistischen’) System?
• was passiert bei Ph¨ anomenen, wo langreicheweitige Korrelationen relevant sind (kritische Ph¨ anomene, ...)
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 15 / 41
5.3 Molekulardynamik Simulationen
5.3 Molekulardynamik Simulationen
(a) Molekulardynamik Simulationen im mikrokanonischen Ensemble System ist gegeben durch:
◦ Teilchenzahl N (fest)
◦ Volumen V (fest); z.B. W¨ urfel
◦ Annahme: es existieren keine ¨ außeren Kr¨ afte (wie, z.B., Schwerkraft)
◦ die Hamiltonfunktion ist gegeben durch
H = H(r
1, · · · , r
N; p
1, · · · , p
N) = K(p
N) + V(r
N) mit K =
N
X
i=1
p
2i2m Bewegungsgleichungen:
(i) Hamilton dr
i(t)
dt = ∂H
∂p
id p
i(t )
dt = − ∂H
∂r
ii = 1, · · · , N (ii) Newton
d2ri(t)
dt2
= p
i(t)/m
dpi(t)
dt
= −∇
iV = F
i)
m d
2r
i(t )
dt
2= F
i= −∇
iV(r
N)
5.3 Molekulardynamik Simulationen
Bemerkungen:
• es existieren je nach Randbedinungen Erhaltungsgr¨ oßen
• die Bewegungsgleichungen sind formal invariant unter Zeitumkehr
• besondere Algorithmen werden bei Systemen mit unstetigen Potentialen ben¨ otigt
numerische Integration der Bewegungsgleichungen:
• Diskretisierung der Zeit: t ⇒ i∆t , i = 1, · · · , N
T∆t ist das Zeitinkrement – wird systemspezifisch gew¨ ahlt (z.B. Argon: ∆t ∼ 10
−15s)
Simulationsdauer N
T– wird systemspezifisch gew¨ ahlt (z.B. ’einfache’ Fl¨ ussigkeiten: N
T∼ 10
9)
somit ergibt sich eine makroskopische Simulationsdauer von ∼ 10
−9s
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 17 / 41
5.3 Molekulardynamik Simulationen
• durch die Diskretisierung in der Zeit werden die Differentialgleichungen der Bewegungsgleichungen zu Differenzengleichungen f¨ ur die
diskretisierten Orte, Geschwindigkeiten, Beschleunigungen, ... der Teilchen:
r
k(t) ⇒ r
k(t = i∆t ) dr
k(t)
dt = v
k(t) ⇒ v
k(t = i∆t ) d
2r
k(t )
dt
2= a
k(t) ⇒ a
k(t = i∆t) k = 1, · · · , N numerische L¨ osungsstrategien der Differenzengleichungen:
es handelt sich um 3N gekoppelte Differenzengleichungen, die zu vorgegebenen Anfangsbedingungen
{r
N(t = 0); v
N(t = 0)} bzw. {r
N(t = 0); r
N(t = ∆t)}
numerisch gel¨ ost werden m¨ ussen
in der Literatur existieren zahlreiche numerische Verfahren, um dieses Problem zu l¨ osen (vgl. Ref. 4.1, 4.4])
Qualit¨ atskriterien: Stabilit¨ at, Genauigkeit, numerischer Aufwand, ...
5.3 Molekulardynamik Simulationen
Beispiele
(a) Verlet-Algorithmus (Teilchenindex weggelassen)
r(t + ∆t ) ∼ = r(t) + ∆t v(t) + (1/2) (∆t )
2a(t) + · · · r(t − ∆t) ∼ = r(t ) − ∆t v(t ) + (1/2) (∆t)
2a(t ) + · · · somit
r(t + ∆t) ∼ = 2r(t ) − r(t − ∆t ) + (∆t )
2a(t) + O (∆t)
4wobei
a(t) = d
2r(t) dt
2= − 1
m ∇V(r
N) weiters
v(t) ∼ = 1
2∆t [r(t + ∆t ) − r(t − ∆t)] + O (∆t)
2G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 19 / 41
5.3 Molekulardynamik Simulationen
(b) ’leap-frog’-Algorithmus
r(t + ∆t) ∼ = r(t ) + ∆t v(t + ∆t /2) + · · · v(t + ∆t/2) ∼ = v(t − ∆t /2) + ∆t a(t ) + · · · mit
v(t ) ∼ = 1
2 [v(t + ∆t /2) − v(t − ∆t /2)]
die Geschwindigkeiten werden zu ’halbzahligen’ Zeitschritten berechnet, w¨ ahrend Orte und Beschleunigungen zu ’ganzzahligen’
Zeitschritten ermittelt werden
Schematische Darstellung der Berechnung der Teilchenorte aus den Geschwindigkeiten und den Beschleunigungen beimVerlet(oben) und beim’leap-frog’(unten) Algorithmus;
aus Ref. [4.1].
5.3 Molekulardynamik Simulationen
Bemerkungen:
◦ die Wahl des Integrationsalgorithmus ist sehr heikel;
dabei m¨ ussen konzeptuell bessere Algorithmen nicht notwendigerweise bessere Ergebnisse liefern; oft liefert bereits der Verlet-Algorithmus sehr gute Ergebnisse
◦ eine formale Zeitumkehrsymmetrie ist in der Praxis nicht realisiert
◦ Lyapunov-Instabilit¨ at
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 21 / 41
5.3 Molekulardynamik Simulationen
Umsetzung einer Molekulardynamik Simulation:
(i) Anfangsbedingungen f¨ ur die Teilchenkoordinaten und/oder Teilchen Geschwindigkeiten werden f¨ ur t = 0 vorgegeben, also
{r
N(t = 0); v
N(t = 0)} bzw. {r
N(t = 0); r
N(t = ∆t)}
(ii) Berechnung von V (r
N) f¨ ur t = 0 und t = ∆t;
daraus erfolgt die (numerische) Berechnung der Kr¨ afte F
izum Zeitpunkt ∆t ¨ uber F
i= −∇
iV
(iii) Berechnung von r
k(∆t + ∆t ) = r
k(2∆t) aus r
k(∆t + ∆t ) = 2r
k(∆t) − r
k(0) + (∆t)
21
m F
k(∆t ) (iv) Abspeichern und Berechnung verschiedener Observablen:
{r
N(2∆t)}, {v
N(2∆t )}, {a
N(2∆t )}, ... bzw. A[p
N(2∆t), r
N(2∆t)]
(v) Vorr¨ ucken der Zeit um ∆t
(vi) zur¨ uck zu Schritt (ii); etc.
5.3 Molekulardynamik Simulationen
Ablauf einer Molekulardynamik Simulation:
• Initialisierungsphase: Festlegung der Anfangskonfiguration bzw. der Anfangsgeschwindigkeiten (z.B. ¨ uber eine Maxwell-Boltzmann Verteilung, die durch die Temperatur T charakterisiert ist)
• Aquilibrierungsphase: ¨ System wird ’beobachtet’ (z.B. zur ¨ Uberpr¨ ufung der Erhaltungsgr¨ oßen), ...
hier besteht die M¨ oglichkeit, korrigierend einzugreifen (Modifikation von ∆t , Reskalierung der Geschwindigkeiten, ...)
• Produktionsphase: Zeit wird auf t = 0 zur¨ uckgesetzt, das System wird sich selbst ¨ uberlassen;
die Koordinaten und die Geschwindigkeiten der Teilchen, sowie weitere relevante Gr¨ oßen werden in regelm¨ aßigen Abst¨ anden abgespeichert;
sei N
TZahl der Integrationsschritte, so gilt f¨ ur den (Zeit-)Mittelwert einer Observablen A
hAi = 1 N
T∆t
NT
X
i=1
A
p
N(i∆t), r
N(i∆t)
∆t
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 23 / 41
5.3 Molekulardynamik Simulationen
Verlauf derkinetischen (oben), der potentiellen (Mitte)und dergesamten Energie (unten)alsFunktionen der Zeit (d.h. Molekulardynamikschritte)in einer Molekulardynamiksimulation im mikrokanonischen Ensemble; das simulierte System ist ein Lennard-Jones System zu den angegebenen
(reduzierten) Dichte- und Temperaturwerten; aus Ref. [4.5].
5.3 Molekulardynamik Simulationen
(b) Molekulardynamik Simulationen im kanonischen Ensemble (i) Andersen Thermostat:
die Teilchen eines (fiktiven) W¨ armebades (durch die Temperatur T charakterisiert) wechselwirken ¨ uber zuf¨ allig generierte ”St¨ oße” mit den Teilchen des Systems
◦ in regelm¨ aßigen Intervallen wird die Geschwindigkeit eines zuf¨ allig herausgegriffenen Teilchens gem¨ aß einer Maxwell-Boltzmann Verteilung ver¨ andert; dies entspricht einer fiktiven Kollision mit einem Teilchen aus dem W¨ armebad
◦ durch die Kollision wird die Energie des Systems ver¨ andert, das System wird somit auf eine andere Energiefl¨ ache ’verschoben’; zwischen zwei dieser Kollisionen wird das System im Rahmen eines mikrokanonischen Ensembles simuliert; das System ’bewegt’ sich somit auf einer Folge von Fl¨ achen konstanter Energie
◦ dadurch wird der Phasenraum so abgetastet, wie dies im Rahmen eines kanonischen Ensembles geschehen w¨ urde
• trotz des sehr einfachen Konzepts, sind einige technische Schwierigkeiten zu
¨ uberwinden (z.B. Wahl der Kollisionsrate, ..)
• das Verfahren ist zur Berechnung mancher thermodynamischer oder
struktureller Gr¨ oßen (z.B. dynamische Korrelationsfunktionen) nicht geeignet
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 25 / 41
5.3 Molekulardynamik Simulationen
(ii) Nos´ e-Hoover Thermostat:
• es werden eine zus¨ atzlichen Koordinate s und ihr konjugierter Impuls p
seingef¨ uhrt
f¨ ur den erweiterten Satz von Variablen (virtuelle Variablen) wird eine Molekulardynamik Simulation im mikrokanonischen Ensemble durchgef¨ uhrt
• Hamiltonfunktion H
Nose=
N
X
i=1
p
2i2ms
2+ V (r
N) + p
2s2Q + g ln s β
• Q ... effektive Masse
g ... ein vorerst nicht n¨ aher definierter Parameter (sh. sp¨ ater)
• Bewegungsgleichungen f¨ ur die virtuellen Variablen d r
idt = ∂H
Nose∂p
i= p
ims
2dp
idt = − ∂H
Nose∂r
i= − ∂V
∂r
ids
dt = ∂H
Nose∂p
s= p
sQ
dp
sdt = − ∂H
Nose∂s = 1
s X
i
p
2ims
2− g
β
!
5.3 Molekulardynamik Simulationen
• Berechnung der mikrokanonischen Zustandssumme f¨ ur das erweiterte Ensemble (basierend auf H
Nose)
Z
N∼ Z
ds dp
sdr
Nd p
Nδ(H
Nose− E ) =
= Z
ds dp
sdr
N(dp
0Ns
3N| {z }
p0=~p/s
)δ X
Ni=1
p
02i2m + V (r
N)
| {z }
H(~p0N,~rN)
+ p
2s2Q + g ln s β − E
mit δ[f (s)] = δ(s − s
0)/|f
0(s
0)|, wobei s
0(einfache) Nullstelle von f (s) ist, gilt somit
Z
N∼ Z
dp
sdp
0Nd r
NZ
ds β
g s
(3N+1)×
× δ h
s − exp n
− β g
H(p
0N, r
N) − p
2s2Q − E
oi
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 27 / 41
5.3 Molekulardynamik Simulationen
Z
N∼ β
g exp[E (3N + 1)/g ] Z
dp
sexp
−β 3N + 1 g
p
s22Q
×
× Z
dr
Ndp
0Nexp
− β
g (3N + 1)H(p
0N, r
N)
= C
Z
dr
Ndp
0Nexp
−βH(p
0N, r
N)
wenn g = 3N + 1 der letzte Ausdruck entspricht aber einer kanonischen Zustandssumme f¨ ur die Hamiltonfunktion H(p
0N, r
N), also in den Variablen p
0Nund r
Nzusammenfassend ist die
mikrokanonische Zustandssumme
[mit Hamiltonfunktion H
Nose(p
N, r
N, s, p
s)]
(im wesentlichen) gleich der
kanonischen Zustandssumme
[mit Hamiltonfunktion H(p
0N, r
N)]
5.3 Molekulardynamik Simulationen
virtuelle Koordinaten reelle Koordinaten (mikrokanonisches Ensemble) (kanonisches Ensemble)
p p
0= p/s
r r
0= r
s s
0= s
∆t ∆t
0= ∆t
1s• die Bewegungsgleichungen f¨ ur die virtuelle Koordinaten sind auf Folie 25 zusammengestellt
die Bewegungsgleichungen f¨ ur reellen Koordinaten lassen sich aus den obigen Relationen herleiten
• Wahl von Q ⇔ Kopplung an den Thermostat
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 29 / 41
5.4 Monte Carlo Simulationen
5.4 Monte Carlo Simulationen
(a) Grundlagen, Monte Carlo Simulationen im kanonischen Ensemble
• in Monte Carlo Simulationen werden zur Berechnung von Observablen Ensemblemittelwerte ausgewertet; zum Beispiel im kanonischen Ensemble
hAi
e= R
Γ
dzA(z) exp[−β H(z)]
R
Γ
dz exp[−βH(z)] ∼ P
NKi=0
A(z
i) exp[−βH(z
i)]
P
NKi=0
exp[−βH(z
i)]
• die z
isind ausgew¨ ahlte S¨ atze von verallgemeinerten Koordinaten
• zentrale Frage: wie werden die {z
i} ausgew¨ ahlt?
• in Monte Carlo Simulationen werden die {z
i} bem¨ aß einer vorgegebenen Wahrscheinlichkeitsverteilung {p
i} ausgew¨ ahlt;
somit gilt f¨ ur obigen N¨ aherungsausdruck des Ensemblemittelwertes hAi
e∼
P
NKi=1
A(z
i)p
i−1exp[−βH(z
i)]
P
NKi=1
p
i−1exp[−β H(z
i)]
d.h. es werden Zust¨ ande im Phasenraum zuf¨ allig ausgew¨ ahlt, wobei die
Wahrscheinlichkeit der Auswahl konsistent ist mit der vorgegebenen
Wahrscheinlichkeitsverteilung der {p
i}
5.4 Monte Carlo Simulationen
• Beispiele f¨ ur die {p
i}:
(i) alle p
isind gleich: dann werden auch
unphysikalische/unwahrscheinliche Konfigurationen z
i(z.B. mit
¨
uberlappenden Teilchen) mitber¨ ucksichtigt, deren Boltzmannfaktor exp[−βH(z
i)] keinen relevanten Beitrag zu hAi liefert
(ii) ’importance sampling’: die p
iwerden gem¨ aß der Verteilungsfunktion f (z) ausgew¨ ahlt, die das Ensemble charakterisiert, also p
i∝ f (z
i) konkret f¨ ur das kanonische Ensemble gilt somit
p
i∝ exp[−βH(z
i)]
und daher
hAi
e∼ P
NKi=1
A(z
i)p
−1iexp[−βH(z
i)]
P
NKi=1
p
i−1exp[−βH(z
i)] ∼ 1 N
KNK
X
i=1
A(z
i) (1)
• zentrale Frage: wie kann man die Zust¨ ande z
ia priori so ausw¨ ahlen, sodaß ihre Wahrscheinlichkeiten p
i(im kanonischen Ensemble) gem¨ aß exp[−βH(z
i)] verteilt sind? ⇒ Realisierung in einem Markov Prozeß
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 31 / 41
5.4 Monte Carlo Simulationen
• Konstruktion einer Folge von Zust¨ anden z
i:
◦ Markov Prozeß, Markov Kette
? ein Markov Prozeß erzeugt – ausgehend von einem Zustand z
i– einen neuen Zustand z
j; dieser Prozeß ist zufallsbehaftet, d.h., ausgehend von einem z
i, wird nicht immer derselbe Zustand z
jerzeugt
? die Wahrscheinlichkeit, daß aus z
ider Zustand z
jerzeugt wird, wird mit P(i → j) bezeichnet
? in einem Markov Prozeß ist (i) diese Wahrscheinlichkeit von der Zeit unabh¨ angig und (ii) sollte nur von den Zust¨ anden z
iund z
jabh¨ angen
? weiters gilt: (i) P(i → i ) kann von null verschieden sein;
(ii) offensichtlich ist
X
j
P(i → j) = 1
? die wiederholte Anwendung eines Markov Prozesses f¨ uhrt zu einer Markov Kette
? in Monte Carlo Simulationen werden durch speziell konstruierte Markov Ketten Folgen von Zust¨ anden erzeugt
? damit die Wahrscheinlichkeiten dieser Folge von Zust¨ anden ’im Gleichgewicht’ nach einer kanonischen Verteilungsfunktion verteilt sind, m¨ ussen zwei weitere Bedingungen eingef¨ uhrt werden:
’ergodicity’ und ’detailed balance’
5.4 Monte Carlo Simulationen
◦ ’ergodicity’
ausgehend von einem beliebigen Zustand des Systems, soll jeder andere Zustand des Systems mit Hilfe eines Markov Prozesses erreicht werden k¨ onnen (egal wie lange das dauern kann)
◦ ’detailed balance’
diese Bedingung garantiert, daß im Gleichgewicht die Wahrscheinlichkeit der Zust¨ ande gem¨ aß der kanonischen Verteilungsfunktion verteilt sind
Gleichgewicht bedeutet, daß die ¨ Ubergangsrate in einen Zustand und aus diesem Zustand (Index j) gleich sind;
Ausgangspunkt ist ein Spezialfall der s.g. ’master’-Gleichung:
X
i
p
iP(i → j) = X
i
p
jP(j → i ) bzw. X
i
p
iP(i → j) = p
johne Beweis: diese Beziehung alleine reicht nicht aus, um zu garantieren, daß alle p
jgem¨ aß der vorgegebenen Verteilungsfunktion verteilt sind; diese Forderung kann durch folgende zus¨ atzliche Annahme gew¨ ahrleistet werden:
p
jP(j → i) = p
iP(i → j)
0detailed balance
0G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 33 / 41
5.4 Monte Carlo Simulationen
wir betrachten nun ein kanonisches Ensemble und sei E
i= H(z
i) und E
j= H(z
j), dann gilt offensichtlich
P(j → i) P(i → j) = p
ip
j= exp[−β(E
i− E
j)] (2) Achtung: hier geht die Verteilungsfunktion des Ensembles ein!
erf¨ ullen die P(i → j) diese Relation, dann ist garantiert, daß die Wahrscheinlichkeiten der Zust¨ ande z
iim Gleichgewicht nach den p
iverteilt sind
allerdings l¨ aßt Relation (2) zwischen den P(i → j) noch einen relativ hohen Grad an Freiheit f¨ ur den Algorithmus zu
konkretes Beispiel
◦ Metropolis Algorithmus
wurde von Metropolis und Mitarbeitern ∼ 1953 eingef¨ uhrt Erzeugung der Zust¨ ande wird in zwei Schritte geteilt:
(i) ausgehend von Zustand z
i: Auswahl eines neuen Zustandes z
jmit Wahrscheinlichkeit g (i → j) – ’selection probability’;
(ii) Annahme des Zustandes z
jmit Wahrscheinlichkeit A(i → j) –
’acceptance ratio’
somit
P(j → i )
P(i → j) = g (j → i)A(j → i)
g (i → j)A(i → j)
5.4 Monte Carlo Simulationen
(i) konkret w¨ ahlt man aus rechentechnischen Gr¨ unden g(i → j) = const.; somit
P(j → i)
P(i → j) = A(j → i)
A(i → j) = exp[−β(E
i− E
j)] (3) (ii) damit die Akzeptanzrate aus Effizienzgr¨ unden m¨ oglichst groß ist, w¨ ahlt man sinnvollerweise folgende L¨ osung f¨ ur die A(i → j):
A(i → j) =
exp[−β(E
j− E
i)] wenn E
j− E
i> 0
1 sonst
aber: jede andere Akzeptanzrate, die (3) erf¨ ullt, ist de facto genauso gut
• Monte Carlo Simulation im kanonischen Ensemble (Fl¨ ussigkeit)
◦ da die zeitliche Entwicklung bei Monte Carlo Simulationen offensichtlich keine Rolle spielt, werden in den z
idie Impulse weggelassen; somit z
i= {r
N}
iund E
i= V({r
N}
i)
◦ ausgehend von einem Zustand {r
N}
iwird ein Zustand {r
N}
jerzeugt;
dies geschieht, in dem man die Position eines zuf¨ allig herausgegriffenen Teilchens, r
α;ium einen Vektor δr
α;iverschiebt; der Betrag von δr
α;iist durch das ’maximal displacement’ begrenzt, seine Richtung ist durch Zufallszahlen gegeben
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 35 / 41
5.4 Monte Carlo Simulationen
◦ Berechnung von E
i= V({r
N}
i) und E
j= V({r
N}
j)
◦ der neue Zustand {r
N}
jwird mit der Wahrscheinlichkeit
A(i → j) =
exp[−β(E
j− E
i)] wenn E
j− E
i> 0
1 sonst
= min {1, exp[−β(E
j− E
i)]}
angenommen oder verworfen:
(i) wird der Zustand {r
N}
jangenommen, so kann aus ihm ein weiterer Zustand, {r
N}
k, erzeugt werden
(ii) wird der Zustand {r
N}
jverworfen, so muß gem¨ aß obigem Algorithmus aus {r
N}
iein weiterer Zustand {r
N}
j0erzeugt werden
◦ Fortf¨ uhrung dieses Verfahrens f¨ uhrt zu einer Folge von Zust¨ anden, deren Wahrscheinlichkeit konstruktionsgem¨ aß (!) durch die Verteilungsfunktion des kanonischen Ensembles gegeben ist
◦ Berechnung von Mittelwerten gem¨ aß Formel (1) auf Folie 31
• Monte Carlo Simulation im kanonischen Ensemble (Spinsystem) anstelle der {r
N}
jtreten die Spineinstellungen {s
N}
i; ein neuer Zustand wird dadurch erzeugt, indem man an einem zuf¨ allig
herausgegriffenen Teilchen die Richtung die Spineinstellung ver¨ andert
5.4 Monte Carlo Simulationen
• Ablauf einer Monte Carlo Simulation vgl. Molekulardynamiksimulationen
◦ Initialisierungsphase
◦ Aquilibrierungsphase ¨
◦ Produktionsphase
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 37 / 41
5.4 Monte Carlo Simulationen
(b) Monte Carlo Simulationen in anderen thermodynamischen Ensembles
• kanonisch-harmonisches (NPT) Ensemble
neben den Teilchenverschiebungen muß auch das Volumen V des Systems in einem Monte Carlo Schritt ver¨ andert werden
V wird wie eine zus¨ atzliche Koordinate behandelt: V → V
0= V + δV , wobei δV innerhalb eines sinnvoll gew¨ ahlten Intervalls variiert werden kann/soll
Auswahlregeln:
(i) Teilchenverschiebung (Zust¨ ande i und j):
A(i → j ) = min {1, exp[−β(E
j− E
i)]}
(ii) Volums¨ anderung (V → V
0):
A(V → V
0) = min
1, exp
−β[E (V
0) − E(V )] + P(V
0− V ) − Nβ
−1ln(V
0/V )]
5.4 Monte Carlo Simulationen
• großkanonisches (µVT) Ensemble
neben den Teilchenverschiebungen k¨ onnen gem¨ aß dem Wert des chemischen Potentials, µ, Teilchen in das System eingesetzt (N → N + 1) oder Teilchen aus dem System entfernt (N → N − 1) werden
Auswahlregeln:
(i) Teilchenverschiebung (Zust¨ ande i und j):
A(i → j ) = min {1, exp[−β(E
j− E
i)]}
(ii) Teilchenzahl¨ anderung:
A(N → N + 1) = min
1, V
Λ
3(N + 1) exp [β[µ − E (N + 1) + E (N)]]
A(N → N − 1) = min
1, Λ
3N
V exp [−β [µ + E (N − 1) − E (N)]]
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 39 / 41
5.4 Monte Carlo Simulationen
Gibbs Ensemble Monte Carlo Simulation (vgl. Ref. 4.6])
Schematische Darstellung der verschiedenen Ver¨anderungen am System inGibbs Ensemble Monte Carlo Simulationen(oben). Unten: Teilchendichte in denTeilsystemen (= Phasen)als Funktion der Simulationsschritte in einemphasentrennenden Lennard-Jones System; aus Ref.
[4.6].
5.4 Monte Carlo Simulationen
Literatur
5.1 B.J. Alder and T.E. Wainwright, J. Chem. Phys. 31, 459 (1959).
5.2 M.P. Allen and D.J. Tildesley, Computer Simulation of Liquids, Oxford (Oxford, 1987).
5.3 J.-P. Hansen and I.R. McDonald, Theory of Simple Liquids, Academic (Amsterdam, 2006), 3. Auflage.
5.4 D. Frenkel and B. Smith, Understanding Molecular Simulations, Academic (San Diego, 2002) 2. Auflage.
5.5 D.W. Heermann, Computer Simulation Methods in Theoretical Physics, Springer (Berlin, 1990), 2. Auflage.
5.6 A.Z. Panagiotopoulos, J. Phys. (Condens. Matt.), 12, R25 (2000).
5.7 T. Garschall, Projektarbeit aus ”Statistischer Physik”, TU Wien (2009); (vgl.
http://smt.tuwien.ac.at/extra/teaching/statphys2/garschall.pdf).
5.8 K. Binder, Z. Phys. B 43, 119 (1981).
5.9 D.P. Landau and K. Binder, A guide to Monte Carlo simulations in statistical physics, Cambridge (Cambridge, 2000).
G. Kahl & F. Libisch (136) Statistische Physik II – Kapitel 5 2. Juni 2015 41 / 41