Top Banner
MÉTODOS DE COMPUTACIÓN EN FÍSICA DE LA MATERIA CONDENSADA Máster en Física de la Materia Condensada y Nanotecnología Curso 2010-2011 Rafael Delgado Buscalioni Métodos aplicados a Mecánica Clásica
95

Física Estadística y la Materia Blanda

Jan 06, 2017

Download

Documents

buithien
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: Física Estadística y la Materia Blanda

MÉTODOS DE COMPUTACIÓN EN FÍSICA DE LA MATERIA CONDENSADA

Máster en Física de la Materia Condensada y Nanotecnología

Curso 2010-2011

Rafael Delgado Buscalioni

Métodos aplicados a Mecánica Clásica

Page 2: Física Estadística y la Materia Blanda

1. Introduction

2. Monte Carlo (MC)

3. Molecular Dynamics (MD)

4. Langevin Dynamics (thermostats)

5. Brownian Dynamics (colloids, polymers in solvent)

6. Hydro-Dynamics at mesoscales

Course material on the following web page:

http://www.uam.es/otros/fmcyn/MetodosComputacionales.html

Page 3: Física Estadística y la Materia Blanda

Reference books

Molecular Dynamics(Equlibrium and non-equilibrium)Monte Carlo, Brownian Dynamics, etc.

Monte CarloFree Energy, etc..

Understanding Molecular SimulationsDaan Frenkel and Berend SmitAcademic Press (second Edition) (2002)

Computer simulations of LiquidsM.P Allen and D.J TildesleyOxford Science Publi. (1987)

Page 4: Física Estadística y la Materia Blanda
Page 5: Física Estadística y la Materia Blanda

Good

Bad...

...leads to Desperado Coding

How to start a code

Cool

Page 6: Física Estadística y la Materia Blanda
Page 7: Física Estadística y la Materia Blanda
Page 8: Física Estadística y la Materia Blanda
Page 9: Física Estadística y la Materia Blanda
Page 10: Física Estadística y la Materia Blanda
Page 11: Física Estadística y la Materia Blanda
Page 12: Física Estadística y la Materia Blanda

distribution function...

... and its corresponding HISTOGRAM

The Monte Carlo Method

Page 13: Física Estadística y la Materia Blanda
Page 14: Física Estadística y la Materia Blanda
Page 15: Física Estadística y la Materia Blanda

(IMPORTANCE SAMPLING)

Page 16: Física Estadística y la Materia Blanda
Page 17: Física Estadística y la Materia Blanda
Page 18: Física Estadística y la Materia Blanda

.

here value of seed was x[0]=-1

Page 19: Física Estadística y la Materia Blanda

The Metropolis Method

Objetive: sample a system whose probability of being in configuration “c” is N(c)

How: Metropolis is based on an importance-weighted random walk:Visited configurations: “c=o” means old config

“c=n” means new configTransition probability: T(o,n).

Along the walk(s) the number of times any “o” is visited is m(o).Thus, we want: m(o) proportional to N(o)

Detailed balance (sample without bias) N(o) T(o,n)=N(n)T(n,o)

Construction of T.Probability of trial from o to n: try(o,n)Probability of accept that trial: acc(o,n)Indeed, T(o,n)=try(o,n) acc(o,n)

Metropolis choice for try: try(o,n)=try(n,o) symmetricDetailed balance: N(o) acc(o,n)=N(n) acc(n,o)i.e, acc(o,n)/acc(n,o) = N(n)/N(o)

Metropolis choice for acc: acc(o,n)= N(n)/N(o) if N(n)<N(o) (visiting less probable config.)acc(o,n)= 1 if N(n)>N(o) (accept if n is more populated)

Page 20: Física Estadística y la Materia Blanda

The Metropolis Method for statistical physics

N(c) is proportional to the Boltzman factor exp(-U(c)/kT)

(note: the normalization constant is the partition function, Z,which is IMPOSIBLE to calculate in most cases)

However, Z is not needed here! acc(o,n) = exp(-(U[n]-U[o])/kT) < 1

Transition probabilityT(o,n) = acc(o,n) if N(n) > N(o)

= acc(o,n) N(n)/N(o) if N(n)< N(o)

T(o,o) = 1- T(o,n)

n = o

It is important to also COUNTnot accepted moves for thehistogram normalization

Page 21: Física Estadística y la Materia Blanda

INITIALIZE call histogram(0, h)

M = number of MC stepsnacc = 0, number of accepted movesamp = amplitude of jumpsx0 = initial configuration (value)

LOOP: do i = 1, MU = uniform in [-1,1] !random uniform xnew = xold + U*amp !trial move

acc = f(xnew)/f(old) !acceptance prob. !acceptance criterium

r = uniform in [-1,1] if r <acc then !accept move :

xold=xnew nacc=nacc+1 end if

call histogram(1, xnew) ! samplek=nint(xnew/h)+1his(k)=his(k)+1

end loop

NORMALIZE HISTOGRAM AND PRINT: call histogram(2,dummy)

Metropolis sampling

Page 22: Física Estadística y la Materia Blanda
Page 23: Física Estadística y la Materia Blanda
Page 24: Física Estadística y la Materia Blanda

Some Monte Carlo ApplicationsIn Statistical Physics of liquids

Page 25: Física Estadística y la Materia Blanda
Page 26: Física Estadística y la Materia Blanda
Page 27: Física Estadística y la Materia Blanda
Page 28: Física Estadística y la Materia Blanda

Ntot,l,ar2/M

Page 29: Física Estadística y la Materia Blanda
Page 30: Física Estadística y la Materia Blanda
Page 31: Física Estadística y la Materia Blanda
Page 32: Física Estadística y la Materia Blanda
Page 33: Física Estadística y la Materia Blanda
Page 34: Física Estadística y la Materia Blanda
Page 35: Física Estadística y la Materia Blanda

∑=

M

iii

D

xgM

W

1

)( ζ

Page 36: Física Estadística y la Materia Blanda

∑=

−≈M

jjyPg

M 1

1 ))((1

jx

Page 37: Física Estadística y la Materia Blanda
Page 38: Física Estadística y la Materia Blanda

B=0

B=0

B=0

B=0

Randomsampling

Importancesampling

Page 39: Física Estadística y la Materia Blanda
Page 40: Física Estadística y la Materia Blanda
Page 41: Física Estadística y la Materia Blanda

initial energy

MC steps: 1 step = 1 sweep over all spins

Here done in blocks of nblock steps

i,j: spin to be flipped

energy change

Page 42: Física Estadística y la Materia Blanda

check for acceptance

Page 43: Física Estadística y la Materia Blanda
Page 44: Física Estadística y la Materia Blanda
Page 45: Física Estadística y la Materia Blanda
Page 46: Física Estadística y la Materia Blanda
Page 47: Física Estadística y la Materia Blanda
Page 48: Física Estadística y la Materia Blanda
Page 49: Física Estadística y la Materia Blanda
Page 50: Física Estadística y la Materia Blanda
Page 51: Física Estadística y la Materia Blanda
Page 52: Física Estadística y la Materia Blanda
Page 53: Física Estadística y la Materia Blanda
Page 54: Física Estadística y la Materia Blanda
Page 55: Física Estadística y la Materia Blanda

a. Periodic boundary conditions

b. Minimum image convention

Page 56: Física Estadística y la Materia Blanda
Page 57: Física Estadística y la Materia Blanda
Page 58: Física Estadística y la Materia Blanda

particles on sites of fcc lattice

Page 59: Física Estadística y la Materia Blanda

periodic boundary conditions applied

Page 60: Física Estadística y la Materia Blanda

histogram for g(r) accumulated

test position for k-th particle

Page 61: Física Estadística y la Materia Blanda

check overlap with other particles

adjust acceptance ratio

to 50%

Page 62: Física Estadística y la Materia Blanda

normalisation of g(r)

Page 63: Física Estadística y la Materia Blanda
Page 64: Física Estadística y la Materia Blanda
Page 65: Física Estadística y la Materia Blanda
Page 66: Física Estadística y la Materia Blanda
Page 67: Física Estadística y la Materia Blanda

THE METHOD OF MOLECULAR DYNAMICS

The equations of motion of a system of N interacting particles are solved numerically

The system is classical, and can be described by means of the potential energy

{ }( )krUU=

The equations of motion are:

m

U

dt

vd

vdt

rd

ii

ii

∇−=

=

Since the energy is conserved, the system evolution can be visualised as a trajectory on a hypersurface in phase space,

where T is the kinetic energy

{ } { }( ) { }( ) { }( ) ., constrUvTvrH kkkk =+=

Page 68: Física Estadística y la Materia Blanda

Integration methods

Based on finite difference schemes, in which time t is discretised using a time interval h

Knowing the coordinates and the forces at time t, the state at a later time t+h is obtained

The simplest (but still powerful!) algorithm is the Verlet algorithm

VERLET ALGORITHM

We write the following Taylor expansions:

++++=+ )(6

)(2

)()()(32

tvh

tFm

htvhtrhtr iiiii

+−+−=− )(6

)(2

)()()(32

tvh

tFm

htvhtrhtr iiiii

Adding, neglecting terms of order O(h4) , and rearranging:

Page 69: Física Estadística y la Materia Blanda

The kinetic energy at time t can now be obtained as

)()()(2)(2

tFm

hhtrtrhtr iiii

+−−=+

This is a recurrence formula, allowing to obtain the coordinates at time t+h knowing the coordinates at times t and t-h

It is a formula of third order (the new positions contain errors of order h4)

The velocities can be obtained from the expansion:

)()(2)()( 2hOtvhhtrhtr iii ++−=+

as

h

htrhtrtv ii

i 2

)()()(

−−+=

(which contains errors of order h2)

∑=

=N

iic tvmtE

1

2)(

2

1)(

Page 70: Física Estadística y la Materia Blanda

Using the equipartition theorem, the temperature can be obtained as

22

1 2 kTmv =α c

f

N

ii

f

EkN

vkN

mT

2

1

2 == ∑=

where

α = arbitrary degree of freedom

Nf = number of degrees of freedom

Page 71: Física Estadística y la Materia Blanda

LEAP-FROG VERSION

Numerically more stable version than standard algorithm. We define:

h

trhtrhtv

h

htrtrhtv ii

iii

i

)()(

2 ,

)()(

2

−+=

+−−=

Positions are updated according to

++=+

2)()(

htvhtrhtr iii

)()()()()(2

tFm

hhtrtrtrhtr iiiii

+−−=−+

Using the Verlet algorithm,

so that

)(2

2

tFm

hhtv

htv iii

+

−=

+

Page 72: Física Estadística y la Materia Blanda

Therefore leap-frog version or Hamiltonian version is

++=+

2)()(

htvhtrhtr iii

)(2

2

tFm

hhtv

htv iii

+

−=

+

222

)(

−+

+

=

htv

htv

tvii

i

The velocities are obtained as

Page 73: Física Estadística y la Materia Blanda

Stability of trajectories

Systems with many degrees of freedom have a tendency to be unstable

If δ is the distance in phase space between two trajectories that initially are very close, and write

then the system is

tCet λδ =)(

• STABLE if δ < 0 or decreases faster than exponentially

• UNSTABLE if δ > 0; the system is said to be chaotic

λ = Lyapounov coefficient

Lyapounov instability is important because:

1. it limits the time beyond which an accurate trajectory can be found

2. to reach high accuracy after time t we need too many accurate decimal digits in the initial condition

ελ −= 100ce t

10log

log 0 tc λε −=

Page 74: Física Estadística y la Materia Blanda

Since systems with many degrees of freedom are intrinsically unstable, very accurate integration algorithms are useless

The basic requirements that an algorithm should satisfy are:

1. Time reversibility:

Udt

vdm

vdt

rd

ii

ii

−∇=

=

The equations are invariant under the

transformations

tt −→

ii vv −→

The Verlet algorithm is time reversible

Irreversibility in some algorithms induces intrinsic energy dissipation so that energy is not conserved

)()()(2)(2

tFm

hhtrtrhtr iiii

+−−=+ )()()(2)(2

tFm

hhtrtrhtr iiii

++−=−hh −→

)()()(2)(2

tFm

hhtrtrhtr iiii

+−−=+

Page 75: Física Estadística y la Materia Blanda

2. Symplecticity:

The probability distribution { } { }( )tvrf ii ,,

evolves like an incompressible

fluid, which implies 0=f

A symplectic algorithm conserves the volume of phase space

Page 76: Física Estadística y la Materia Blanda
Page 77: Física Estadística y la Materia Blanda
Page 78: Física Estadística y la Materia Blanda

A molecular-dynamics FORTRAN code

• declare variables• starting positions and velocities

• initialise parameters

MD

loop

• update positions and velocities (leap frog)

loop

ove

r pa

irs o

f p

artic

les

• averages and print out

• calculate relative position (using minimum image convention)

• accumulate forces• accumulate energies, virial, etc.

• apply periodic boundary conditions

Page 79: Física Estadística y la Materia Blanda

Maxwell-Boltzmann distribution for velocities

Particles initially on nodes of a fcc lattice

Page 80: Física Estadística y la Materia Blanda

periodic boundary conditions

Page 81: Física Estadística y la Materia Blanda

FORCE calculation

minimum image convention

add up forces to each member of ij pair

Page 82: Física Estadística y la Materia Blanda

update velocities and positions

histogram for g(r)

Page 83: Física Estadística y la Materia Blanda

normalise radial distribution function

Page 84: Física Estadística y la Materia Blanda
Page 85: Física Estadística y la Materia Blanda
Page 86: Física Estadística y la Materia Blanda

FIN

Page 87: Física Estadística y la Materia Blanda

FIN

Page 88: Física Estadística y la Materia Blanda
Page 89: Física Estadística y la Materia Blanda

/m

T({vk }) es la energía cinética

Page 90: Física Estadística y la Materia Blanda
Page 91: Física Estadística y la Materia Blanda

O(h2)

Page 92: Física Estadística y la Materia Blanda
Page 93: Física Estadística y la Materia Blanda
Page 94: Física Estadística y la Materia Blanda
Page 95: Física Estadística y la Materia Blanda