Μελέτη του Προτύπου 2D- Potts σε Υπολογιστικό Περιβάλλον MATLAB. Παρουσίαση της Διπλωματικής Εργασίας του Γιάννη Ασσιώτη

Transcript

1 Μελέτη του Προτύπου 2D- Potts σε Υπολογιστικό Περιβάλλον MATLAB 1 Παρουσίαση της Διπλωματικής Εργασίας του Γιάννη Ασσιώτη

2 2 Στατιστική Μηχανική Μέγεθος συστημάτων Στοχαστική αντιμετώπιση Σύστημα Χαμιλτονιανή H Διακριτό σύνολο καταστάσεων Δεξαμενή θερμότητας Δυναμική συστήματος

3 3 Στατιστική Μηχανική Δεσπόζουσα εξίσωση master equation dw μ dt = w ν t R ν μ w μ t R μ ν ν Αναμενόμενη τιμή Q = Q μ w μ t μ

4 4 Στατιστική Μηχανική Αν μ, w ν t R ν μ = w μ t R μ ν dw μ Ισορροπία p μ lim t w μ t = 1 Ζ e E μ kτ με Ζ = e Ε μ kτ μ dt = 0 Q = Q μ p μ μ = 1 Ζ μ Q μ e βε μ

5 5 Προσομοίωση Monte Carlo Προσομοίωση τυχαίων θερμικών διακυμάνσεων Δυναμικά χαρακτηριστικά R μ ν ισορροπία Κατανομή Boltzmann

6 6 Αρχές Προσομοίωση Monte Carlo Εκτιμητής Q = μ Q μ e μ βε μ μ e μ βε μ Q M = M i=1 M j=1 Q μi p 1 μi e βε μ i p 1 μj e βε μ j Δειγματοληψία με κριτήριο σημαντικότητας (Importance sampling) M p μ = 1 Ζ e βε μ Q M = 1 Μ i=1 Q μ i

7 7 Αρχές Προσομοίωση Monte Carlo Διαδικασία Markov Πιθανότητα μετάβασης (transition probability) P μ ν ανεξαρτησία από χρόνο ανεξαρτησία από προηγούμενες καταστάσεις κατάσταση θερμικής ισορροπίας

8 8 Αρχές Προσομοίωση Monte Carlo Διαδικασία Markov Κριτήριο εργοδικότητας (ergodicity) Συνθήκη λεπτομερούς ισοζύγισης (detailed balance) Ρ μ ν Ρ ν μ = p ν p μ = e β Ε ν Ε μ

9 9 Αρχές Προσομοίωση Monte Carlo Λόγος Αποδοχής Ρ μ ν = g μ ν Α(μ ν) g(μ ν) πιθανότητα επιλογής (selection probability) Α(μ ν) λόγος αποδοχής (acceptance ratio) Ρ μ ν Ρ ν μ g μ ν Α μ ν = g ν μ Α ν μ

10 10 Αλγόριθμος Metropolis Single-flip αλγόριθμος μικρά q Πιθανότητα επιλογής g μ ν = 1 Ν 1 q 1 Λόγος Αποδοχής Ρ μ ν Ρ ν μ g μ ν Α μ ν = g ν μ Α ν μ Α μ ν = = Α ν μ e β Ε ν Ε μ Α μ ν = e β Ε ν Ε μ αν Ε ν Ε μ > 0 1 αλλιώς

11 11 Αλγόριθμος Metropolis Βήματα αλγορίθμου 1. Τυχαία επιλογή σπιν 2. Τυχαία επιλογή νέας τιμή σπιν 3. Αποδοχή/απόρριψη νέας κατάστασης

12 Αλγόριθμος Metropolis 12

13 13 Αλγόριθμος Heat-bath Single-flip αλγόριθμος μεγάλα q Βάρος Boltzman p ν = e βε ν q e βε μ μ=1 Συνθήκη λεπτομερούς ισοζύγισης p ν ν p ν ν = p ν = e βεν p ν = e β E ν Ε ν q μ=1 e βε μ q μ=1 e βε ν e βε μ

14 Αλγόριθμος Heat-bath 14

15 15 Αλγόριθμος Wolff Κρίσιμη επιβράδυνση β c = ln 1 + Cluster αλγόριθμος q Ανάπτυξη cluster - P add Συνθήκη λεπτομερούς ισοζύγισης Ρ μ ν Ρ ν μ = e β Ε ν Ε μ

16 16 Αλγόριθμος Wolff Ε ν Ε μ = n m = m n m = 9 n = 7

17 17 Αλγόριθμος Wolff g μ ν = p seed p int yes pborder no p seed = 1 N p yes μ ν = p yes ν μ = C μν p no μ ν = m 1 P add p no ν μ = 1 P n add 1 P add m n Α μ ν Α ν μ = e β m n P add = 1 e β

18 18 Αλγόριθμος Wolff Βήματα αλγορίθμου 1. Τυχαία επιλογή σπιν-γεννήτορα 2. Επαγωγικά εξέταση πλησιέστερων γειτόνων P add = 1 e β. 3. Τερματισμός ανάπτυξης cluster 4. Νέα τιμή σπιν για το cluster

19 Αλγόριθμος Wolff 19

20 20 Δοκιμή 1 Metropolis Απαίτηση υπολογισμού ενέργειας ΔΕ e β Ε ν Ε μ Single-flip τοπικός υπολογισμός Αποθήκευση εκθετικών σε array met_naive.pdf

21 21 Δοκιμή 1 Heat-bath Απαίτηση υπολογισμού ενέργειας p n = e βε n q e βε m m=1 Single-flip τοπικός υπολογισμός p n = e βε n e βε ν q e βε m m=1 e βε ν = e β Ε n Εν q e β Ε m Εν m=1 = e βδε n q e βδε m m=1 heat_naive.pdf

22 22 Δοκιμή 1 Wolff Ανάπτυξη του cluster seed spin cluster stack P add = 1 e β υπολογισμένο εξαρχής wolff_naive.pdf

23 23 Δοκιμή 1 - Αποτελέσματα t MAT t C 450

24 24 Δοκιμή 1 - Αποτελέσματα t MAT t C 250

25 25 Δοκιμή 1 - Αποτελέσματα t MAT t C 8

26 26 Δοκιμή 2 Κακή απόδοση Ιδιαιτερότητες του MATLAB χρήση/διαμόρφωση πινάκων, logical arrays

27 27 Δοκιμή 2 Προσθήκη νέων μεθόδων nnfinder_per(l) spliter(l) Metropolis Heat-bath Wolff

28 28 Δοκιμή 2 Αποτελέσματα t MAT1 t MAT2 2,5

29 29 Δοκιμή 2 Αποτελέσματα t MAT1 t MAT2 2 7

30 30 Δοκιμή 2 Αποτελέσματα t MAT1 t MAT2 1

31 31 Δοκιμή 3 - Metropolis Profiler Πρόβλημα στην επιλογή των νέων τιμών σπιν

32 32 Δοκιμή 3 - Metropolis %% Find new spin values, different from the initial ones for k = 1:(N/2), avalstates = find(allstates-oldstate(k)); newstate(k) = avalstates(randi(q-1,1,1)); end %% Find new spin values, different from the initial ones newstate = randi(q,n/2,1); newstate = abs(newstate-((oldstate==newstate)*double(q+1)));

33 33 Δοκιμή 3 - Metropolis Profiler

34 34 Δοκιμή 3 Heat-bath Profiler Πρόβλημα στην επιλογή των νέων τιμών σπιν για τα μη ευθυγραμμισμένα με τους γείτονες τους σπιν

35 35 Δοκιμή 3 Heat-bath %% apply the new values to the lattice for ii=1:length(bb), qs = nonzeros(nonzeros(nonzeros(nonzeros(allstates -... nnsremain(ii,1)) + nnsremain(ii,1) -... nnsremain(ii,2)) + nnsremain(ii,2) -... nnsremain(ii,3)) + nnsremain(ii,3) -... nnsremain(ii,4)) + nnsremain(ii,4); S(nremain(ii)) = qs(bb(ii)); end

36 36 Δοκιμή 3 Heat-bath %% apply the new values to the lattice avalstates = repmat(1:q,length(bb),1); avalarray = logical((repmat(nnsremain(:,1),1,q)==avalstates)+... (repmat(nnsremain(:,2),1,q)==avalstates)+... (repmat(nnsremain(:,3),1,q)==avalstates)+... (repmat(nnsremain(:,4),1,q)==avalstates)); avalstates(avalarray)=0; avalstates = sort(avalstates,2,'descend'); indices_array = sub2ind(size(avalstates), 1:length(bb), bb')'; S(nremain) = avalstates(indices_array);

37 37 Δοκιμή 3 Heat-bath Profiler

38 38 Δοκιμή 3 Αποτελέσματα t MAT2 t MAT3 20

39 39 Δοκιμή 3 Αποτελέσματα t MAT2 t MAT3 1 10

40 40 Τελικά Αποτελέσματα Metropolis t MATC t MAT 3 Heat-bath 9 14 t MATC t MAT 3 Wolff t MATC t MAT

41 41 Συμπεράσματα MATLAB ολοκληρωμένο προγραμματιστικό περιβάλλον ευκολίες στην γραφή του κώδικα εργαλεία ανάλυσης και παρουσίασης δεδομένων πλήρης, εύκολα προσβάσιμη βοήθεια offline και online C ταχύτεροι υπολογισμοί πολλοί δωρεάν compilers ευρεία διάδοση/χρήση μεγάλη online κοινότητα

42 42