Sei sulla pagina 1di 50

Dipartimento di Matematica e Fisica

Corso di Laurea in Fisica

Matrici random
e loro applicazioni

Laureando: Relatore:
Alessio Giarnetti Prof. Vittorio Lubicz

Anno Accademico
2016/2017
Indice

Introduzione 2

1 Le matrici random 7
1.1 L’invarianza per inversione temporale . . . . . . . . . . . . . . 8
1.2 Ensemble Ortogonale Gaussiano (GOE) . . . . . . . . . . . . . 9
1.3 Ensemble Simplettico Gaussiano (GSE) . . . . . . . . . . . . . 10
1.4 Ensemble Unitario Gaussiano (GUE) . . . . . . . . . . . . . . 12
1.5 Funzione densità di probabilità . . . . . . . . . . . . . . . . . 13

2 Proprietà degli autovalori delle matrici random 16


2.1 La densità di probabilità congiunta per gli autovalori . . . . . 16
2.2 La densità dei livelli . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 La distribuzione delle spaziature degli autovalori . . . . . . . . 22
2.3.1 Legge dei Livelli Random . . . . . . . . . . . . . . . . 23
2.3.2 Wigner Surmise . . . . . . . . . . . . . . . . . . . . . . 24

3 I biliardi 29
3.1 Biliardi quantistici . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Il metodo di espansione . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Il biliardo circolare . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Il biliardo di Sinai . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.5 Lo spicchio di biliardo di Sinai . . . . . . . . . . . . . . . . . . 42

Conclusioni 45

Bibliografia 48

2
Introduzione

Le matrici random, ossia le matrici i cui elementi sono variabili casuali, furono
introdotte per la prima volta nell’ambito della statistica matematica negli
anni ’30, ma non fu chiara da subito la loro importanza nell’ambito della
fisica.
Due decenni dopo, negli anni ’50, gli esperimenti svolti allo scopo di
determinare i livelli energetici nucleari portarono alla luce alcuni aspetti in-
teressanti. Inviando dei neutroni su un nucleo questi avranno più probabilità
di interagire con esso se la loro energia sarà pari alla differenza di energia
tra due livelli nucleari, poichè in questo caso il nucleo ha la possibilità di
eccitarsi a seguito della collisione. Studiando quindi la sezione d’urto della
reazione in funzione dell’energia del neutrone incidente è possibile ricavare le
energie dei livelli.
Mentre i livelli energetici più bassi si possono spiegare in maniera piutto-
sto accurata immaginando che i nucleoni si muovano in una buca di poten-
ziale, per i livelli eccitati non si possono sostituire le complicate interazioni
tra le particelle con dei potenziali medi. A partire dai dati sperimentali è
stata cercata quindi una teoria statistica che spiegasse alcune caratteristiche
dei livelli energetici nucleari [1].
Eugene Wigner nel 1955 propose di sostituire l’Hamiltoniana complica-
ta infinito dimensionale dei processi nucleari con una Hamiltoniana con un
numero finito ma molto grande di dimensioni. Non conoscendo la forma esat-
ta dell’operatore, Wigner pensò di utilizzare come elementi di matrice delle
variabili casuali mantenendo le proprietà di simmetria richieste dal sistema
fisico.
Risultò evidente come una delle proprietà statistiche dei livelli ricavata
sperimentalmente, in particolare la spaziatura dei livelli contigui, seguisse
la stessa distribuzione della spaziatura degli autovalori delle matrici random
utilizzate da Wigner.
In fig.(1) è mostrata la sezione d’urto del processo di collisione di un
neutrone con un nucleo di Uranio-238 (spin 0) in funzione dell’energia del
neutrone incidente. I picchi della sezione d’urto corrispondono, per quanto

3
detto prima, proprio ai livelli energetici a meno di una costante.

Figura 1: Sezione d’urto della reazione di collisione tra neutroni e nucleo di


Uranio-238. I massimi della sezione d’urto corrispondono ai livelli nucleari.
I dati sono acquisiti dai databases del ENDF (Evaluated Nuclear Data Files).

Estrapolando le energie corrispondenti ai picchi e studiando la distribu-


zione delle loro spaziature (fig.(2)), si può notare come essa sia la stessa delle
spaziature degli autovalori di una matrice random con elementi reali, cioè la
Wigner Surmise (vedi Cap.2)
πs − π s2
pW 1 (s) = e 4 . (1)
2
Questa osservazione portò ad uno studio sempre più approfondito delle
matrici random e delle loro caratteristiche. Infatti diventò evidente la loro
utilità nel predire molto bene alcune proprietà statistiche di sistemi comples-
si. Negli anni furono trovate sempre più applicazioni. Alcune di queste sono
[1]-[4]:
ˆ Le spaziature dei livelli energetici di sistemi quantistici che nel limite
classico risultano caotici hanno la stessa distribuzione delle spaziatu-
re degli autovalori delle matrici random reali. Questa è la cosiddetta
Congettura di Bohigas-Giannoni-Schmit (vedi Cap.3).
ˆ Nel 1989 Le Caër notò che la posizione degli alberi nelle foreste scan-
dinave sembra seguire le stesse leggi statistiche delle autovalori delle
matrici random complesse.

4
Figura 2: Distribuzione delle spaziature dei livelli nucleari dell’Uranio-238.
I dati sono ottenuti dai picchi della sezione d’urto mostrata in fig.(1). La
curva mostra la cosiddetta Wigner Surmise (Eq.(1)). La distribuzione dei
dati sperimentali risulta in buon accordo con quella predetta dalla teoria delle
matrici random.

ˆ La funzione ζ di Riemann è studiata da secoli per la sua importanza


nella teoria dei numeri primi. La congettura di Riemann dice che tutti
gli zeri non banali di questa funzione (cioè quelli che non giacciono
sull’asse reale), hanno come parte reale 12 . Se si studia la distribuzione
delle spaziature delle parti immaginarie di questi zeri, essa presenta
la stessa distribuzione delle spaziature degli autovalori delle matrici
random con elementi complessi.

ˆ La distribuzione degli spazi tra due vetture contigue in un parcheggio


sembra seguire la distribuzione delle spaziature degli autovalori delle
matrici random complesse o reali a seconda delle condizioni iniziali.

ˆ Altre applicazioni più recenti sono state trovate nello studio della cro-
modinamica quantistica (QCD) e nell’ambito dei modelli topologici
nella teoria delle stringhe.

In questa tesi verranno descritte alcune caratteristiche delle matrici random e


studiata in dettaglio un’interessante applicazione fisica: il cosiddetto biliardo
di Sinai quantistico.

5
Nel primo capitolo saranno definite formalmente e classificate in base alle
loro proprietà di simmetria le matrici random. Verrà quindi ricavata la loro
funzione di densità di probabilità.
Nel secondo capitolo saranno considerate alcune caratteristiche degli au-
tovalori delle matrici random. In particolare verrà ricavata la densità di pro-
babilità congiunta per gli autovalori, la densità dei livelli e la distribuzione
di probabilità delle spaziature tra gli autovalori contigui. Alcune di queste
proprietà saranno verificate numericamente con un programma basato sul
software Mathematica.
Nel terzo ed ultimo capitolo, infine, verrà descritta un’applicazione. In
particolare verranno presi in considerazione dei biliardi quantistici con cor-
rispettivi classici caotici e non. Di questi biliardi verranno calcolati i livelli
energetici con un metodo numerico e verranno studiate le distribuzioni delle
loro spaziature.

6
Capitolo 1

Le matrici random

In questo capitolo verranno descritte le caratteristiche generali delle ma-


trici random. In particolare verranno definite le tre tipologie principali
(reali, complesse e quaternioniche) a partire dai differenti sistemi fisici che
descrivono.
Le matrici random vengono utilizzate per studiare alcune proprietà di si-
stemi fisici caratterizzati da operatori Hamiltoniani complessi di cui potrebbe
anche essere sconosciuta la forma esatta. Per definire i livelli energetici di
un sistema si possono utilizzare dei numeri quantici. I livelli energetici più
bassi sono di solito distanti gli uni dagli altri, ma se si considerano i livelli
eccitati le energie corrispondenti tendono ad essere sempre più simili tra di
loro. Di conseguenza, i numeri quantici introdotti inizialmente, a causa della
complessità del sistema, perdono la loro utilità nel rappresentare i livelli e la
loro gerarchia.
Potrebbero esistere però per il sistema degli integrali primi del moto,
come lo spin o la parità. I numeri quantici corrispondenti, qualsiasi sia il
livello eccitato che si considera, si conservano. Si possono scegliere come
funzioni d’onda di base le autofunzioni di queste quantità conservate. Cosı̀
le matrici Hamiltoniane potranno essere ridotte a delle matrici diagonali a
blocchi. Ogni blocco corrisponderà ad un dato set di autovalori esatti (quelli
cioè corrispondenti agli integral primi) e tutti i blocchi risulteranno essere
indipendenti tra loro.
Per gli elementi dello stesso blocco, invece, le interazioni sono cosı̀ com-
plesse che ogni regolarità nella loro forma scompare. Si può supporre di
rappresentare ogni singolo blocco con una matrice N × N i cui elementi sono
variabili casuali. Dato che, di solito, i livelli con stesso spin o parità in un
sistema fisico complesso sono molti, è interessante il caso in cui N è molto
grande. Queste matrici sono le cosiddette matrici random.

7
A seconda del sistema fisico che si sta considerando, in particolare a
seconda del suo momento angolare e del suo comportamento sotto inversione
temporale, le matrici random possono appartenere a tre insiemi diversi, gli
Ensembles Gaussiani. In questo capitolo sarà discussa la definizione degli
Ensembles e la funzione densità di probabilità delle matrici random, la quale
è uguale per tutti gli Ensembles e dipende esclusivamente dalla traccia della
matrice e del suo quadrato.

1.1 L’invarianza per inversione temporale


Per definire i vari tipi di matrici random bisogna distinguere i casi in cui
il sistema è invariante per inversione temporale da quelli in cui questo non
succede.
L’operatore di inversione temporale è un operatore antiunitario [5], si può
quindi scrivere come

T = KC (1.1)
dove K è un operatore unitario e C è l’operatore che trasforma ogni espres-
sione nella sua complessa coniugata. Una funzione d’onda, sotto inversione
temporale, si trasforma come

ψ R = T ψ = Kψ ∗ (1.2)
e un operatore come

AR = T AT −1 = KCACK −1 = KA∗ K −1 . (1.3)


Un sistema fisico è invariante per inversione temporale se H R = H . In questo
caso si dice che l’operatore Hamiltoniano è autoduale.
Quando l’operatore T agisce due volte su uno stato, questo deve rimanere
invariato. Quindi deve valere l’identità

T 2 = KCKC = KK ∗ CC = KK ∗ = αI (1.4)

con |α| = 1 . L’operatore K è per definizione unitario, cioè vale

K ∗ K T = I. (1.5)
Dalle due precedenti equazioni si ottiene

K = αK T = α(αK T )T = α2 K, (1.6)
quindi α = ±1 . L’operatore K può essere cioè simmetrico o antisimmetrico.

8
Gli stati di un sistema possono subire o meno un cambiamento di segno
quando l’operatore T agisce due volte. Questi due casi corrispondono rispet-
tivamente alle situazioni di momento angolare totale J semintero o intero in
unità di h̄ [6].
Verranno trattati nelle prossime sezioni tre tipi di sistemi fisici: i sistemi
non invarianti per inversione temporale, i sistemi invarianti con J intero e i
sitemi invarianti con J semintero. Ad ognuna delle tre tipologie corrisponderà
una classe specifica di matrici random.

1.2 Ensemble Ortogonale Gaussiano (GOE)


Se il sitema fisico considerato è invariante per inversione temporale e ha mo-
mento angolare totale intero, K è un operatore simmetrico oltre che unitario.
Esisterà quindi un operatore unitario U tale che [7]

K = UUT (1.7)
Utilizzando sugli stati la trasformazione corrispondente all’operatore U ,
cioè la trasformazione ψ → U −1 ψ, si ha che l’operatore K diventa l’operatore
identità, e in questa rappresentazione T → C . Infatti
T 0 = U −1 T U = U −1 KCU = U −1 U U T CU = U T U ∗ C = (U † U )∗ C = C.
(1.8)
Ciò comporta che ogni matrice autoduale, in questo caso, è reale. Pertanto,
se H R = H, dato che l’operatore Hamiltoniano è sempre Hermitiano, in
questa base H deve essere una matrice simmetrica reale.
Quindi, per descrivere sistemi invarianti per inversione temporale con mo-
mento angolare intero tramite la teoria delle matrici random, bisogna definire
l’insieme delle matrici random reali e simmetriche E1G . Questo insieme
è chiamato Ensemble Ortogonale Gaussiano (GOE) ed è definito all’inter-
no dello spazio delle matrici reali e simmetriche T1G tramite le seguenti
caratteristiche:
1. L’ensemble è invariante sotto qualunque trasformazione del tipo
H → W T HW (1.9)
di T1G in sè stesso, dove W è una matrice reale ortogonale. Questo
comporta che la probabilità
Q che un elemento di E1G appartenga all’e-
lemento di volume dH = k ≥j dHkj è invariante sotto trasformazioni
reali e ortogonali. Quindi
P (H 0 )dH 0 = P (H)dH, H 0 = W T HW (1.10)

9
dove W T W = I . Il motivo di questa invarianza è da ricercare nell’in-
dipendenza dalla base della probabilità.
2. I vari elementi di matrice Hkj per k ≤ j sono statisticamente indi-
pendenti. La funzione di densità di probabilità P (H ) risulta quindi
fattorizzabile Y
P (H) = fkj (Hkj ). (1.11)
k≤j

1.3 Ensemble Simplettico Gaussiano (GSE)


Si consideri adesso un sistema invariante per inversione temporale, ma con
momento angolare totale semintero. L’operatore K risulta essere antisimme-
trico, e non si può quindi trovare una trasformazione che lo porti ad essere
l’operatore identità.
Ogni operatore unitario ed antisimmetrico si può però ridurre alla forma
canonica
 
0 +1 0 0 ...
 −1 0 0 0 ... 
 
Z=  0 0 0 +1 ...   (1.12)
 0 0 −1 0 ... 
... ... ... ... ...
la quale è una matrice formata da blocchi 2 × 2 del tipo
 
0 +1
−1 0
sulla diagonale principale. Risulta evidente come la matrice rappresentativa
dell’operatore K , dato che può essere sempre ridotta a questa forma, deve
avere un numero pari di colonne e di righe. Si possono quindi considerare
solo le matrici di ordine 2N × 2N .
Per trattare matrici di questo tipo può essere utile introdurre i quaternioni
[1], oggetti formali dalla forma

q = a + ib + jc + kd (1.13)

dove i2 = j 2 = k 2 = ijk = −1. Se si definisce la notazione matriciale dei


quaternioni
     
i 0 0 1 0 i
j = e1 = k = e2 = i = e3 = ,
0 −i −1 0 i 0
(1.14)

10
le tre matrici e1 , e2 , e3 (che rispettano tutte le regole di moltiplicazione) in-
sieme all’identità formano un base completa per le matrici 2 × 2 con elementi
complessi. Tutte le matrici complesse 2N × 2N , quindi, se divise in blocchi
2 × 2, possono essere scritte come matrici quaternioniche N × N .
Dalle proprietà dei quaternioni, considerando la trasformazione che tra-
sforma ogni matrice 2N × 2N nella forma (1.12), si dimostra che una matrice
quaternionica è autoduale se per ogni suo elemento definito a partire dalle
matrici a blocchi 2 × 2 descritte in precedenza
 
ajk bjk
qjk =
cjk djk
vale ajk = dkj , bjk = −bkj e cjk = −ckj [1]. Queste condizioni, insieme a
quella di Hermiticità, devono essere soddisfatte dall’operatore Hamiltoniano
del sistema in questione.
Se si vuole descrivere un sistema invariante per inversione temporale
con momento angolare totale semintero, quindi, bisogna definire l’insieme
delle matrici random quaternioniche autoduali Hermitiane E4G all’in-
terno del corrispondente spazio di matrici T4G . Questo insieme, chiamato
Ensemble Simplettico Gaussiano (GSE), è definito a partire dalle seguenti
caratteristiche:

1. L’ensemble è invariante sotto qualunque trasformazione del tipo

H → W R HW (1.15)

di T4G in sè stesso, dove W è una matrice simplettica. Questo comporta


che la probabilità che un elemento di E4G appartenga al’elemento di
volume
Y 3 Y
Y
(0) (λ)
dH = dHkj dHkj (1.16)
k≤j λ=1 k<j

è invariante sotto trasformazioni simplettiche. L’indice λ va da 1 a 3 e


indica le parti immaginarie di ogni elemento di matrice quaternionico.
Quindi
P (H 0 )dH 0 = P (H)dH, H 0 = W R HW (1.17)
dove W R W = I . Il motivo di questa invarianza è da ricercare nell’in-
dipendenza dalla base della probabilità.

2. Le componenti linearmenti indipendenti di H sono anche statistica-


mente indipendenti. Dato che le suddette componenti sono parte reale

11
e parti immaginarie di ogni elemento per k ≤ j , la funzione di densità
di probabilità diventa

Y 3 Y
Y
(0) (0) (λ) (λ)
P (H) = fkj (Hkj ) fkj (Hkj ). (1.18)
k≤j λ=1 k<j

1.4 Ensemble Unitario Gaussiano (GUE)


Si consideri infine un sistema non invariante per inversione temporale. In
questo caso l’operatore Hamiltoniano non ha alcuna restrizione, se non la
condizione di Hermiticità.
Si può definire quindi l’insieme delle matrici random Hermitiane E2G
all’interno dello spazio di matrici corrispondente T2G . Questo insieme è
chiamato Ensemble Unitario Gaussiano (GUE) ed è definito, come nei casi
precedenti, a partire dalle seguenti caratteristiche:

1. L’ensemble è invariante sotto qualunque trasformazione del tipo

H → U −1 HU (1.19)

di T2G in sè stesso, dove U è una matrice unitaria. Questo comporta


che la probabilità che un elemento di E2G appartenga al’elemento di
volume Y Y
(0) (1)
dH = dHkj dHkj (1.20)
k≤j k<j

è invariante sotto trasformazioni unitarie. Gli apici 0 e 1 indicano parte


reali ed immaginaria degli elementi di matrice. Quindi

P (H 0 )dH 0 = P (H)dH, H 0 = U −1 HU (1.21)

dove U † U = I . Il motivo di questa invarianza è da ricercare nell’indi-


pendenza dalla base della probabilità.

2. Le componenti linearmenti indipendenti di H sono anche statistica-


mente indipendenti. Dato che le suddette componenti sono parte reale
e parte immaginaria di ogni elemento per k ≤ j , la funzione di densità
di probabilità diventa
Y (0) (0)
Y (1) (1)
P (H) = fkj (Hkj ) fkj (Hkj ). (1.22)
k≤j k<j

12
1.5 Funzione densità di probabilità
Le proprietà degli Ensembles Gaussiani viste nelle sezioni precedenti fissano
la forma della funzione di densità di probabilità P (H ) associata alle matrici
random. Questa è la stessa per tutti gli Ensembles e dipende soltanto dalla
traccia della matrice H e del suo quadrato:

P (H) = exp −a T r(H 2 ) + b T r(H) + c .


 
(1.23)
Per ricavare questa formula si parte dalla definizioni degli Ensambles.
Ciò che si richiede è, in tutti i casi, l’indipendenza statistica degli elementi
di matrice e l’invarianza sotto determinati tipi di trasformazioni della P (H ).
L’invarianza fa sı̀ che P (H ) possa essere espresso solo in termini di tracce
di un numero finito di potenze di H . Questo deriva dal lemma seguente.

Lemma 1. Le quantità invarianti di una matrice N × N H soggetta ad una


trasformazione
H → H 0 = AHA−1 (1.24)
possono essere espresse in termini delle tracce delle prime N potenze di H
[7].

Si consideri per semplicità una trasformazione particolare del tipo

H = U −1 H 0 U (1.25)
dove  
cosθ sinθ 0 ... 0

 −sinθ cosθ 0 ... 0 

U =
 0 0 1 ... 0 .
 (1.26)
 ... ... ... ... ... 
0 0 0 ... 1
La matrice U risulta allo stesso tempo ortogonale, unitaria e simplettica.
Derivando l’Eq.(1.25) rispetto a θ si ottiene

∂H ∂U T 0 T 0 ∂U ∂U T ∂U
= H U +U H = U H + HU T (1.27)
∂θ ∂θ ∂θ ∂θ ∂θ
che diventa
 
−2H12 H11 − H22 0 ... 0
 H11 − H22 2H12 0 ... 0 
∂H T
 
= AH + HA =  0 0 0 ... 0  (1.28)
∂θ  
 ... ... ... ... ... 
0 0 0 ... 0

13
avendo introdotto la matrice
 
0 −1 0 ... 0
1 0 0 ... 0
∂U T
 
 
A= U = 0 0 0 ... 0 . (1.29)
∂θ  
 ... ... ... ... ... 
0 0 0 ... 0

Se gli elementi di matrice sono statisticamente indipendenti, come già


descritto, la funzione di densità di probabilità si scrive
YY (λ) (λ)
P (H) = fkj (Hkj ). (1.30)
(λ) k<j

Dato che questa funzione è invariante sotto la trasformazione U la derivata


rispetto a θ deve annullarsi:
(λ) (λ)
X X 1 ∂fkj ∂Hkj
(λ) (λ)
= 0. (1.31)
k>j fkj ∂Hkj ∂θ
(λ)

Scrivendo esplicitamente questa somma nel caso ortogonale (λ = 0 ), tenendo


conto dell’Eq.(1.28) si ottiene
N
!
(0) (0)
X 1 ∂f1k (0) 1 ∂f2k (0)
− (0) H + (0)
(0) 2k
H
(0) 1k
=0 (1.32)
k=1 f1k ∂H1k f2k ∂H2k
Ogni termine della somma dipende da un set di variabili mutualmente
esclusive, e la somma di tutti i termini deve dare zero. Quindi ogni termine
deve essere una costante.
(0) (0)
1 ∂f1k (0) 1 ∂f2k (0) (0)
− (0)
H +
(0) 2k (0) (0)
H1k = Ck (1.33)
f1k ∂H1k f2k ∂H2k

A questo punto si può introdurre il seguente lemma

Lemma 1. Se tre funzioni continue e differenziabili soddisfano

f1 (xy) = f2 (x) + f3 (y) (1.34)

allora esse sono della forma a ln(x) + bk con k = 1 , 2 , 3 e b1 = b2 + b3 [1].


(0 ) (0 )
Dividendo l’Eq.(1.33) per il prodotto H1k H2k è possibile applicare il
Lemma 1. Da questo si ottiene

14
(0)
Ck (0 ) (0 )
(0 ) (0 )
= a ln(H1k H2k ) + b (1.35)
H1k H2k
(0 )
che comporta che Ck = 0. L’Eq.(1.33) diventa
.
(0) (0)
1 ∂f1k 1 ∂f2k
(0) (0) (0)
= (0) (0) (0)
= costante, (1.36)
f1k H1k ∂H1k f2k H2k ∂H2k
infatti i due termini dell’uguaglianza dipendono da variabili diverse e devono
essere necessariamente delle costanti. Questa equazione, integrata, ci porta
all’espressione desiderata
(0) 2
(0) (0)
f1k (H1k ) = e−a(H1k ) . (1.37)

Nel caso della GUE e della GSE si ottengono equazioni del tutto analo-
ghe. Dato che gli elementi di matrice compaiono nell’Eq.(1.37) al quadrato,
considerando il Lemma 1, P (H ) può dipendere solo da un esponenziale che
contiene al massimo la traccia della matrice H al quadrato. Si può dimostra-
re che questo è un risultato generale che non dipende dalla forma specifica
della trasformazione U qui utilizzata [8].
Quindi, per tutti e tre gli Ensembles Gaussiani si ottiene

P (H) = exp −a T r(H 2 ) + b T r(H) + c


 
(1.38)
che è quanto volevamo dimostrare. A partire da questo risultato è possi-
bile ricavare molte proprietà delle matrici random, come verrà discusso nel
Capitolo 2.

15
Capitolo 2

Proprietà degli autovalori delle


matrici random

Le proprietà più importanti delle matrici random riguardano gli autovalori.


Infatti alcune di queste proprietà sono fondamentali nelle applicazioni fisiche
e matematiche.
Fissata la forma della densità di probabilità degli Ensembles si può ri-
cavare la densità di probabilità congiunta degli autovalori, la quale indica
la probabilità di ottenere un dato set θ1 , . . . , θN di autovalori. Da questa si
arriva alla Legge del Semicerchio, che specifica la densità dei livelli nel limite
N → ∞.
Un’altra importante proprietà discussa in questo capitolo riguarda la di-
stribuzione delle spaziature degli autovalori. La risoluzione analitica del pro-
blema è molto complessa, ma Wigner introdusse delle formule molto semplici,
le cosiddette Wigner Surmises, che approssimano bene la soluzione esatta.

2.1 La densità di probabilità congiunta per


gli autovalori
La densità di probabilità congiunta per gli autovalori di una matrice random
N × N può essere derivata a partire dall’Eq.(1.38), se la si esprime in termini
degli N autovalori θj e di altre variabili mutualmente indipendenti pµ che
insieme agli autovalori formano un set completo.
Si consideri per esempio una matrice random N × N appartente al GOE.
Dato che la matrice è reale e simmetrica, il numero di variabili casuali che
determinano completamente tutti gli elementi di matrice è N (N2+1 ) . Il numero
di parametri pµ necessari, dato che gli autovalori sono N , sarà quindi

16
N (N + 1) N (N − 1)
l= −N = (2.1)
2 2
Se si considera una matrice appartenente al GUE, il numero di parametri
necessari, avendo ogni elemento una parte reale e una parte immaginaria,
sarà l = N (N − 1). Nel caso di matrici appartenenti al GSE, invece, si
avranno per ogni elemento una parte reale e tre parti immaginarie, quindi il
numero di parametri risulterà essere l = 2N (N − 1).
Dato che
X N N
X
2 2
T r(H ) = θj T r(H) = θj (2.2)
j=1 j=1

si ottiene dall’Eq.(1.38)
N N
!
X X
P (θ1 , . . . , θN ; p1 , . . . , pl ) = exp −a θj2 + b θj + c J(θ, p) (2.3)
j=1 j=1

dove J è lo Jacobiano

∂(H (0) , . . . , H (0) ; H (λ) , . . . , H (λ),
11 NN 12 N −1,N
J(θ, p) = (2.4)

∂(θ1 , . . . , θN ; p1 , . . . , pl )

con λ = 1 per il GUE, λ = 1, 2, 3 per il GSE. Per il GOE, essendo gli elementi
di matrice reali, basta considerare i termini con apice 0 .
Integrando l’Eq.(2.3) sulle variabili pµ si ottiene la funzione di densità di
probabilità congiunta per gli autovalori.
Utilizzando le proprietà delle trasformazioni che determinano i vari En-
sembles, è possibile ottenere l’espressione dello Jacobiano: [1]
Y
J(θ, p) = |θk − θj |β f (p) (2.5)
j<k

dove f (p) è una funzione che non dipende dagli autovalori, e β vale 1 nel caso
del GOE, 2 nel caso del GUE e 4 nel caso del GSE. La funzione di densità
di probabilità congiunta per gli autovalori è quindi
N N
!
X X Y
P (θ1 , . . . , θN ) = Cβ exp −a θj2 + b θj |θj − θk |β (2.6)
j=1 j=1 j<k

dove Cβ è una costante di normalizzazione.


b
Spostando l’origine degli autovalori in 2a e cambiando la scala di energia
q
β
di un fattore 2a , si può effettuare il cambiamento di variabile

17
r
β b
θj = xj + (2.7)
2a 2a
ed ottenere cosı̀ la forma più semplice
N
!
0 βX 2 Y
P (x1 , . . . , xN ) = Cβ exp − x |xj − xk |β . (2.8)
2 j=1 j j<k

Analogia con il gas di Coulomb


Per derivare alcune proprietà degli autovalori degli Ensembles Gaussiani,
Wigner utilizzò un argomento di meccanica statistica. L’Eq.(2.8) suggerisce
infatti un’analogia con un sistema chiamato gas di Coulomb. Si considerino
N particelle interagenti cariche confinate a muoversi su una retta a tempe-
ratura T sottoposte ad un potenziale V (x1 , . . . , xN ). La probabilità che esse
si strovino in (x1 , . . . , xN ) è data da
1 −βV (x1 ,...,xN )
P (x1 , . . . , xN ) = e (2.9)
Z
dove Z è la funzione di partizione canonica e β è il fattore di Boltzmann.
Se il potenziale è della forma
N
1X 2 X
V (x1 , . . . , xN ) = x − ln |xj − xk | (2.10)
2 j=1 j j<k

l’Eq.(2.8) e l’Eq.(2.9) coincidono. Considerare 3 valori diversi di β nella


funzione di densità di probabilità congiunta, corrisponde a considerare il gas
3 temperature diverse.
Il primo termine dell’Eq.(2.10) rappresenta un potenziale armonico cen-
trato in x = 0, mentre il secondo termine rappresenta la repulsione elettrosti-
ca tra ogni coppia di particelle se si assume che lo spazio in cui esse vivono sia
bidimensionale e dunque la forza è inversamente proporzionale alla distanza.
Nel seguito verrà utilizzata questa analogia per derivare la densità dei
livelli di una matrice random. Infatti la probabilità che un autovalore di una
matrice random assuma il valore x è pari alla probabilità che una particella
del gas di Coulomb si trovi nella posizione x .

2.2 La densità dei livelli


La densità dei livelli σ(x) è definita come

18
Z ∞ Z ∞
σ(x) = N ··· P (x, x2 , . . . , xN )dx2 . . . dxN (2.11)
−∞ −∞

e corrisponde alla probabilità che un singolo autovalore xi sia compreso tra


x e x + dx .
Ricavarla non è semplice, ma si può semplificare il calcolo considerando
il limite per N → ∞. In questo caso il corrispondente gas di Coulomb può
essere visto come un fluido classico con una densità macroscopica rappresen-
tata da una funzione continua, σ(x). L’energia potenziale data dall’Eq.(2.10)
può essere approssimata quindi con [9]
Z ∞ Z ∞ Z ∞
1 1
2
V = dx x σ(x) − dx dy ln|x − y| σ(x)σ(y). (2.12)
2 −∞ 2 −∞ −∞

Si può dunque identificare la densità dei livelli cercata con la densità del
gas di Coulomb σ(x) che minimizza l’energia potenziale. Per risolvere il pro-
blema si tratta, allora, l’Eq.(2.12) come un funzionale in σ e lo si minimizza
tenendo conto dei seguenti vincoli
Z ∞
dx σ(x) = N σ(x) ≥ 0. (2.13)
−∞

La minimizzazione del funzionale V (σ) porta all’equazione integrale


Z ∞
1
− x2 + dy σ(y) ln|x − y| = C (2.14)
2 −∞

dove C è un moltiplicatore di Lagrange. Derivando l’Eq.(2.14) rispetto a x ,


sostituendo l’integrale con
Z x−ε Z ∞ 
lim dy σ(y) ln|x − y| + dy σ(y) ln|x − y| (2.15)
ε→0 −∞ x+ε

si ottiene Z ∞
σ(y)
P dy = x. (2.16)
−∞ x−y
Questa equazione si può risolvere analiticamente [10], e la soluzione è del
tipo
( p
c A2 − y 2 |y| < A
σ(y) = . (2.17)
0 |y| > A

19
Inserendo la (2.17) nell’Eq.(2.16) e applicando la condizione di normalizza-
zione (2.13) si fissano i valori
1 √
c= A= 2N . (2.18)
π
La (2.17) cosı̀ diventa

 1 √2N − x2 √

|x | < 2N
σ(x) = π √ . (2.19)
0 |x| > 2N
Questa è chiamata Legge del Semicerchio e mostra come la distribuzione
degli autovalori di una matrice random, qualsiasi sia l’Ensemble Gaussiano
alla quale√appartiene, nel limite per N → ∞ ha la forma di un semicerchio
di raggio 2N .
Questa trattazione è stata fatta considerando il cambiamento di variabili
(2.7). La Legge del Semicerchio ha però anche un enunciato più generale.
Legge del semicerchio. Sia H una matrice random appartenente ad uno
degli Ensembles Gaussiani di ordine N → ∞. Siano i suoi elementi mij per
i < j variabili casuali distribuite con le stesse densità di probabilità, con gli
stessi secondi momenti γ 2 , e con gli n − esimi momenti limitati da costanti
Bn indipendenti da i , j o N . La densità dei livelli di H risulta essere:

 1 p4N γ 2 − θ2 |θ| < p4N γ 2


σ(θ) = 2πγ 2 p . (2.20)


0 |θ| > 4N γ 2

Se gli elementi di matrice hanno una distribuzione uniforme, la legge del


semicerchio ha un’eccezione. La matrice avrà infatti un singolo autovalore
grande che si troverà al di fuori del semicerchio [11].

Verifiche numeriche della legge del semicerchio


Utilizzando il software Mathematica è stata verificata la legge del semicerchio.
A tale scopo sono state generate delle matrici random utilizzando tre diversi
metodi.
1. Il metodo più veloce ed efficiente è l’utilizzo dei comandi GaussianOr-
thogonalMatrixDistribution, GaussianUnitaryMatrixDistribution, Gaus-
sianSymplecticMatrixDistribution, i quali generano delle matrici ran-
dom appartenenti rispettivamente al GOE, al GUE e al GSE con ele-
menti di matrice gaussiani.

20
2. Un metodo più generale ma meno veloce del precedente si basa sul-
la costruzione della matrice elemento per elemento. Per ogni i ≥ j
viene generato un numero casuale con una distribuzione qualsiasi e la
matrice viene completata per i < j con le richieste di simmetria rela-
tive all’Ensemble considerato. Questo metodo, a differenza del prece-
dente, permette di studiare matrici i cui elementi non sono distribuiti
normalmente.

3. Il terzo metodo si basa sulla costruzione di una matrice H compo-


sta interamente da numeri casuali. La matrice H 0 = H + H † sarà una
matrice Hermitiana e apparterrà quindi al GOE, al GUE o al GSE a
seconda di come sono fatti gli elementi di matrice. Questo metodo è più
veloce del secondo, ma bisogna tenere conto del fatto che gli elemen-
ti di matrice di H 0 avranno una distribuzione diversa da quella degli
elementi di H .

Una volta generate le matrici sono stati calcolati gli autovalori e la loro
distribuzione è stata rappresentata mediante un istogramma. Nella fig.(2.1)
è mostrato come all’aumentare di N la distribuzione assuma sempre più la
forma di un semicerchio.

Figura 2.1: Distribuzione degli autovalori di matrici random reali con elemen-
ti distribuiti secondo una distribuzione normale con varianza σ 2 = 12 . Da si-
nistra a destra aumenta la grandezza della matrice: N=3, N=10, N=100. La
distribuzione, all’aumentare di N assume la forma di un semicerchio, come
predetto dalla Legge del Semicerchio.

Nota la distribuzione degli elementi, confrontando gli istogrammi con la


funzione (2.20), è stato possibile verificare la legge del semicerchio. Nel-
le figure (2.2) e (2.3) sono mostrati alcuni esempi corrispondenti a diversi
Ensembles e diverse distribuzioni per gli elementi di matrice. Il secondo
momento γ 2 dell’Eq.(2.20) non è altro che h|Hij |2 i, cioè il valor medio del
modulo quadro degli elementi di matrice. Questo, insieme all’ordine della
matrice, fa variare il raggio del semicerchio, come mostrato nelle figure.

21
Figura 2.2: Distribuzione degli autovalori di matrici random con N=2000
confrontate con la legge del semicerchio. Da sinistra a destra sono sta-
te usate matrici reali, complesse, quaternioniche. Per ogni variabile ca-
suale indipendente è stata usata una distribuzione normale con varianza
σ 2 = 12 . Il raggio del semicerchio aumenta perchè se la matrice è rea-
2 2 2 2 2
D γ E= h|H
le, D ij | i E = σ , se la matrice è complessa γ = h|Hij | i =
(0 ) 2 (1 ) 2
Hij + Hij = 2 σ 2 , se la matrice è quaternionica γ 2 = h|Hij |2 i =
D E D E D E D E
(0 ) 2 (1 ) 2 (2 ) 2 (3 ) 2
Hij + Hij + Hij + Hij = 4 σ2.

Figura 2.3: Distribuzione degli autovalori di matrici random confrontata con


la legge del semicerchio. In questo caso sono state utilizzate distribuzioni per
gli elementi di matrice diverse da quella normale. Nell’istogramma a sinistra
è stata usata una matrice reale (N = 2000 ) con elementi distribuiti unifor-
memente tra -1 e 1. In questo caso γ 2 = 13 . Nell’istogramma a destra, invece,
è stata usata una matrice complessa (N = 1000 ) le cui variabili casuali sono
somme di due variabili distribuite uniformemente tra -1 a 1. In questo caso
γ 2 = 43 .

2.3 La distribuzione delle spaziature degli au-


tovalori
Una delle più importanti proprietà delle matrici random per le applicazio-
ni fisiche è la distribuzione delle spaziature degli autovalori. Derivarla per
matrici grandi è un problema molto complesso. Si può pensare di ricavare
questa distribuzione in maniera approssimata a partire da alcune ipotesi sugli

22
autovalori. Se si considerano gli autovalori come variabili casuali scorrela-
te tra di loro, si arriva ad una distribuzione esponenziale (Legge dei Livelli
Random) che non risulta tuttavia verificata numericamente. Tuttavia fa-
cendo alcune ipotesi aggiuntive Wigner ricavò delle formule, esatte solo nel
caso di matrici 2×2, che approssimano bene le soluzioni esatte del proble-
ma nel limite N → ∞. Proprio questo limite risulta più interessante nelle
applicazioni poichè le Hamiltoniane dei sistemi fisici sono spesso infinito di-
mensionali. Queste soluzioni si ottengono risolvendo delle equazioni integrali
che in alcuni casi possono essere ridotte a equazioni differenziali non lineari
[1, 12, 13].

2.3.1 Legge dei Livelli Random


Si può prendere in esame un sistema fisico qualsiasi, con uno spettro discre-
to di autovalori dell’energia. Si consideri una sequenza di livelli energetici
compresi in un intervallo ∆E, E1 ≤ E2 ≤ .... Siano S1 , S2 , ... le distanze
tra due livelli successivi, in modo tale che Si = Ei+1 − Ei . Si può definire
la spaziatura relativa si = SDi dove D è la spaziatura media. La sua fun-
zione di densità di probabilità p(s) è definita dalla condizione che p(s)ds è
la probabilità che una qualsiasi spaziatura relativa si sia compresa tra s e
s + ds.
Se le energie dei livelli sono variabili casuali non correlate, la probabilità
che un qualsiasi valore Ei sia compreso tra E ed E + dE non dipende dal
valore dell’energia stessa ed è semplicemente ρdE , dove ρ = D −1 è il numero
medio di livelli in un intervallo unitario di energia. La probabilità di avere
una spaziatura pari ad S non è altro che la probabilità di non avere livel-
li energetici nell’intervallo compreso tra E ed E + S e di avere un livello
energetico nell’intervallo compreso tra E + S e E + S + dS .
Si può dividere l’intervallo S in m parti uguali. Dato che i livelli sono
indipendenti, la probabilità di non avere livelli nell’intervallo compreso tra E
ed E + S , è il prodotto delle probabilità di non avere livelli in ognuna delle
S
m parti. Se m → ∞, e dunque m → 0, ciascuna di queste probabilità può
essere scritta come

S
1−ρ . (2.21)
m
La probabilità di non avere livelli energetici tra E ed E + S è allora
 m
S
lim 1 − ρ = e−ρS . (2.22)
m→∞ m

23
La probabilità di avere poi un livello compreso tra E + S e E + S + dS è
semplicemente ρdS. Di conseguenza, la probabilità di avere una spaziatura
pari ad S è

p(S)dS = e−ρS ρdS. (2.23)


S
Da questa espressione, introducendo la spaziatura relativa s = D
= ρS, si
arriva infine alla forma

p(s)ds = e−s ds, (2.24)


cioè alla cosiddetta Legge dei Livelli Random. Tuttavia questa distribuzione
non rispecchia le caratteristiche degli autovalori delle matrici random.

2.3.2 Wigner Surmise


Per descrivere la distribuzione delle spaziature dei livelli energetici dei nuclei
con spin intero Wigner propose la seguente congettura:
1. In una sequenza di livelli con lo stesso spin e la stessa parità, detta
sequenza semplice, la funzione di densità di probabilità per le spaziature
è data dalla cosiddetta Wigner Surmise
πs − π s2
pW 1 (s) = e 4 . (2.25)
2

2. Livelli con differenti spin e parità non sono correlati. La funzione p(s)
per una sequenza di livelli mista può essere ottenuta sovrapponendo le
distribuzioni delle sequenze semplici che la costituiscono.
La forma della Wigner Surmise si può ricavare [1] assumendo che la densità di
probabilità relativa ai livelli energetici sia proporzionale a S , cioè ρ(S) = aS.
Questa ipotesi è molto diversa da quella di uniformità discussa per la Legge
dei Livelli Random. Infatti in questo caso esiste una sorta di repulsione tra
i livelli vicini. La probabilità di avere due livelli degeneri è quindi nulla.
Facendo questa ipotesi, la probabilità di non avere un livello nell’intervallo
compreso tra E ed E + S è, dividendo come nel caso precedente l’intervallo
in m parti uguali,
m−1
Y 
Sr S
lim 1− a , (2.26)
m→∞
r=0
mm
dove a è la costante di proporzionalità, a Sr
m
la densità di probabilità relativa
S
all’r − esimo intervallino e m la larghezza di quest’ultimo. Essendo poi la

24
probabilità di avere un livello compreso tra E + S e E + S + dS pari a aSdS ,
si ottiene

  m−1
Y 
S Sr S aS 2
p dS = lim 1− a aSdS = aSe− 2 dS (2.27)
D m→∞
r=0
mm
la quale normalizzata si riduce all’Eq.(2.25).
Per quanto riguarda le matrici random, Wigner ipotizzò che la sua Surmi-
se fosse proprio la funzione di distribuzione delle spaziature degli autovalori
di matrici random appartenenti al GOE nel limite N → ∞. Infatti, questa
distribuzione spiegava le proprietà statistiche dei livelli energetici di nuclei
con spin intero, i quali secondo le sue ipotesi dovevano essere rappresenta-
bili tramite una matrice random reale di dimensione molto grande, essendo
l’Hamiltoniana del sistema infinito dimensionale.
Tuttavia riuscı̀ a dimostrare come la (2.25) fosse la distribuzione esatta
solo nel caso di matrici 2×2. La soluzione del problema generale (Mehta,
Gaudin [1]) portò però ad un risultato molto simile a quello ipotizzato da
Wigner anche nel limite N → ∞.

0.8

0.6

0.4

0.2

1 2 3 4

Figura 2.4: Confronto tra la distribuzione delle spaziature di una matrice


appartenente al GUE indicata come (linea continua blu) nel limite N → ∞
e la Wigner Surmise (2.28) (linea tratteggiata rossa).

Wigner introdusse analoghe formule, esatte anche in questo caso solo per
matrici 2×2, per le distribuzioni delle spaziature degli autovalori per il GUE
e il GSE. Anche queste formule sono simili alle soluzioni esatte nel limite
N → ∞. Esse sono, per il GUE
32 4 2
pW 2 (s) = 2 s2 e− π s (2.28)
π
25
e per il GSE

218 4 − 64 s2
pW 3 (s) = s e 9π . (2.29)
36 π 3
Nel caso dell’Ensemble Unitario, per trovare la soluzione esatta nel limite
N → ∞, si può risolvere numericamente l’equazione differenziale (equazione
di Painlevè)
(tσ 00 )2 + 4(tσ 0 − σ)(tσ 0 − σ + σ 02 ) = 0 (2.30)
con la condizione [13]
 2
t t
σ(t) ≈ − − per t → 0+ . (2.31)
π π

La distribuzione delle spaziature sarà

d2 E(s)
p2 (s) = (2.32)
ds2
dove Z πs 
σ(t)
E(s) = exp dt . (2.33)
0 t
In figura (2.4) è mostrato il confronto tra la (2.32) e la (2.28). Le due
funzioni sono quasi indistinguibili tra di loro, la differenza è quasi ovunque
minore del 5%.
La Legge dei Livelli Random e le formule di Wigner giocano un ruolo
fondamentale per lo studio di alcuni sistemi fisici complessi. Ciò sarà oggetto
di discussione nel Capitolo 3.

Verifiche numeriche delle Wigner Surmises


Tramite Mathematica è stata verificata numericamente la validità delle for-
mule di Wigner, Eqs.(2.25), (2.28), (2.29).
Le Wigner Surmises riproducono esattamente la distribuzione delle spa-
ziature degli autovalori di matrici random 2 × 2. Generando quindi diverse
matrici 2 × 2 sono state studiate le distribuzioni delle spaziature relative.
Dalla figura (2.5) si vede come le formule di Wigner per i tre Ensembles
seguono esattamente l’andamento dell’istogramma.
Le tre distribuzioni, come già detto, dovrebbero approssimare molto be-
ne anche i risultati nel caso limite in cui N → ∞. Generando matrici molto
grandi, in particolare 10000 × 10000, si nota come le distribuzioni delle spa-
ziature siano simili alle Wigner Surmises ma presentino anche delle evidenti

26
discrepanze, come mostrato in figura (2.6). I discostamenti, non essendo fa-
cile aumentare l’ordine delle matrici a causa della complessità di calcolo, si
possono eliminare scartando gli autovalori più piccoli e quelli più grandi delle
matrici. [13]
Infine dalla figura (2.7) è mostrato come la distribuzione degli elementi
di matrice non influenzi la distribuzione delle spaziature.

Figura 2.5: Distribuzione delle spaziature degli autovalori per matrici random
2 × 2. Da sinistra a destra è mostrato il risultato per matrici reali, complesse
e quaternioniche. Le distribuzioni sono confrontate rispettivamente con le
Wigner Surmises, ossia le funzioni (2.25), (2.28) e (2.29).

Figura 2.6: Confronto tra le distribuzione delle spaziature degli autovalori per
matrici random 10000 × 10000 con (grigio) e senza (altri colori) il contributo
dei 1000 autovalori più grandi e più piccoli. Da sinistra a destra è mostrato
il risultato per matrici reali, complesse e quaternioniche. Le curve continue
in rosso rappresentano le Wigner Surmises. Si nota come le distribuzioni
colorate seguono il loro andamento.

27
Figura 2.7: Confronto tra le distribuzioni delle spaziature degli autovalori di
matrici random reali (N=2000) con due diverse distribuzioni degli elementi,
uniforme (blu) e gaussiana (rosso). Le distribuzioni sono molto simili e
dunque indipendenti dalla distribuzione degli elementi di matrice.

28
Capitolo 3

I biliardi

In questo capitolo verranno studiate le caratteristiche dei livelli energetici


di alcuni sistemi fisici particolari chiamati biliardi. Questi hanno un forte
legame con la teoria delle matrici random. Infatti la distribuzione delle spa-
ziature dei livelli energetici di un biliardo quantistico, nel caso in cui l’analogo
classico risulti caotico, segue la distribuzione delle spaziature degli autovalori
delle matrici random reali.
Con biliardo dinamico, in fisica classica, si intende una regione di spazio
bidimensionale in cui un punto materiale può proseguire in linea retta il
suo moto, o urtare contro le pareti che lo tengono confinato, rimbalzando
elasticamente secondo le leggi della riflessione. In generale, l’Hamiltoniana
del sistema, è semplicemente quella della particella libera con l’aggiunta di
un potenziale che indica il confinamento della stessa:

p2
H(~p, ~q) = + V (~q), (3.1)
2m
dove

0 se ~q ∈ Ω
V (→

q)= (3.2)
∞ altrimenti
e Ω è la regione del piano in cui il punto materiale può muoversi.
I biliardi riescono a riflettere tutta la complessità dei sistemi Hamiltonia-
ni. A seconda della regione nella quale stiamo considerando il moto, infatti, il
sistema dinamico associato al biliardo può risultare completamente integra-
bile, oppure caotico. Un sistema si definisce caotico se piccole differenze nelle
condizioni iniziali, comportano sostanziali differenze nella traiettoria percor-
sa dal punto materiale. Come vedremo nelle sezioni successive, biliardi di
forme anche molto semplic possono risultare caotici.

29
È importante notare come ogni biliardo è completamente simmetrico per
inversione temporale. Infatti non dipendendo l’Hamiltoniana dal tempo,
l’inversione temporale comporta solo un cambiamento di segno per quanto
riguarda la velocità del punto materiale, ma lascia invariata la sua traiettoria.

3.1 Biliardi quantistici


Si può estendere la definizione di biliardo alla meccanica quantistica. Uti-
lizzando un operatore Hamiltoniano della forma di Eq.(3.1) si può risolvere
l’equazione di Schrödinger in modo tale da ottenere i livelli energetici e le au-
tofunzioni del sistema. Essendo il biliardo un sistema legato, cioè confinato
nello spazio, si otterrà uno spettro energetico discreto.
Ogni biliardo classico ha quindi una sua controparte quantistica. Questo
vuol dire che, essendo la meccanica classica il limite classico della meccanica
quantistica, il corrispettivo quantistico di un sistema caotico classico deve
necessariamente avere caratteristiche diverse del corrispettivo quantistico di
un sistema integrabile classico.
Non esistendo in meccanica quantistica la nozione di traiettoria, risulta
più complicato definire un sistema caotico. Tuttavia, i sistemi quantistici
caotici devono presentare necessariamente delle caratteristiche peculiari [14].
Una di queste è legata fortemente alle matrici random. Nel 1984, infatti,
venne formulata la seguente congettura:

Congettura di Bohigas-Giannoni-Schmit. Lo spettro di un sistema in-


variante per inversione temporale, il cui analogo classico è un K-sistema,
mostra le proprietà di fluttuazione descritte dalla GOE. [15]

Un K-sistema è sostanzialmente un sistema caotico che presenta anche


caratteristiche di ergodicità, chiamato in questo modo essendo stato definito
per la prima volta da Kolmogorov. Nel caso dei biliardi, la definizione di
ergodicità è piuttosto intuitiva. Un biliardo si dice ergodico se a grandi tempi,
il tempo speso dal punto materiale in una regione del biliardo è proporzionale
all’area della regione stessa.
Ciò che la congettura BGS comporta è che studiare la fluttuazione dei
livelli, dunque la loro spaziatura, permette, se questa congettura fosse ve-
ra, di discriminare un sistema quantistico il cui analogo classico è caotico
da un sistema quantistico il cui analogo classico risulta integrabile in modo
particolarmente semplice.
Infatti, sette anni prima della formulazione della BGS, Berry e Tabor pre-
sentarono la loro congettura sulla spaziatura dei livelli di sistemi quantistici
con analogo classico integrabile:

30
Congettura di Berry-Tabor. Lo spettro di un sistema invariante per in-
versione temporale, il cui analogo classico è integrabile, mostra le proprietà
di fluttuazione descritte dalla legge dei livelli random (Eq.(2.24)). [16]
Queste differenze tra le distribuzioni delle spaziature degli autovalori so-
no facili da mostrare nel caso dei biliardi, essendo questi dei sistemi molto
semplici da trattare.
In questo capitolo verranno studiati tre diversi biliardi, ognuno con alcune
particolarità per quanto riguarda i livelli energetici.

3.2 Il metodo di espansione


Non tutte le equazioni di Schrödinger relative ai biliardi sono risolvibili anali-
ticamente. In altri termini, data una forma qualsiasi del ”tavolo”, sono pochi
i casi in cui si può trovare una formula analitica per i livelli energetici. In
questo studio è stato dunque usato un semplice metodo di espansione per
trovare numericamente i livelli dei sistemi.
Dato un biliardo, l’equazione di Schrödinger indipendente dal tempo è:

h̄2 2
 
Ĥψk (~r) = − ∇ + V (~r) ψk (~r) = Ek ψk (~r) (3.3)
2m
dove il potenziale è lo stesso definito in Eq.(3.2).
Per risolvere numericamente questa equazione, quello che si può fare è
definire un nuovo potenziale dalla forma [17]:

0 se ~r ∈ Ω

0
V (~r) = V0 se ~r ∈ Ω 0 (3.4)

∞ altrimenti

dove Ω 0 è una regione rettangolare che contiene completamente Ω e V0 è


un valore abbastanza grande da fare in modo che la funzione d’onda sia
praticamente zero nella regione compresa tra Ω 0 e Ω, vedi figura (3.1).
La scelta di una regione rettangolare che circonda il biliardo è dovuta al
fatto che, per la buca di potenziale rettangolare infinita si conoscono esatta-
mente le funzioni d’onda e queste hanno una forma piuttosto semplice. Dalla
risoluzione dell’equazione di Schrödinger, infatti, una volta imposte le condi-
zioni di annullamento al bordo, si ottiene, per una buca di potenziale di lati
a1 e a2
r  r  
2 π 2 π
φm1,m2 (x, y) = sin m1 x sin m2 y . (3.5)
a1 a1 a2 a2

31
Figura 3.1: Rappresentazione grafica del dominio del potenziale in Eq.(3.4).
La regione centrale è la regione Ω dove il potenziale è nullo. la regione che
la circonda, in bianco, è la regione Ω 0 . Al di fuori di essa il potenziale è
infinito. [17]

per x ∈ [0, a1 ]e y ∈ [0, a2 ], con m1 , m2 ∈ N . Gli autovalori corrispondenti a


queste funzioni d’onda sono
" 2 2 #
π 2 h̄2

m1 m2
Em1,m2 = + . (3.6)
2m a1 a2

Le funzioni (3.5) costituiscono una base completa di autofunzioni. Si può


dunque pensare di esprimere le funzioni d’onda di un biliardo qualsiasi come
combinazione lineare di funzioni d’onda della buca di potenziale rettangolare:
X
ψk (x, y) = cm φm (x, y) (3.7)
m

dove m è un multindice che sta ad indicare entrambi i numeri quantici che


definiscono le funzioni d’onda. Sostituendo questa espansione nell’equazione
di Schrödinger e moltiplicando a sinistra per un’autofunzione φn si ottiene

h̄2 2
 X
0 →−
X
φn (x, y) − ∇ +V (r ) cm φm (x, y) = φn (x, y)Ek cm φm (x, y),
2m m m
(3.8)
Questa equazione può essere integrata sul piano. Definendo l’elemento di
matrice

32
Z
H = dxdyφn (x, y)Ĥ 0 φm (x, y) =

h̄2 2
Z  
0
= dxdyφn (x, y) − ∇ + V (~r) φm (x, y) =
Ω+Ω0 2m
h̄2 2
Z  
= dxdyφn (x, y) − ∇ φm (x, y) +
Ω+Ω0 2m
Z
+V0 dxdyφn (x, y)V 0 (~r)φm (x, y) = (3.9)
Ω0
= Em δmn + V0 vnm ,

dove Em sono gli autovalori della buca rettangolare di Eq.(3.6) e


w
vnm = dxdyφn (x, y)φm (x, y) (3.10)
Ω0

con m e n multindici, l’equazione di Schrödinger integrata assume la forma


di una equazione agli autovalori
X
(Hnm − Eδnm ) = 0. (3.11)
m

Scegliendo dunque un numero finito opportunatamente grande di auto-


funzioni della forma di Eq.(3.5), è possibile calcolare un certo numero di li-
velli energetici relativi al biliardo che si vuole studiare calcolando gli integrali
vnm e risolvendo l’Eq.(3.11). Ovviamente il numero di autovalori calcolati e
la relativa accuratezza dipende dal numero di autofunzioni che si decide di
utilizzare.

3.3 Il biliardo circolare


Il primo biliardo preso in considerazione è il biliardo circolare. Si tratta di
una buca di potenziale circolare di raggio R.
Il problema di Schrödinger associato, in questo caso è risolvibile esat-
tamente. Di conseguenza è evidente come questo tipo di biliardo non sia
caotico.
I livelli energetici del biliardo circolare sono [18]

h̄2 km,n
2
r
Em,nr = 2
(3.12)
2mR
33
dove km,nr è lo zero nr − esimo della m − esima funzione di Bessel regolare
Jm (z) e m è un numero naturale.
Le autofunzioni sono il prodotto di una parte radiale e una parte angolare
1
ψm,nr (r, θ) = √ Nm,nr Jm (αm,nr r)eisθ (3.13)

dove s è un numero intero, m = |s|,
km,nr
αm,nr = (3.14)
R
e Nm,nr una costante di normalizzazione.
Si può notare come per m 6= 0, ogni livello è degenere due volte. Infatti
per ogni suo valore abbiamo due autofunzioni distinte che corrispondono a
s = ±m.

Livelli energetici e spaziatura


Tramite il software Mathematica, utilizzando il metodo di espansione descrit-
to nella Sez. 1.2, sono stati calcolati gli autovalori del biliardo circolare.
Indicando con R il raggio del biliardo è stata scelta come regione rettan-
golare che racchiude il cerchio una regione quadrata di lato 2R concentrica
al cerchio stesso. Successivamente è stato fissato il valore massimo M0 dei
numeri quantici m1 m2 in modo tale da avere M02 autofunzioni di base e il
valore del potenziale V0 (vedi Eq.(3.4)). Quest’ultimo può essere convenien-
temente scelto in modo tale da essere almeno 10 volte più grande del livello
di energia più alto che si desidera calcolare con una buona precisione.
A questo punto bisogna calcolare gli integrali (3.10). La difficoltà com-
putazionale del metodo risiede in questo passaggio. Nel caso del biliardo
circolare, questi integrali hanno la forma


Z R − Rw2 −x2
vnm = dx dyφn (x − R, y − R)φm (x − R, y − R) +
−R −R
Z R wR
+ dx dyφn (x − R, y − R)φm (x − R, y − R) (3.15)
−R √
R2 −x2

dove il dominio di integrazione non è altro che la zona compresa tra il cerchio
di raggio R e il quadrato di lato 2R.
L’integrale in dy si può risolvere analiticamente, mentre quello in dx deve
essere calcolato numericamente. Calcolati questi integrali si ricostruisce cosı̀

34
la matrice H di Eq.(3.9). Questa è una matrice simmetrica, dato che i suoi
elementi sono sicuramente tutti reali (le funzioni d’onda di partenza sono
reali) ed essendo gli integrali simmetrici per scambio di numeri quantici.
Una volta determinata H si può procedere al calcolo dei suoi autovalori.
In tutte le simulazioni effettuate sui biliardi in questa tesi sono stati posti
h̄ = 1 e m = 1. Inoltre sono stati scelti diversi valori di M0 per confrontare i
vari risultati. Al crescere di questo valore diventa esponenzialmente grande
il tempo di calcolo [17], poichè aumentarlo anche di una sola unità comporta
un aumento considerevole del numero di integrali da calcolare. Infine è stato
sempre posto V0 = 10000.
Dalla lista degli autovalori ottenuti si ha che la maggior parte degli auto-
valori sono degeneri due volte, proprio come ci si aspetta dalla teoria generale.
Inoltre si possono confrontare gli autovalori ottenuti con quelli esatti, cioè
con la metà del quadrato degli zeri delle funzioni di Bessel. Questo confronto
è utile soprattutto per quanto riguarda gli autovalori corrispondenti ad ener-
gie più basse, poichè più si considerano energie alte, più le approssimazioni
fatte con il metodo di espansione diventano rilevanti. Nella tabella 3.1sono
confrontati i primi autovalori ottenuti per M0 = 25 e M0 = 15 con quelli
esatti, in unità di R.
2
km,n
2
r
EM (M0 = 15 ) EM (M0 = 25 )
2.91 2.94 2.89
7.35 7.47 7.34
13.21 13.36 13.18
15.25 15.48 15.23
20.35 21.70 20.34
24.63 25.07 24.61
28.82 29.10 28.74
35.40 35.89 35.41
37.45 38.06 37.43

Tabella 3.1: Confronto tra i primi 9 autovalori esatti diversi e i primi 9 au-
tovalori diversi ottenuti con il metodo di espansione in unità di R. Per otte-
nere questi valori sono stati utilizzati come parametri M0 = 15. e M0 = 25 .
È evidente come gli autovalori ottenuti con il metodo di espansione siano
simili a quelli esatti. Aumentando il parametro M0 la precisione aumenta
notevolmente.

Dai valori riportati nella tabella 3.1 risulta evidente come ci sia un buon
accordo tra i risultati approssimati e i risultati esatti. Inoltre più aumenta
il numero di autofunzioni di base utilizzate, più gli autovalori ottenuti nu-

35
mericamente sono simili a quelli esatti. Aumentando il PrecisionGoal e la
WorkingPrecision nel programma di Mathematica usato per la valutazione
degli integrali, è possibile raggiungere accuratezze ancora migliori, a discapito
del tempo di calcolo.
Oltre ai primi autovalori, è anche possibile confrontare le prime autofun-
zioni ottenute numericamente con quelle esatte del biliardo circolare. Per
ottenere le autofunzioni approssimate è sufficiente calcolare gli autovettori
della matrice H la cui m−esima componente è il coefficiente della m−esima
funzione di base.

Figura 3.2: I moduli quadri delle prime 4 autofunzioni del biliardo circolare.
Quelle in scala di grigio sono state ottenute numericamente, mentre quelle
in blu sono le autofunzioni esatte.

In figura (3.2) sono mostrate le autofunzioni ottenute con il metodo di


espansione e le autofunzioni esatte del biliardo circolare. L’accordo tra i
risultati è evidente. Ovviamente al crescere dei numeri quantici aumenta la
discrepanza. Nelle autofunzioni del biliardo circolare i nodi radiali sono nr −1
mentre i nodi angolari sono m. Da questo si può dedurre che le autofunzioni
mostrate in figura (3.2) hanno come numeri quantici (nr , m) rispettivamente
(1, 0), (1, 1), (1, 2), (2, 0). Come già detto, le autofunzioni con m 6= 0 hanno
una doppia degenerazione. Infatti si ottengono, oltre a quelle mostrate, le
autofunzioni 2 e 3 con la stessa forma, ma ruotate rispettivamente di 90° e
45°. Il fatto che abbiano la stessa forma è evidentemente segno del fatto che
gli autovalori associati siano gli stessi.
Un modo per valutare l’accuratezza del metodo di espansione si basa
sull’utilizzo del cosiddetto criterio di Weyl. Questo permette di valutare
la precisone degli autovalori ottenuti confrontando la funzione N (E ), che

36
indica il numero di autovalori con energia minore di E , con la funzione di
Weyl. Questa, nel caso dei biliardi con condizioni al contorno di Dirichelet,
che impongono l’annullamento della funzione d’onda al bordo, si scrive [19]

2m √
r
2m
N (E) ' 2 AE − P E (3.16)
h̄ h̄2
dove A è l’area del biliardo, P è il suo perimetro. Per un biliardo circolare
si ottiene facilmente A = πR2 P = 2πR.

Figura 3.3: Numero di autovalori N (E ) con energia minore di E per il biliar-


do circolare con M0 = 25 . La linea rossa mostra l’andamento della formula
di Weyl, i punti, invece, indicano la funzione N (E ) ottenuta a partire dal
metodo di espansione. Risulta evidente come ci sia accordo (le linee distano
meno del 10%) solo per i primi 380 autovalori su un totale di 625.

La figura (3.3) mostra il confronto tra la funzione N (E ) determinata dalla


simulazione e la funzione di Weyl nel caso in cui M0 = 25 . Solo per i primi
380 autovalori il discostamento è minore del 10%. In questa tesi sono stati
considerati in accordo con la teoria solo gli autovalori che portavano ad un
discostamento minore proprio del 10% della N (E ) dalla funzione di Weyl.
Selezionati gli autovalori attendibili, si può determinare la distribuzione
della spaziatura dei livelli. Come discusso in precedenza, quello che ci si
aspetta, essendo un biliardo non caotico, cioè con un corrispettivo classico
integrabile, è che la distribuzione sia esponenziale

S
P (s) = e−s , s= , (3.17)
D
dove S è la differenza tra due livelli di energia contigui e D la spaziatura
media.

37
La distribuzione esponenziale ha in 0 il suo massimo. Questo vuol dire
che ci sarà un gran numero di livelli distanti 0 dal precedente, cioè un gran
numero di livelli degeneri. Ciò è proprio quello che si ottiene numericamen-
te. Nella figura (3.4) vengono mostrati gli istogrammi delle spaziature dei
livelli ottenuti considerando gli autovalori risultati accettabili dal criterio di
Weyl per M0 = 25 . Confrontando il risultato con la distribuzione esponen-
ziale è chiaro come l’andamento delle spaziature sia proprio quello previsto
teoricamente.

Figura 3.4: Istogramma delle spaziature tra i livelli per il biliardo circolare per
M0 = 25 . La linea blu rappresenta la distribuzione esponenziale di Eq.(3.17).

3.4 Il biliardo di Sinai


Il biliardo di Sinai fu introdotto nel 1963 da Yakov Sinai [20]. E’ un biliardo
molto semplice dal punto di vista geometrico e la sua importanza sta nel
fatto che fu il primo biliardo per il quale fu data una dimostrazione della sua
ergodicità.
Il biliardo di Sinai è composto semplicemente da un ”tavolo” quadrato il
quale contiene un ostacolo circolare al centro, che ha le stesse caratteristiche
elastiche delle pareti del biliardo (vedi figura 3.5).
Il motivo per il quale questo biliardo risulta caotico dal punto di vista
classico è evidente. Se facciamo partire, infatti, due punti materiali da due
posizioni molto vicine tra di loro, facendo in modo che una volta partiti,
uno urti subito l’ostacolo e uno prosegua dritto, risulta evidente come le due
traiettorie si evolveranno in maniera completamente diversa.
Una trattazione numerica analoga a quella fatta per il biliardo circola-
re, con l’ausilio del programma Mathematica, è stata portata avanti per il
biliardo di Sinai.

38
Figura 3.5: Il biliardo di Sinai. Esso consiste in un tavolo quadrato con un
ostacolo circolare al centro.

Livelli energetici e spaziatura


Per studiare il biliardo di Sinai, bisogna, come descritto in precedenza per il
biliardo circolare, definire geometricamente le regioni Ω e Ω 0 . In questo caso,
basta considerare una regione quadrata di lato a dove sono definite le funzioni
d’onda della buca rettangolare, e una regione circolare (che corrisponde a Ω 0 )
di raggio R < a2 concentrica alla regione quadrata, dove il potenziale vale V0 .
Per il biliardo di Sinai gli integrali vnm di Eq.(3.10) sono dati da


Z R Rw2 −x2
vnm = dx dyφn (x − R, y − R)φm (x − R, y − R), (3.18)
−R √
− R2 −x2

essendo la regione Ω 0 semplicemente l’ostacolo circolare al centro. Anche


in questo caso è possibile svolgere analiticamente l’integrale in dy, mentre
quello in dx deve essere calcolato numericamente.
Per gli autovalori del biliardo di Sinai non esiste una formula chiusa.
Il metodo più semplice per valutare l’attendibilità degli stessi è il criterio
di Weyl descritto in precedenza. Bisogna dunque confrontare la funzione
N (E ) con l’Eq.(3.16). In questo caso i parametri geometrici da inserire nella
formula sono A = a 2 − πR 2 e P = 4a + 2 πR.
In figura (3.6) è riportato l’andamento della N (E ) confrontato con la
formula di Weyl (3.16) nel caso in cui M0 = 25 . In questo caso sono i primi
420 autovalori a discostarsi al massimo per il 10% dalla curva.
Il biliardo di Sinai, come già osservato, presenta un comportamento cao-
tico dal punto di vista classico. Ci si aspetta quindi che la spaziatura dei
livelli sia la stessa della GOE, segua cioè la Wigner Surmise
π − π s2
P (s) = se 4 . (3.19)
2
39
Figura 3.6: Numero di autovalori N(E) con energia minore di E per il biliardo
di Sinai. La linea rossa mostra l’andamento della formula di Weyl, i punti,
invece, indicano la funzione N(E) ottenuta a partire dal metodo di espansione.
In ascissa sono riportate le energie, in ordinata il numero N(E). Risulta che
le curve sono in accordo (le linee distano meno del 10%) solo per i primi 420
autovalori su un totale di 625.

In realtà questo non succede nel biliardo di Sinai. Infatti, data la sua
struttura geometrica, questo biliardo presenta 4 assi di simmetria, che cor-
rispondono ai due assi cartesiani e alle due diagonali. Esistono quindi 8
spicchi completamente identici tra di loro, che si trasformano l’uno nell’altro
tramite riflessioni rispetto agli assi di simmetria. È ben noto che, se una
Hamiltoniana commuta con l’operatore di parità, esistono due set di auto-
funzioni indipendenti, uno di autofunzioni dispari e uno di autofunzioni pari.
In analogia, se gli assi di simmetria sono 4 e non uno solo, si avranno 8 set
di autovalori indipendenti. Ognuno di questi set di autovalori, essendo il
biliardo intrinsecamente caotico, seguirà per la spaziatura dei livelli la Wi-
gner Surmise. Pertanto, la distribuzione della spaziatura degli autovalori del
biliardo di Sinai sarà la sovrapposizione di 8 distribuzioni analoghe a quelle
della GOE indipendenti.
In generale, se si ha una sovrapposizione di N Wigner Surmises, la fun-
zione di densità di probabilità per la spaziatura è [21]
 √ N
∂2

(N ) πs
P (s) = 2 erfc (3.20)
∂s 2N
dove
Z ∞
2 2
erfc(z) = √ dt e−t . (3.21)
π z

40
Questa funzione al limite di N −→ ∞ tende alla distribuzione esponen-
ziale (3.17), mentre per N = 1 diventa la Wigner Surmise (3.19).
Nel caso del biliardo di Sinai

 √ 8
∂2

(8) πs
P (s) = erfc =
∂s2 16
 √ 6  √ 7
7 − π s2 πs π − π 2
s πs
= e 128 erfc + s e 256 erfc , (3.22)
8 16 128 16

la quale è una funzione molto simile ad un esponenziale decrescente. Nella


figura (3.7) viene mostrato un confronto tra le due funzioni.

Figura 3.7: Confronto tra la distribuzione della spaziatura dei livelli del bi-
liardo di Sinai, Eq(3.22) (linea rossa), e la distribuzione esponenziale (3.17)
(linea blu). Come si può notare le due funzioni sono molto simili.

A questo punto è stato costruito, come nel caso del biliardo circolare,
un istogramma per la spaziatura dei livelli per M0 = 25 . Gli autovalori
utilizzati, come discusso in precedenza, sono quelli risultati accettabili dal
criterio di Weyl. In figura (3.8) è mostrato il risultato. È evidente come
l’andamento teorico sia rispettato.
In figura (3.9) infine sono mostrate le prime autofunzioni ottenute. Si nota
come l’autofunzione in alto a destra sia identica a quella in basso a sinistra a
meno di una rotazione. I due livelli energetici associati sono di conseguenza
degeneri. Se la spaziatura dei livelli del biliardo di Sinai seguisse la Wigner
Surmise, non sarebbe possibile ottenere autofunzioni di questo tipo.

41
Figura 3.8: Istogramma delle spaziature dei livelli per il biliardo di Sinai per
M0 = 25 . Il profilo dell’istogramma è in buon accordo con l’Eq(3.22) (linea
blu).

Figura 3.9: Moduli quadri delle prime autofunzioni del biliardo di Sinai. La
prima e la seconda, cosı̀ come la terza e la quarta autofunzione, sono iden-
tiche a meno di una rotazione. Esse corrispondono cioè a livelli energetici
degeneri.

3.5 Lo spicchio di biliardo di Sinai


Nella sezione precedente è stato mostrato come, pur essendo caotico classi-
camente, il biliardo di Sinai presenta caratteristiche simili ad un biliardo non
caotico quando si studia la spaziatura dei suoi livelli nel caso quantistico.
Ciò che è stato sottolineato è che, dati i suoi 4 assi di simmetria, esistono 8

42
spicchi di biliardo completamente identici, ad ognuno dei quali corrisponde
un set di autovalori caotici indipendenti.
Per ottenere un biliardo che presenti una spaziatura dei livelli analoga a
quella delle matrici random reali, quindi, si può considerare un biliardo che
non è altro che uno spicchio del biliardo di Sinai. Questo biliardo, mostrato
in figura (3.10), non presenta alcun asse di simmetria. La sua forma è simile
a quella di un biliardo triangolare, ma presenta in corrispondenza di uno dei
suoi vertici l’ostacolo circolare, che rende le traiettorie della sua controparte
classica caotiche.

Figura 3.10: La forma del biliardo considerato in questa sezione, che consiste
in un ottavo del biliardo di Sinai.

Livelli energetici e spaziatura


Sul piano xy, lo spicchio di biliardo di Sinai, è definito dalle due seguenti
disuguaglianze:
(
y<x x, y ∈ [0, a]
. (3.23)
x2 + y 2 > R 2 x, y ∈ [0, a]

Di conseguenza risulta semplice scegliere le regioni Ω e Ω 0 . La lunghezza


a, sarà il lato della buca quadrata e il raggio R < a definisce la dimensione
dell’ostacolo circolare. Nella simulazione con Mathematica sono stati scelti i
valori a = 2 , R = 0 .5 .
Gli integrali vnm da calcolare, in questo caso, sono più complessi di quelli
trovati in precedenza:

43
Z a wa
vnm = dx dyφn (x, y)φm (x, y) +
0 x
π
w4 Z R
+ dθ dr r φn (r cosθ, r sinθ)φm (r cosθ, r sinθ) (3.24)
0 0

Di questi integali, l’unico che si può risolvere analiticamente è l’integrale


in dy del primo termine dell’Eq.(3.24). Gli altri integrali devono essere risolti
numericamente.
Analizzando i risultati ottenuti per gli autovalori, la prima cosa che si
osserva è l’assenza di autovalori uguali, ossia di degenerazioni. Questo è
ciò che ci si aspetta da un biliardo caotico. Infatti la Wigner Surmise, che
dovrebbe descrivere le spaziature, si annulla all’origine.
Per discriminare gli autovalori sufficientemente accurati è stato utilizzato
nuovamente il criterio di Weyl,
√ con espressioni per area e perimetro date da
2 2
A = a2 − πR8 , P = a(2 + 2 ) − 2R + πR 4
.

Figura 3.11: Numero di autovalori N(E) con energia minore di E per lo


spicchio di biliardo di Sinai. La linea rossa mostra l’andamento della formula
di Weyl, i punti, invece, indicano la funzione N(E) ottenuta a partire dal
metodo di espansione. In ascissa sono riportate le energie, in ordinata il
numero N(E). Risulta evidente come ci sia accordo (le linee distano meno
del 10%) solo per i primi 190 autovalori su un totale di 400.

La figura (3.11) mostra che l’andamento della N (E ) è in buon accordo


(discostamento anche in questo caso minore del 10%) con la funzione di Weyl
per i primi circa 190 autovalori. In questo biliardo non è stato raggiunto il
valore M0 = 25 a causa dei tempi di calcolo, ma è stato utilizzato M0 = 20.

44
L’istogramma relativo alle spaziature dei livelli dello spicchio di biliardo di
Sinai per M0 = 20 è mostrato in figura (3.12). In questo caso, come previsto,
il profilo dell’istogramma segue con buon accordo la curva caratteristica della
GOE, cioè la Wigner Surmise (3.19).
Nella figura (3.13) sono presentate le prime 5 autofunzioni del biliardo.
Come ci si aspetta dalla teoria, tutte le autofunzioni risultano diverse tra
loro. L’unico andamento caratteristico che si può riconoscere è l’aumentare
dei nodi della funzione d’onda all’aumentare dell’energia.

Figura 3.12: Istogramma delle spaziature dei livelli per lo spicchio di biliardo
di Sinai per M0 = 20 . Il profilo dell’istogramma è in buon accordo con la
Wigner Surmise (linea blu).

45
Figura 3.13: Moduli quadri delle prime 5 autofunzioni dello spicchio di bi-
liardo di Sinai. Si nota come all’aumentare dei numeri quantici aumenti il
numero di nodi, come succede anche per biliardi più semplici come quello
circolare.

46
Conclusioni

La teoria delle matrici random si è rivelata un potente strumento per inter-


pretare dal punto di vista statistico alcune proprietà di fenomeni complessi.
Infatti, tramite delle matrici semplici da definire, composte unicamente da
variabili casuali, è possibile riprodurre risultati ottenuti in diversi campi della
fisica o della matematica.
In questa tesi sono state studiate le caratteristiche generali delle matrici
random, la loro definizione e le proprietà dei loro autovalori. Alcune proprietà
sono state verificate numericamente con l’ausilio del software Mathematica.
Inoltre sono state citate alcune applicazioni matematiche e fisiche delle ma-
trici random. Tra queste è stata approfondita in dettaglio la correlazione con
i biliardi quantistici caotici.
Malgrado l’indiscusso successo della teoria delle matrici random nel ri-
produrre alcune proprietà statistiche di molti sistemi complessi, l’interpre-
tazione fisica non è sempre immediata. Infatti l’indipendenza statistica tra
gli elementi di matrici nel GOE, GSE e GUE, nonostante renda più faci-
le da trattare analiticamente il problema degli autovalori, fa sı̀ che tutti i
(λ)
valori Hkj non abbiano lo stesso peso statistico. Infatti se si considerano
gli spazi di matrici introdotti nel Cap. 1, non è possibile, essendo gli spazi
non compatti, immaginare dal punto di vista fisico che ogni interazione sia
ugualmente probabile. Con degli studi più approfonditi è possibile arrivare a
definire degli Ensembles più facilmente interpretabili dal punto di vista fisico,
gli Ensembles Circolari, introdotti da Dyson nel 1962. Nel limite N → ∞ le
distribuzioni riguardanti gli autovalori risultano essere identiche a quelle dei
tre Ensembles Gaussiani [1, 13].
Per quanto riguarda le applicazioni in fisica nucleare, può essere interes-
sante approfondire le altre caratteristiche predette dalla teoria delle matrici
random. Una di queste è la distribuzione delle larghezze dei picchi della
sezione d’urto. Dalla teoria standard questa dovrebbe essere la cosidetta di-
stribuzione di Porter Thomas, cioè una distribuzione del χ2 con un grado
di libertà [1, 22]. I dati sperimentali non sono però in accordo con questa
distribuzione [23]. Recenti sviluppi hanno evidenziato come se si considera

47
come Hamiltoninana una matrice del tipo

Hij = Gij + Zδ1j δ1i (3.25)


dove G è una matrice random appartenenente agli Ensembles classici e Z
una costante che introduce un termine di accoppiamento, i risultati teorici
potrebbero spiegare quelli sperimentali [24]. Non è trascurabile anche l’im-
portanza delle matrici random nello studio della violazione della simmetria
per inversione temporale in alcuni processi nucleari. Si può infatti studiare
la distribuzione delle spaziature dei livelli energetici per distinguere un un
processo invariante per inversione temporale, che segue ha le proprietà stati-
stiche delle matrici appartenenti al GOE o al GSE, da un processo non inva-
riante per inversione temporale, che ha le proprietà statistiche delle matrici
appartenenti al GUE.
È possibile anche approfondire lo studio sui biliardi quantistici. Tramite
la distribuzione delle spaziature degli autovalori di un biliardo quantistico di
una forma qualunque si può riuscire a distinguere se il suo analogo classico è
caotico o integrabile. Questo processo di discriminazione, senza passare dal-
lo studio numerico degli autovalori nel caso quantistico, potrebbe risultare
piuttosto complicato. Inoltre il metodo di espansione utilizzato in questa tesi
è sicuramente molto semplice da implementare, ma si potrebbero sviluppa-
re algoritmi più efficienti. Per esempio scegliendo autofunzioni di partenza
diverse da quelle della buca di potenziale rettangolare, l’algoritmo potrebbe
portare a risultati più accurati se si studiano biliardi complicati.

48
Bibliografia

[1] M. L. Mehta. Random matrices. Academic Press, 2004.

[2] P. Seba. Parking in the City, Acta Physica Polonica A, Vol.112, No.4,
2007.

[3] E. Abdalla, M.C.B. Abdalla, D. Dalmazi, A. Zadra. 2D-Gravity in Non-


Critical Strings, Lecture Notes in Physics, Springer, Berlin, 1994.

[4] E. V. Shuryak, J. J. M. Verbaaschot. Random matrix theory and spectral


sum rules for the Dirac operator in QCD, hep-th/9212088v1, 1992.

[5] E. P. Wigner. Group Theory, Academic Press, New York, Chapter 26,
1959.

[6] F. Haake. Quantum Signatures of Chaos. Springer, 2010.

[7] M. L. Mehta. Matrix Theory. Les Editions de Physique, 1989.

[8] C. E. Porter, N. Rosenzweig. Statistical properties of atomic and nuclear


spectra, Ann. Acad. Sci. Fennicae, Ser. A, VI Physica 44, 1–66, 1960

[9] F. D. Cunden, P. Facchi, P. Vivo. A shortcut through the Coulomb gas


method for spectral linear statistics on random matrices. J. Phys. A:
Math. Theor. 49, 135202, 2016.

[10] N. I. Mushkelishvili. Singular Integral Equations, 1953.

[11] Weisstein, Eric W. Wigner’s Semicircle Law. From MathWorld--A


Wolfram Web Resource.

[12] P. O. Persson, A. Edelman. Numerical Methods for Eigenvalue


Distributions of Random Matrices. arXiv:math-ph/0501068v1, 2005.

[13] C. G. Tracy, H. Widom. Introduction to random matrices. Springer


Lecture Notes in Physics 424, 103-130, 1993.

49
[14] D. Ullmo, S. Tomsovic. Introduction to quantum chaos. EOLSS, 2015.

[15] D. Ullmo. The Bohigas-Giannoni-Schmit conjecture. Scholarpedia,


11(9):31721. 2016.

[16] J. Marklof. The Berry-Tabor conjecture. Progress in Mathematics 202,


421–427, 2001.

[17] D. L. Kaufman, I. Kosztin, K. Schulten. Expansion method for sta-


tionary states of quantum billiards. Am. J. Phys., Vol. 67, No. 2,
1999.

[18] R. W. Robinett. Quantum mechanics of the two-dimensional circular


billiard plus baffle system and half-integral angular momentum. Eur. J.
Phys. 24, 2003.

[19] M. C. Gutzwiller. Chaos in classical and quantum mechanics. Springer,


1990.

[20] Y. G. Sinai. On the foundations of the ergodic hypothesis for a dynamical


system of statistical mechanics. Sov. Math Dokl. 4 pp. 1818–1822, 1963.

[21] I. Kosztin, K. Schulten. Boundary Integral Method for Stationary States


of Two-Dimensional Quantum Systems. Int.J.Mod.Phys. C8 293-325,
1997.

[22] Y. V. Fyodorov. Random Matrix Theory of Resonances: an Overview.


URSI International Symposium on Electromagnetic Theory (EMTS),
Espoo, Finland, pp. 666-669, 2016.

[23] P. E. Koehler. Reduced neutron widths in the nuclear data ensemble:


Experiment and theory do not agree. arXiv:1001.0517v2, 2011.

[24] E. Bogomolny. Modification of the Porter-Thomas distribution by rank-


one interaction. Phys. Rev. Lett. 118, 022501, 2017.

50

Potrebbero piacerti anche