Estudio comparativo del m etodo de Monte Carlo aplicado a problemas cu anticos: El caso del difusivo y variacional

Luciano Robino T opicos de F sica Computacional 10 de diciembre de 2012

Resumen En el presente trabajos se analizan dos metodolog as de trabajo usando el m etodo de Monte Carlo (MC). Estas corresponden a MC Variacional y Difusivo. Para comparar ambos m etodos se analiza el mismo sistema: el a tomo de helio. Adicionalmente y como modelos de prueba para vericar el correcto funcionamiento del c odigo se analizan el problema del potencial arm onico unidimensional con el m etodo Variacional y el potencial de Morse para el caso difusivo. Los resultados de todos los sistemas resultaron positivos.

Introducci on
Breve rese na hist orica
Corr a la decada de los 40. El mundo estaba embarcado en una Guerra de enorme proporciones como pocas veces hab a ocurrido1 Franklin Delano Roosevelt, por ese entonces presidente de los EE.UU. hab a recibido una carta de Albert Einstein. En tal carta Einstein advert a a Roosevelt sobre el peligro que implicaba los desarrollos alemanes entorno a la energ a nuclear y como ve a inminente el desarrollo de una bomba que podr a muy bien destruir el puerto por completo, conjuntamente con el territorio que lo rodea. Estas acciones llevaron a la creaci on del proyecto Manhattan. Richard Feynmann cuenta como despu es de trabajar en Los Alamos caminaba por las ciudades calculando cuanto costar a destruir esa ciudad con una bomba atomica. No es de inter es de este trabajo las consecuencias morales ni de Einstein ni de Feynmann, sino uno de los desarrollos m as importante en t ermino de c alculo computacional. El c alculo de la hidrodin amica de los neutrones provenientes del uranio constitu a un problema de gran importancia para los investigadores del Proyecto
1 Este tipo de guerras s olo se vio dos veces en la historia: la Primera Guerra Mundial y la Segunda Guerra Mundial. Este p arrafo hace referencia a esta u ltima.

Manhattan. Este problema inclu a complejas integrales multidimensionales. Los m etodos comunes de resoluci on de integrales inclu an m etodos del estilo regla de Simpson: Uno dene una partici on de un intervalo y calcula los valores del integrando en esos puntos. Luego se hace un promedio pesado con esos valores y se obtiene el valor de la integral. Sin embargo estos m etodos resultan poco u tiles D con en los casos multidimensionales. Esto se debe a que el error escalea como N N la cantidad de particiones del intervalos y D la dimensi on de la integral. Es para resolver este problema que el m etodo de MC fue dise nado.

Un comentario sobre estad stica

Una variable, aleatoria continua, x, tiene asociada una distribuci on probabil stica, g (x), que es una funci on real positiva de m odulo integrable con norma igual a 1. Esto se puede denir como:

g (x)dx = 1

g (x) > 0

x R

La probabilidad,P , de que x tome un valor entre x0 y x0 + dx esta dada por: P (x0 < x < x0 + dx) = g (x)dx Adicionalmente puede denirse un valor medio, , de la distribuci on denido como el primer momento de la distribuci on:

xg (x)dx

Este valor medio, , es el aproxim adamente igual valor medio de sucesivas mediciones de la variable x, es decir, lo que com unmente se conoce como promedio. Es importante destacar esto u ltimo pues es el n ucleo del m etodo de MC. Se acaba de armar que el valor medio medible es igual al valor medio exacto salvo correcciones que disminuyen conforme el n umero de mediciones M aumenta. De hecho se puede demostrar que:
M

i=1

xi = M

xg (x)dx + O

1 M

Esto es generalizable a distribuciones probabil sticas de m as de una variable y constituye la base del m etodo de MC: se reemplaza una integral por el resultado de un experimento estad stico. El problema se reduce a generar correctamente n umeros aleatorios en la distribuci on que uno necesita y calcular 2

promedios. Voil` a, se paso de un problema complejo a uno m as sencillo. A diferencia de los m etodos de intervalos, este m etodo pesa como m as importante a aquellos puntos que son m as probables. Adem as la incerteza es proporcional independientemente de la dimensionalidad del problema. Los m etodos a 1 M
D de intervalos discretos tiene una incerteza que es proporcional a N con D la dimensionalidad del problema y N el n umero de intervalos. Sin embargo esto genera un gran problema g (x) tiene que ser positiva. Esta condici on puede no cumplirse con los estados antisimetrizados de fermiones. Afortunadamente estos sistemas no ser an considerados.

MC y Algorirtmo de Metropolis
La implementaci on del m etodo de MC es por medio del algoritmo de Metr opolis. Primero se crea una cadena de Markov. Esto consiste en crear una condici on inicial del sistema y luego hacerlo evolucionar a alguna posici on cercana con una determinada probabilidad que depende de la condici on inicial y de la nueva posici on. Esto se hace de tal forma que para tiempos grandes el sistema pierda memoria de la condici on inicial. Luego se dene una probabilidad de encontrar al sistema en una determinada conguraci on. Esta probabilidad es caracter stica del sistema a estudiar2 . A continuaci on se hace evolucionar el sistema a su nueva conguraci on y se calcula el cociente de las probabilidades. Si la probabilidad es mayor o igual a 1 se acepta el cambio. Si es menor que 1, se genera un n umero aleatorio entre 0 y 1. Si es menor que el cociente se acepta el cambio. Caso contrario se rechaza. Esta es la probabilidad de transici on de la cadena de Markov. Una vez actualizado el sistema (haya cambiado o no) se mide la propiedad que se busca obtener. Esta constituye una medici on que ser a luego promediada con otras mediciones para describir al sistema.

Metodolog a
La pregunta ahora es c omo se relaciona MC con la resoluci on de la ecuaci on de Schr odinger? En el presente trabajo se analizan dos de las respuestas posibles a esta pregunta.

A.

MC Varacional

Una respuesta la otorga el Teorema de Ritz. Este arma que dado un vector de onda |p el valor medio de la energ a del vector es mayor o igual a la energ a del estado fundamental,E0 . Esto es: |p p | H p |p

E0

2 Puede ser algo relacionado con la secci on ecaz de neutrones, la probabilidad de encontrar a un electr on en una posici on o de encontrar a un sistema en una determinda energ a para valor de temperatura, volumen y n umero de part culas.

El problema se reduce a encontrar una buena aproximaci on a la funci on de onda con una cantidad adecuada de par ametros y minimizar la energ a del sistema.[1] Para implementar este m etodo colocan una serie de caminantes en posiciones iniciales. Se usan varios caminantes para que no todos ellos queden atrapados en una regi on favorable. Luego se genera un n umero aleatorio entre -1 y 1. Este es un valor de velocidad que se usa para describir cual ser a la nueva posici on del caminante. La probabilidad de estar en esa posici on est a gobernado por el m odulo de la funci on de onda de prueba. Finalmente para calcular la energ a del caminante se usa la energ a local,EL denida como: | p H |p

EL =

es el hamiltoniano del sistema. Por la denici Donde H on de EL es f acil ver que esta funci on es una constante para los autoestados del hamiltoniano. Para este informe se estudiaron dos sistemas por este m etodo. El primero fue el oscilador arm onico unidimensional para probar el correcto funcionamiento el programa. La funci on de prueba usada fue: p (x) = ex y su EL es: 1 EL (x) = + x2 ( 22 ) 2 Adem as para este sistema se conoce el valor exacto de si energ a media E : 1 + 2 8
2

E =

1 Es f acil observar que para = 2 EL se vuelve constante y E alcanza su m nimo. El otro sistema analizado fue atomo de helio con ambos electrones en el orbital s. Para este sistema los siguientes p y EL fueron usados[1]

r1 r2 2(1+r12 ) p (r e e 1, r 2) = e

r12

EL =

2 2 1 (r1 + r2 ) r 1r 2 + + 2 + 1 r1 r2 r12 2r12 (1 + r12 )2 r1 r2 1 1 + + 2 3 r12 (1 + r12 ) (1 + r12 ) (1 + r12 )4

Donde r1 es la distancia del n ucleo a uno de los electrones, r2 es la distancia del n ucleo al otro electr on y r12 la distancia de un electr on al otro. Para generar n umeros aleatorios se uso un generador aleatorio de tipo KISS3 que puede encontrarse en: http://www.velocityreviews.com/forums/t720477-rngs-a-double-kiss. html Este generador produce n umeros entre 0 y 1 pero multiplicando por 2 y rest andole 1 es f acil conseguir un generador de n umeros aleatorios entre -1 y 1. Para ambas simulaciones se usaron 1000 caminantes y 1000 iteraciones.

B.

MC Difusivo

Consideremos la ecuaci on de Schr odinger de un electr on en un potencial V (r) en unidades at omicas: 1 (r, t) = 2 (r, t) + V (r)(r, t) t 2

Si extendemos t a tiempos imaginarios,( = it) obtenemos la siguiente ecuaci on: 1 (r, ) = 2 (r, ) + V (r)(r, ) 2 El cambio de letra griega no es caprichoso. Esto se debe a es ahora la distribuci on de probabilidad de un proceso difusivo. De aqu el nombre de MC Difusivo. Adem as es posible construir una cadena de Markov a partir de esto. La probabilidad del proceso difusivo depende de V (x), de hecho de la siguiente forma: )(r, 0) (r, ) = exp( H es la suma de dos operadores que no conmutan, no es posible Dado que H separarlo en una parte solamente potencial y otra solo cin etica. Sin embargo esta separaci on constituye una buena aproximaci on para peque no. En esta apro ximaci on la parte cin etica es una distribuci on gaussiana aleatoria con = y la parte potencial es una funci on bien denida y funciona como una fuente de part culas (si se piensa el problema como una ecuaci on difusiva). Entonces lo que se tiene es una part cula que evoluciona en el tiempo con una velocidad aleatoria que sigue una distribuci on gaussiana. Adem as, si la parte potencial lo permite, este caminante se multiplica en (int) e V (r) + p veces donde p es una variable aleatoria entre 0 y 1. Si el valor que entrega es un 0, el caminante se destruye.
3 Siglas

del ingles: Keep it simple, stupid! Mantenlo simple, idiota

Sin embargo para que el proceso sea markoviano es necesario normalizar todo por una constante exp( ET )[1]. Se puede demostrar que este valor ET es la auto energ a del estado fundamental y que el histograma de posiciones de caminantes converge a la funci on de onda del estado fundamental. Adem as de este valor ET es posible calcular el valor medio del potencial. Este valor para sucientemente chico bastante pr oximo a ET y requiere menos tiempo de c alculo. El histograma de posiciones fue generado de la siguiente manera: Se inicia una arreglo de enteros en 0. Luego, despu es del paso de reproducci on de caminantes, se eval uan las posisciones. Esto se hace con un ciclo que recorre valores superiores de los intervalos de inter es en orden creciente. Cuando encuentra el valor para el cual la posici on es menor que el n umero con el que se compara, suma la cantidad de caminantes al arreglo correspondiente y corta el ciclo. Esto se hace para evitar que siga sumando en el resto de los intervalos. Dado que se utiliza un arreglo nito de enteros se debe colocar una cota m axima para las posiciones. El valor ET se calcula como sigue: (N0 Nt ) N0

ET = V +

Donde N0 es la cantidad inicial de caminantes, NT la cantidad de caminantes en ese instante y es una constante que depende del sistema. En este caso se eligi o =0.6. Esta denici on permite ajustar la cantidad de caminantes para mantenerla constante, a pesar de la creaci on y destrucci on de caminantes. De aqu se ve porque V es menos costoso num ericamente puesto que implica una multiplicaci on y una divisi on menos. Existe una forma de combinar ambos m etodos que consiste en incluir una funci on gu a que no es otra cosa que una funci on de prueba minimizada por el m etodo variacional. Esta funci on gu a genera una fuerza adicional que corrige la velocidad gaussiana agregando un t ermino de la forma: log p2 (r) 2

vF =

Con p una funci on de prueba como la utilizada en MC variacional. Como veremos esto mejora signicativamente el c alculo de la energ a. En este caso el modelo de prueba para vericar el correcto funcionamiento del algoritmo fue el potencial unidimensional de Morse. Este potencial es de la forma: 1 2x e 2ex 2

V (x) =

Su estado fundamental es de la forma:

V ( x) =

2 exp

x exp(x) 2

y su autoenerg a en unidades at omicas es -0.125 Para esta simulaci on se usaron 1000 iteraciones y 100000 caminantes. Tambi en, dada la simplicidad del problema, se pudo normalizar la funci on de onda por medio del m etodo de los trapecios. El otro problema a resolver fue el atomo de helio. A este caso tambi en se lo calcul o con funci on gu a mostrando una importante mejora. Para estas simulaciones se usaron 1000000 de caminantes y 1000 iteraciones. Para generar las distribuci on gaussiana se utiliz o un algoritmo de tipo ziggurat modicado de la librer a GSL. El c odigo puede encontrarse en: http: //www.jstatsoft.org/v05/i08/

Resultados
A. MC Varacional
En la gura 1 se muestra los resultados para el oscilador arm onico. Adem as se compara con el valor de energ a exacto. Se observa una gran coincidencia entre los resultados anal ticos y las simulaciones. Se aprecia un m nimo en la energ a en = 0,5 con una energ a de 0.5 Hartree. Esto muestra que el algoritmo funciona seg un lo esperado.

Figura 1: Energ a en funci on del par ametro . En rojo los valores calculados, en verde el valor exacto. Se observa una coincidencia de ambos valores. Existe un claro m nimo en = 0,5 para una energ a de 0.5 Hartree. El panel superior corresponde a los valores calculados, mientras que en el segundo se implemento un suavizado gaussiano

A continuaci on se modic o el c odigo para considerar el atomo de helio con la funci on de prueba elegida. Dado que la funci on depende de 2 par ametros y , se requiere gracar en 3 dimensiones. El resultado se muestra en el panel superior de la gura 2 se observa una regi on oscura, es decir un m nimo alrededor de 0,3 0,4 y 1,8. Para solucionar esta vaguedad se tomaron los 20 puntos con menor energ a y se promedio sus valores de par amentros obteniendo = 0,36 y = 1,8365. Promediando de la misma manera las energ as se obtiene un valor de E = 2,892 Hartree. Estos par ametros fueron los usados posteriormente para la funci on gu a del m etodo difusivo. En el panel inferior de la gura 2 se observa una suavizado de tipo gaussiano de los resultados. Esto corresponde a un promedio pesado de las alturas con un = 0,1 para ambas coordenadas. La energ a del c alculo esta en concordancia con el valor real de -2.9037 Hartree.

Figura 2: Energ a calculada en funci on de los par ametros de ajuste y . Se observa una regi on m as oscura para 0,3 0,4 y 1,8 Adem as se indican los valores de los par ametros optimizados, as como el valor de energ a nal del c alculo, -2.892 Hartree.

B.

MC Difusivo

En la gura 3 se observa en el panel superior el c alculo de los dos estimadores de energ a V en verde y ET en rojo en funci on del . Adem as en azul se muestra el valor real de energ a -0.125 Hartree. Se observa claramente que en este sistema el estimador de energ a ET es mucho mas eciente en comparaci on a V , puesto que recien para = 0,01 este u ltimo estimador logra un buen valor. Como se ver a, esto no es as en el Helio. En el panel inferior se observa el histograma de posiciones normalizado y se lo compara con el valor exacto de la funci on de onda. La correspondencia entre ambos es asombrosa. De esto se observa que el algoritmo esta funcionando como corresponde. Para la construcci on de este histograma se utiliz o un intervalos entre -5 y 30 bohr dividido en 70 subintervalos.

Figura 3: Resultados del problema de Morse. En el panel superior se observa la convergencia de los estimadores de energ a. Se observa que conforme disminuye el valor medio del potencial se acerca al valor real del problema. El otro estimador de Energ a permanece ajeno a la variaci on en . En el panel inferior se observa como el histograma normalizado de posiciones encaja perfectamente con el valor te orico del problema. Este histograma corresponde a un =0.01

Inmediatamente se modic o el problema para el caso del helio. En este caso generar la funci on de onda no es para nada trivial. Para empezar es un sistema de 6 coordenadas con lo cual se requerir an 7 dimensiones para poder representar el problema. Dado que esto resulta imposible, al menos en t erminos tecnol ogicos, se debe recurrir a otra forma de representar el problema.

10

El problema del atomo de helio, en el nivel fundamental s, se reduce a conocer 3 variables: r1 , r2 y r12 . Con lo que redujimos el problema a 4 dimensiones. Recurriendo a animaciones es posible representar esto. Por razones de conveniencia se eligi o como 3 variable el coseno del angulo que forman los vectores posici on. En http://i46.tinypic.com/33m8j29.jpg puede encontrarse la animaci on gif generada a tal efecto. En esta se hace variar el coseno del angulo que 1 forman los vectores posici on r 1 yr 2 entre -1 y 1 con un paso de 35 . Cada cuadro de animaci on corresponde a un valor jo de angulo. La animaci on comienza con un coseno en 0.985714286 y disminuye hasta -0.985714286, para luego aumentar hasta 0.985714286 y volver a comenzar la animaci on. Mientras tanto, en la imagen se graca el histograma de distancias r1 y r2 entre 0 y 7 bohr con 70 intervalos. Esta animaci on se crea con el c odigo por medio de un script de bash que llama el programa. En esta animaci on se observa que conforme aumenta el angulo entre vectores posici on, la probabilidad de estar a una determinada distancia del n ucleo aumenta. Esto se explica por la repulsi on electr onica. Mientras m as separados esten los electrones menos energ a tendra el sistema, volviendo m as probable esa conguraci on. Esto tambi en puede verse en la gura 4. El panel (a) corresponde a 0.985714286 mientras que el panel (b) corresponde a -0.985714286. En estos se observa como la probabilidad de estar en una conguraci on de distancias aumenta mientras m as separados esten los electrones. La energ a resultante del sistema fue -3.00.42 Hartree.

11

(a)

(b)
Figura 4: Histograma de distancias para dos valores jos de coseno del a ngulo entre vectores posici on: (a) 0.985714286 (b) -0.985714286. La diferencia entre alturas de picos se explica por la repulsi on electr onica que vuelve m as probable que los electrones esten lo m as lejos posible (coseno=-1)

12

Finalmente se compar o el m etodo difusivo con funci on gu a. Los resultados son interesantes. V constituye un mejor estimador de energ a con una desviaci on estandar de 0.0134 Hartree y una energ a de -2.909 Hartree para el caso con funci on gu a y mejora signicativamente respecto de la aproximaci on de Hartree-Fock, 2.8617 Hartree (Valor exacto: E=2.9037). El resto de los resultados se detalla en la tabla 1. All se observa como con el m etodo de la funci on gu a se mejora la estimaci on de energ a y la desviaci on disminuye. M etodo Difusivo sin funci on gu a [Hartree] -3.00.42 -2.930.184 M etodo Difusivo con funci on gu a [Hartree] -2.910.148 -2.9090.0134

ET V

Tabla 1: Resultados de estimadores de energ a del atomo de helio para los dos m etodos utilizados. En la misma tabla tambi en se presentan las desviaciones estandar de los resultados. El m etodo con funci on gu a disminuye signicativamente la dispersi on de los datos as como acerca la energ a a mejores valores. El mejor estimador resulta V con funci on gu a

Adicionalmente en la gura 5 se muestra la evoluci on temporal de los estimadores de energ a (los dos paneles inferiores) as como de la cantidad de caminantes (panel superior). Como era de esperar el m etodo de la funci on gu a disminuye la dispersi on de estas variables.

13

Figura 5: Variables de control del m etodo difusivo. En el panel superior se observa la evoluci on temporal de la cantidad de caminante en las primeras 10000 iteraciones. En verde la evoluci on con funci on gu a y en rojo sin funci on gu a. Se muestra como estos valores oscilan alrededor de 1000 como era de esperar. Sin embargo en el caso con funci on gu a se observa una menor dispersi on. Esto tambi en es cierto para los estimadores de energ a. En particular para el valor medio del potencial la diferencia en la dispersi on es muy marcada, entregando una diferencia de un orden de magnitud

14

Conclusiones
Se logr o implementar dos algoritmos de MC Cu antico. Uno de tipo difusivo y otro de tipo variacional. El algoritmo variacional permiti o ajustar el sistema oscilador arm onico unidimensional correctamente (E = 0,5 Hartree) y sent o la base del c odigo usado para la simulaci on con atomo de helio. (E = 2,892) El m etodo difusivo permiti o obtener la funci on de onda del potencial unidimensional de Morse as como su energ a de -0.125 Hartree. Con una variaci on de este c odigo se logr o simular no s olo la funci on de onda del atomo de helio, sino tambi en crear una animaci on descriptiva del sistema. Esta animaci on muestra un interesante comportamiento para distintos angulos entre vectores posici on. Este comportamiento se debe a la repulsi on coulombiana entre electrones. Mientras los electrones est en m as lejos los unos de los otros, m as probable es esa conguraci on. Finalmente se adapt o el c odigo para emplear el m etodo difusivo con funci on de onda. Este m etodo mostr o una signicativa mejora con respecto al difusivo com un en los valores de energ a y una disminuci on en la desviaci on estandar de los estimadores de energ a. El valor de energ a reportado para el atomo de helio es V = 2, 909 0,134. Esto lleva a pensar que una mejora al proceso de estimaci on de energ a consistir a en un primer ciclo iterativo que ajuste una funci on de prueba, minimizando la energ a. Una vez optimizada, implementar la funci on como gu a para mejorar la precisi on por medio de Monte Carlo difusivo.

Bibliograf a
[1] J.M.Thijssen, Computationl Physics, Cambridge University Press, 1999, Inglaterra.

15