Μελέτη των Self-avoiding random walks

Transcript

1 Μελέτη των Self-avoiding random walks ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Σχολή εφαρμοσμένων Μαθηματικών και Φυσικών επιστημών ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΡΟΥΣΣΟΣ ΙΩΣΗΦ Επιβλέπων καθηγητής Κ. Ν. Αναγνωστόπουλος

2 Εισαγωγή Τί είναι τα self-avoiding random walks? Γιατί τα μελετάμε? Πώς θα τα μελετήσουμε? Τί επιδιώκουμε?

3 Στοιχεία Στατιστικής Φυσικής Περιγραφή συστήματων με μεγάλο αριθμό βαθμών ελευθερίας ~ 1 44 Διακριτές καταστάσεις Ε μ στο σύνολο {μ} ω μ (t) : Πιθανότητα κατάληψης R(μ ν)dt : Πιθανότητες μετάβασεις Δεσπόζουσα εξίσωση dω μ t dt = ν {ω ν t R ν μ ω μ t R μ ν }

4 Στοιχεία Στατιστικής Φυσικής Προφανώς μ ω μ t =1 Καθώς t dω μ t dt άρα p μ =lim t ω μ t και μ p μ =1 Σε ισορροπία p μ = 1 (Boltzmann) Z e βε μ

5 Στοιχεία Στατιστικής Φυσικής Συνάρτηση επιμερισμού: Ζ β = Η μέση τιμή μιας ποσότητας Q είναι: μ e βε μ < Q >= μ Αποδυκνύεται ότι: p μ Q μ = 1 Z Q μ e βε μ μ ΔQ Q ~ 1 N Αμελητέο για τυπικά θερμοδυναμικά συστήματα αφού για Ν ~ 1 23 έχουμε ΔQ/Q ~ 1-11

6 Στοιχεία Στατιστικής Φυσικής - Δειγματοληψία Στόχος ο προσδιορισμός του <Q> <Q> = μ p μ Q μ = Ορίζουμε τον εκτιμητή Q M της ποσότητας Q που ακολουθεί την κατανομή P M μ μ Q μ e βε μ e βε μ Q Μ = Μ i=1 M i=1 Q μi P μi 1 e βε μ i P μi 1 e βε μ i και περμένουμε ότι < Q >= lim Q M M

7 Simple Sampling Διαλέγουμε P M =1 οπότε Εμείς στη πράξη title Simple Sampling function ssamp(n) ω Q Μ = Μ Q μi e βε μ i i=1 M e βε μ i i=1 start: for i=1 to N do end ω i ένας τυχαίος πλησιέστερος γείτονας της ω i-1 if ω i ϵ{ω,...,ω i-1 } goto start return ω

8 Πόσο καλό είναι το Simple Sampling? Simple Random walks c N 2d N ~ μ 2d N N γ 1 ~ e λn N γ 1 λ = ln 2d μ Non - Revearsal walks c N 2d 1 μ N ~ N γ 1 N 1 2d 2d 1 2d 2d 1 ~ e λ'n N γ 1 λ' = ln 2d 1 μ Ν < 1/λ 6 N < 1/λ 3

9 Importance Sampling Διαλέγουμε: P μ = p μ = e βε μ Z Οπότε ο εκτιμητής δίνεται από: Q Μ = Μ i=1 M i=1 Q μi e βε μ i 1 e βε μ i e βε μ i 1 e βε μ i = 1 M i=1 Εμείς χρησιμοποιούμε τον αλγόριθμο pivot M Q μi

10 Importance Sampling pivot algorithm BHMATA του αλγορίθμου 1. Διάλεξε τυχαία έναν οποιοδήποτε περίπατο ω από το W 2. Διάλεξε τυχαία ένα i από το {,1,...,Ν-1}. Όρισε ω t (i) τη θέση του περιπάτου που θα γίνει pivot Διάλεξε τυχαία μία g Θέσε ω'(k)=ω(k) t k i ω'(k)=g(ω t (k)) k I 3. Αν ω' είναι self avoiding ω t+1 =ω'(k) αλλιώς ω t+1 = ω t 4. Αύξησε το t κατά 1 και πήγαινε στο βήμα 2.

11 ΜΟΝΤΕ ΚΑΡΛΟ ΔΙΑΔΙΚΑΣΙΕΣ MARKOV μ ν στοχαστικά Τελικά μ μ 1 μ 2... μ Ν αλυσίδα Markov P(μ ν): Πιθανότητα μετάβασης i. Ανεξάρτητη του χρόνου ii. Χωρίς μνήμη iii. μ P(μ ν)=1 προσοχή γενικώς P(μ μ>) iv. Για t, το δείγμα ακολουθεί την κατανομή Boltzmann ΠΡΟΣΟΧΗ ΣΤΗΝ ΕΠΙΛΟΓΗ ΑΡΧΙΚΗΣ ΚΑΤΑΣΤΑΣΗΣ μ

12 ΜΟΝΤΕ ΚΑΡΛΟ ΕΡΓΟΔΙΚΟΤΗΤΑ Αποτελεί συνθήκη για να λειτουργήσει η αλυσίδα Markov Στην πράξη θέτουμε τις περισσότερες P(μ ν) μηδενικές Παρόλα αυτά δεν πρέπει να παραβιάζεται η εργοδικότητα

13 ΜΟΝΤΕ ΚΑΡΛΟ ΛΕΠΤΟΜΕΡΗΣ ΙΣΟΖΥΓΙΣΗ Εξασφαλίζει ότι μετά την ισορροπία το σύστημα θα ακολουθεί την κατανομή Boltzmann Για να έχουμε ισορροπία πρέπει ν p μ P μ ν = μ p ν P ν μ Ακόμη ισχύει ότι: p μ = p ν P v μ μ Η ικανή αλλά όχι αναγκαία συνθήκη είναι: p μ P μ ν = p ν P ν μ

14 ΜΟΝΤΕ ΚΑΡΛΟ Στην ισορροπία θα έχουμε P ν μ Μόντε Κάρλο ΛΕΠΤΟΜΕΡΗΣ ΙΣΟΖΥΓΙΣΗ P μ ν Κωδικοποίηση των P(μ ν) Επιλογή κατάλληλης μ Thermalization Υπολογίζουμε τον Q M = p ν p μ = e β Ε ν Ε μ Σταματάμε μόλις πετύχουμε την επιθυμητή ακρίβεια

15 ΜΟΝΤΕ ΚΑΡΛΟ ΛΕΠΟΜΕΡΗΣ ΙΣΟΖΥΓΙΣΗ Γενικά: P(μ ν)=g(μ ν)α(μ ν) Ακόμη P(μ μ)=1- n P(μ ν) Ελευθερία επιλογής P Άρα μ ν P(μ ν)<1 Στόχος όλα τα Α(μ ν)=1 για όλα τα ν για τα οποία g(μ ν) >

16 ΜΕΤΡΗΣΕΙΣ ΑΝΕΞΑΡΤΙΣΙΑ ΑΥΤΟΣΥΣΧΕΤΙΣΗ Αλυσίδες Markov Συσχετισμένες καταστάσεις Συνάρτηση αυτοσυσχετισμού ρ Q t = < Q t ' < Q > Q t ' t < Q > > t ' < Q < Q > 2 > Περιμένουμε ρ Q t ~ e t /τ Q

17 ΜΕΤΡΗΣΕΙΣ ΑΝΕΞΑΡΤΗΣΙΑ ΑΥΤΟΣΥΣΧΕΤΙΣΗ Μετά από χρόνο 2τ Q η συνάρτηση πέφτει στο 1/e 2 14% και συμβατικά θεωρούμε αποσυσχετισμό Άρα οι ανεξάρτητες μετρήσεις θα είναι: n Q = t max 2τ Q Ολοκληρωμένος χρόνος αυτοσυσχετισμού τ int,q = dtρ Q t ~ dte t/ τ Q = τ Q

18 ΜΕΤΡΗΣΕΙΣ Η εκτίμηση του τ δεν είναι εύκολη υπόθεση... Παρόλα αυτά η ακριβής εκτίμηση του χρόνου αυτοσυσχετισμού δεν είναι ο μοναδικός στόχος ΕΞΑΡΤΗΣΗ ΤΟΥ ΧΡΟΝΟΥ ΑΥΤΟΣΥΧΕΤΙΣΜΟΥ ΑΠΟ ΤΙΣ ΠΑΡΑΜΕΤΡΟΥΣ ΤΟΥ ΣΥΣΤΗΜΑΤΟΣ

19 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT Προσδιορίζει μία Μαρκοβιανή αλυσίδα στο σύνολο των περιπάτων σταθερού μήκους Αποδεικνύεται ότι είναι εργοδικός και ικανοποιεί τη συνθήκη λεπτομερούς ισοζύγισης ΟΡΙΣΜΟΙ - ΣΥΜΒΑΣΕΙΣ Πλεγματικά σημεία ω(i) με i N Nearest neighboor steps ω(i) ω(i-1) = 1, i N Self avoiding ω(i) ω(j), i j Δύο κυρίως παράγοντες ταχύτητας Έλεγχος για self-intersections Εφαρμογή των pivots

20 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT Βελτιωμένη υλοποίησή του σε αυτούς του τομείς από τον καθηγητή Tom Kennedy ( math.arizona.edu/~tgk/) Παλαιότερες υλοποιήσεις χρειάζονταν Ο(Ν) (καταγραφή διαδρομής) Υλοποίηση Tom Kennedy O(N q ) q < 1 Εκτιμάται πως q<.57 se 2D και q<.85 σε 3D Στην πράξη σε 2D 8 φορές γρηγορότερος και σε 3D, 7

21 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT Nearest neighboor steps SELF INTERSECTIONS Έλεγχος ω(i) = ω(j) για όλα τα i και j? αφελές... Υπολογίζουμε d = ω(i) ω(j) Αν d = self intersection Αν d > τότε όχι μόνο ω(i) ω(j) αλλά ω i' ω j', αν i i' j j' <d Μπορούμε να ελέγχουμε για διασταυρώσεις ΜΑΖΙΚΑ Πώς θα το εκμεταλλευτούμε αυτό?

22 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT SELF INTERSECTIONS Έστω l η θέση του pivot μέσα στον περίπατο Επιλέγω i, l+1 i N και ελέγχω αν ω(i) = ω(j), j j l-1. Αν d = self intersection Αν d > τότε σίγουρα ω(i) ω(j) αλλά επίσης σίγουρα ω(j-1),...,ω(j-d+1) ω(i) Αντί να μειώσω το j κατά 1 το μειώνω κατά d Για i από l+1 έως Ν πάλι χρειάζομαι Ο(Ν) πράξεις... Πώς θα επιλέγουμε τα i και j για να γίνουμε ταχύτεροι?

23 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT SELF INTERSECTIONS Αρχικά i = l + 1 και j = l 1, l pivot location Σε κάθε βήμα αυξάνουμε το i ή μειώνουμε το j έτσι ώστε Έστω m i =min{ω(i)-ω(k): j<k<l} Αν m i = self intersection ω(i') ω(j') j<j'<l<i'<i Αν m i > ω(i') ω(j') για κάθε i', j' με i i' + m i και j < j' < l Άρα αυξάνω το i κατά m i. Ανάλογα πράτω και για το j. Στην πράξη υπολογίζω ένα κατώτατο όριο b i του m i. Αυτό γίνεται με ένα loop για j' από l 1 έως j. Αρχικά b i = N, j' = l-1 και d = ω(i) ω(j') Αν d< bi παίρνουμε s=d/2 και τελικά j' = j' 1 s (b i =min{b i,d-s}) Αν d bi παίρνουμε s=d b i και τελικά j' = j' d + b i (b i ίδιο)

24 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT Βήμα 1 Αρχικά i=l+7, j=l-11, j'=l-1, b i =N d=6 s=d/2=3, b i =min{n,d-s}=3 j':=j'-1-s=l-5 Βήμα 2 i=l+7, j'=l-5, b i =3 d=6 s=d-b i =3, j':=j'-1-s =l-9 Βήμα 3 i=l+7, j'= l-9, b i =3 d=1 s=d-b i =7, j':=j'-1-s=l-17 Τελικά b i =3 άρα i:=i+b i -7 SELF INTERSECTIONS - Παράδειγμα l j'=l-1 j'=l-9 j=l-11 j'=l-5 i=l

25 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT Carrying out the pivot Καταγραφή περιπάτου Ν βημάτων χρόνος ~ Ο(Ν) (i) Η ιδέα: Δεν καταγράφω τον περίπατο σε κάθε αποδεκτό pivot Αλλά, σημειώνω τα αποδεκτά pivots και τα εφαρμόζω μαζικά Το pivot δρα στον περίπατο ως εξής: ο παλιός περίπατος ω'. Λίστα δεδομένων (ii) Ένας ακέραιος n που είναι ο αριθμός των pivots που έχουν γίνει αποδεκτά αλλά δεν έχουν εφαρμοσθεί ακόμη (iii) ω j, για j l ω 1 j ={ g [ω j ω l ] ω l, για j l} Οι θέσεις των pivots στον περίπατο, l 1 < l 2 <... < l n (iv) (v) Οι συμμετρίες πλέγματος g 1, g 2,...,g n Τα σημεία στο πλέγμα x 1, x 2,..., x n

26 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT Carrying out the pivot Άρα ο περίπατος θα υπολογίζεται από την Ο έλεγχος αποδοχής γίνεται από την (1) και (2) Όταν αποδεχτούμε ένα pivot l, g (l k < l < l k+1 ): Βήμα 1 (ii) n n + 1 ω j =g i ω' j x i, για l i j l i 1 2 (iii) l 1, l 2,...,l n l 1, l 2,..., l k, l, l k+1,...,l n (iv) g 1, g 2,..., g n g 1, g 2,...,g k-1, g k, g k, g k+1,..., g n (v) x 1, x 2,..., x n x 1, x 2,...,x k-1, x k, x k, x k+1,...,x n Βήμα 2 l = l k. Υποθέτω j τέτοιο ώστε: l j l, i k. Επομένως i i+1 ω j =g [ω j x] x=g [ g i ω' j x i x] x= g g i ω' j gx i gx x, x = ω(lk). Τότε για i k, x i g x i gx x και g i g g i

27 Ο ΑΛΓΟΡΙΘΜΟΣ PIVOT Τα 3 βήματα που θέλουν χρόνο... 1) Για κάθε προτεινόμενο pivot πρέπει να αποφασίσουμε αν θα το δεχτούμε ή όχι 2) Για κάθε αποδεκτό pivot πρέπει να ενημερώσουμε τα (ii) (v) στη λίστα 3) Για κάθε Ν pivot αποδεκτά pivots πρέπει να τα εφαρμόσουμε και να ενημερώσουμε το (i) Ο Ν σ ln N pivot O N pivot O N N pivot Παίρνουμε Ν pivot ανάλογο του Ν 1/2. (Ν/4) 1/2 είναι καλή επιλογή. Άρα Ο Ν σ ln Ν Ο Ν 1/ 2

28 Simulations Simple Sampling Μοντέλο : NRRW ΠΡΟΣΟΜΟΙΩΣΗ Προσθήκη array με σημαίες ελέγχου Δείγμα 1 8 περιπάτων Για καταγραφή των Ν>15 με CPU Intel Core2 DUO 2.13GHz χρειάστηκαν 122m 5s Παρατηρήσιμα μεγέθη: R 2,E Κρίσιμος εκθέτης ν Σταθερά φθοράς λ ΜΕΤΡΗΣΕΙΣ Συνδετική σταθερά πλέγματος μ Εκτίμηση του ν σε διάφορες θερμοκρασίες

29 Simulations Simple Sampling 2ν < R 2 > = AN 2ν [1 Ο Ν Δ ] Ν, < R 2 > ~ AN 2v fit : lnr 2 = lna+ 2 νlnn c N 2d 2d 1 N 1 ~ e λn N γ ^8 attemps fit N [75-15] 3.5e+6 3e+6 1^8 walks in total e+6 ln(r^2) Number of walks 2e+6 1.5e e lnn Walk length 2v : 1.5(6) Attrition constant (λ)

30 Simulations Simple Sampling λ,μ meanno.~ e λn, 7e+6 Sample of 1 9 walks λ = ln 2d 1 μ 16 slope=λ lamda =.129 (slope) 6e mean number of attemps 5e+6 4e+6 3e+6 2e+6 ln(mean number of attemps) e N N λ=.129(2), μ =2.637(5)

31 Simulations Simple Sampling β Εκτιμητής : R Μ 2 = Μ i=1 M i=1 2v(β=.1) = 1.49(8) R 2 μi e βε μ i e βε μ i fit : lnr 2 = lna+ 2 νlnn b=. b=.1 b=.3 b=.5 2ν(β=.3) = 1.44(11) 2ν(β=.5) = 1.34(18) ln(r^2) lnn

32 Simulations Simple Sampling β= ΑΠΟΛΟΓΙΣΜΟΣ 2ν = 1.5 ±.6 αναμενόμενη τιμή 1.5 λ =.129 ±.2 αναμενόμενη τιμή.129 μ = ±.5 αναμενόμενη τιμή (1) β Για β=.1 2ν = 1.49 ±.8 Για β=.3 2ν = 1.44 ±.11 Για β=.5 2ν = 1.34 ±.18 Η απλή δειγματοληψία δεν είναι αποδοτική για β >.5 και περιγράφει μόνο τη φάση υψηλής θερμοκρασίας Αναμένουμε 2ν = 1 στη μετάβαση φάσης 2ν = 2/3 στη φάση χαμηλής θερμοκρασίας

33 Simulations - PIVOT Μοντέλο: Pivot algorithm ΠΡΟΣΟΜΟΙΩΣΗ Μήκη περιπάτων: Ν = 1, - 1, Έγιναν 1, μετρήσεις για κάθε μήκος Ν. Εφαρμόστηκαν 1 pivots/μέτρηση Προσομοίωση σε τετραγωνικό, τριγωνικό και εξαγωνικό πλέγμα Παρατηρήσιμα μεγέθη R 2,turn,f ΜΕΤΡΗΣΕΙΣ Κρίσιμος εκθέτης ν και συντελεστής πλάτους Α για β= Κρίσιμος εκθέτης p Χρόνοι αυτοσυσχετισμού

34 Simulations - PIVOT Thermalization 2e+7 square lattice triangular lattice hexagonal lattice R^2 1.5e+7 1e+7 5e iterations (1 pivots)

35 Simulations - PIVOT 4 35 Thermalization square lattice triangular lattice hexagonal lattice 3 Acceptance fraction iterations (1 pivots)

36 Simulations - PIVOT Thermalization square lattice triangular lattice hexagonal lattice.7.6 turn iterations (1 pivots)

37 Simulations PIVOT Turn triangular lattice 6 4 triangular lattice after 1 iteration -674 triangular lattice after 1 iteration zoom

38 Simulations - PIVOT Thermalization Square lattice.8 N=1 N=64 N=4 N=25 N= turn pivot x

39 N=1 6 Thermalizing...

51 Simulations PIVOT - ΜΕΤΡΗΣΕΙΣ ΜΕΤΡΗΣΕΙΣ ΓΙΑ 5 ITERATIONS ΜΕΤΑ ΤΗΝ ΙΣΟΡΡΟΠΙΑ HEXAGONAL N turn Acceptace ratio (%) 1, 28,79(7).41884(24) 23.59(45) 1,6 5,669(11) x (47) 2.848(25) 2,5 11,18(44) x (49) (34) 4, 22,376(73) x (33) (19) 6,4 4,525(12) x (31) (21) 1, 8,87(31) x (5) (17) 16, 17,93(37) x (46) (19) 25, 34,851(88) x (28) (26) 4, 7,66(31) x (38) 1.563(17) 64, 14,335(57) x (49) 9.575(29) 1, 27,875(95) x (24) 8.689(15) R 2 N turn Acceptance Ratio (%) 1, 24,332(38).6112(36) (15) 1,6 4,937(12) x (52) 23.17(32) 2,5 9,638(19) x (74) (32) 4, 19,542(47) x 1.691(38) 19.39(29) 6,4 39,33(88) x 1.611(65) (21) 1, 7,717(31) x (44) (26) 16, 15,581(68) x (35) (3) 25, 3,55(15) x (64) (32) 4, 6,179(21) x (6) (27) 64, 12,479(38) x (55) (22) 1, 24,463(76) x (35) 1.512(2) R 2 R 2 SQUARE TRIANGULAR N turn Acceptance ration (%) 1, 22,525(39).74924(48) (22) 1,6 45,628(84).74862(41) 25.73(34) 2,5 8,91(21) x (65) (32) 4, 18,22(35) x (61) (15) 6,4 36,526(98) x (79) 2.282(29) 1, 7,13(16) x (62) (27) 16, 14,399(25) x (49) (23) 25, 28,282(78) x (42) (19) 4, 5,682(17) x (53) (2) 64, 11,523(35) x (52) (33) 1, 22,48(55) x (3) (25)

52 PIVOT Κρίσιμος εκθέτης 2ν2 < R 2 > = AN 2ν [1 Ο Ν Δ ] Ν, < R 2 > ~ AN 2v 18 fit : lnr 2 = lna+ 2 νlnn square lattice triangular lattice hexagonal lattice ΜΕΤΡΗΣΕΙΣ ln(r^2) lattice 2ν Α square 1.57(4).767(3) triangular (5).717(3) hexagonal (4).895(4) lnn

53 PIVOT Κρίσιμος εκθέτης p fit : lnf f ~ AN p N = lna plnn square lattice triangular lattice hexagonal lattice ln(acceptance fraction) ΜΕΤΡΗΣΕΙΣ lattice p A square.1917(5) 95.1(4) triangular.1695(7) 89.8(6) 2.2 hexagonal.2114(4) 99.2(3) lnn

54 PIVOT Εκτίμηση Αυτοσυσχετισμού Εκτίμηση τ και τ int τ : Παρεμβολή στο εκθετικό μέρος της ρ~e -t/τ. Οπότε τ = -1/slope τ int : Εκτίμηση ενός ελαχίστου από τη μέγιστη τιμή του τ int,q = dtρ Q t

55 PIVOT Εκτίμηση Αυτοσυσχετισμού square lattice triangular lattice hexagonal lattice -1 lattice N=1 τ τint square (1) ln[rho(turn)] triangular (1) hexagonal (2) t(iterations) for N= square lattice triangular lattice hexagonal lattice 1 square lattice triangular lattice hexagonal lattice.5-5 t_int(turn) rho(turn) t(iterations) for N= t_max(iterations) for N=

56 PIVOT Εκτίμηση Αυτοσυσχετισμού square lattice triangular lattice hexagonal lattice -.5 N=25 τ square τint ln[rho(turn)] lattice -1 25(5) triangular (2) hexagonal 4.3 7(2) t(iterations) for N= square lattice triangular lattice hexagonal lattice.5 square lattice triangular lattice hexagonal lattice 2 t_int(turn) rho(turn) t(iterations) for N= t_max(iterations) for N=

57 PIVOT Εκτίμηση Αυτοσυσχετισμού lattice N=1 τ τint square 45 43(2) triangular 47 38(2) -2 hexagonal 27 27(2) -2.5 square lattice triangular lattice hexagonal lattice ln[rho(turn)] t(iterations) for N=1 1 5 square lattice triangular lattice hexagonal lattice square lattice triangular lattice hexagonal lattice rho(turn) t_int(turn) t(iterations) for N= t_max(iterations) for N=1 35 4

58 PIVOT Εκτίμηση Αυτοσυσχετισμού square lattice triangular lattice hexagonal lattice -.2 N=4 τ τint square (1) triangular (1) hexagonal 84 14(2) ln[rho(turn)] lattice t(iterations) for N=4 1 3 square lattice triangular lattice hexagonal lattice square lattice triangular lattice hexagonal lattice rho(turn) t_int(turn) t(iterations) for N= t_max(iterations) for N=

59 PIVOT Εκτίμηση Αυτοσυσχετισμού N=64, square lattice triangular lattice hexagonal lattice lattice τ τ int square (15) triangular (2) hexagonal (2) square lattice triangular lattice hexagonal lattice ln[rho(turn)] t(iterations) for N=64 square lattice triangular lattice hexagonal lattice rho(turn) t_int(turn) t(iterations) for N=64 t_max(iterations) for N=64

60 PIVOT Εκτίμηση Αυτοσυσχετισμού 1.5 N=1, lattice τ τint square (2) triangular (1) hexagonal (2) square lattice triangular lattice hexagonal lattice ln[rho(turn)] t(iterations) for N=1 square lattice triangular lattice hexagonal lattice square lattice triangular lattice hexagonal lattice rho(turn) t_int(turn) t(iterations) for N=1 t_max(iterations) for N=1

61 PIVOT Εκτίμηση Αυτοσυσχετισμού square triangular hexagonal N τ τint τ τint τ τint 1, 2.8 3(1) 2.8 3(1) 1.6 3(2) 1, (1) 5.5 7(1) 2.5 8(1) 2, (5) (2) 4.3 7(2) 4, 14 25(1) 14 23(3) 7 24(3) 6, (3) 25 37(2) 13 12(2) 1, 45 43(2) 47 38(2) 27 27(2) 16, 46 43(2) 49 58(2) 45 43(2) 25, (1) (1) 19 4(1) 4, (1) (1) 84 14(1) 64, (15) (2) (2) 1, (2) (1) (2) square triangular hexagonal p(τ) 1.1(6) 1.5(6) 1.17(7) p(τ int ) 1.9(2).98(2).92(3) p square.19 Αναμενόμενες τιμές p triangular.17 p hexagonal.21 ln(tau) ln(t_int) lnn square triangular hexagonal lnn square triangular hexagonal

62 Simulations - PIVOT ΑΠΟΛΟΓΙΣΜΟΣ lattice 2v p = f(f) p = f(τ) p = f(τint) square 1.57(4).1917(5) 1.1(6) 1.9(2) triangular (5).1695(7) 1.5(6).98(2) hexagonal (4).2114(4) 1.17(7).92(3) 2ν p(f) p(τ) p(τint) επιβεβαιώνεται επιβεβαιώνεται αποτυχία... αποτυχία...

63 SIMPLE SAMPLING VS PIVOT SIMPLE SAMPLING 1) Περιορισμός στο μήκος 2) Εκθετική δυσκολία για παραγωγή μεγάλων περιπάτων 3) Όχι thermalization 4) Μεγάλος όγκος δεδομένων 5) Ιδιαίτερα χρονοβόρο PIVOT ALGORITHM 1) Μέχρι πολύ μεγάλα μήκη 2) Εμείς ορίζουμε το μήκος του περιπάτου εξ' αρχής 3) Χρόνος για thermalization 4) Μικρός όγκος δεδομένων 5) Αξιοσημείωτα γρήγορο