Il metodo Monte Carlo con l’equazione di Langevin:

applicazione alla meccanica quantistica

Elaborato finale per il corso di metodi probabilistici della fisica

Davide Dardani
Emanuele Santonastaso

6 Luglio 2018

1 Introduzione
Nel 1827 un certo Robert Brown, osservando al microscopio particelle di polline, notò che esse
presentavano un continuo movimento e che tale moto avveniva lungo direzioni casuali. Brown
ipotizzò che il moto fosse causato dalla vitalità del polline e, nonostante osservò la stessa cosa
in pulviscoli non biologici, non seppe dare altra spiegazione. Alla fine del XIX secolo, il chimico
francese Leon Gouy ipotizzò per primo che il moto osservato da Brown fosse dovuto all’agitazione
termica degli atomi costituenti la materia, ma non sviluppò una teoria verificabile del fenomeno.
Nel 1905 Einstein, durante il suo annus mirabilis, pubblicò un articolo che trattava il moto Brow-
niano dal punto di vista matematico fornendo un modello che poteva essere sperimentalmente
verificato. La prima verifica sperimentale dei risultati di Einstein è dovuta al fisico francese
Jean Baptiste Perrin, che per questo, ed altri risultati, ottenne nel 1926 il premio Nobel. Si
deve a Perrin anche il libro Les atomes ("Gli atomi", 1913), molto noto all’epoca, che contribuì
a sostenere e diffondere la nuova teoria sulla struttura atomica della materia, dimostrata, tra
l’altro, proprio dal moto Browniano.
Il lavoro di Einstein fu ulteriormente sviluppato da Marian Smoluchowski e Paul Langevin
che, generalizzando il modello inizialmente formulato per il moto Browniano, diedero vita alle
equazioni differenziali stocastiche (EDS), le quali si apprestano a descrivere una vasta gamma
di fenomeni dalla fisica alla finanza, dalla chimica alle telecomunicazioni.
Nel 1981 con il lavoro di Parisi e Wu le EDS furono estese all’applicazione in meccanica quantis-
tica e ancora oggi sono largamente utilizzate nelle teorie perturbative e nella teoria quantistica
dei campi.

2 Il moto Browniano standard

Il moto Browniano, detto anche random walk, rappresenta il più semplice processo aleatorio dove
ogni passo risulta indipendente dal passo precedente. In quest’ottica risulta chiaro il fatto che
non esista alcuna direzione privilegiata e dunque per tempi lunghi lo spostamento effettivo dal
punto di partenza tenderà ad essere nullo. Questo rappresenta il primo indizio che la variabile
W (t) provenga da una distribuzione gaussiana centrata in zero. Infatti dal lavoro di Einstein si
sa che le variabili aleatorie W (t) seguono la legge di probabilità:

1
 W2
e− 2t
ρ(W, t) = √ (1)
2πt
Tralasciando i particolari della trattazione matematica, il moto Browniano standard può
essere definito, coerentemente con quanto mostrato in (1), per via assiomatica:

1. Per ogni istante t1 , t2 , ..., tN le variabili aleatorie W (t1 ), W (t2 ), ..., W (tN ) sono mutua-
mente Gaussiane

2. W (0) = 0 allora E(W (t)) = 0

3. La varianza σ 2 = E(W (t)2 ) − [E(W (t))]2 = E(W (t)2 ) = t

4. La covarianza E[W (t) · W (s)] = min{t, s}

Ne segue immediatamente che gli incrementi W (t2 ) − W (t1 ) e W (t4 ) − W (t3 ) sono statistica-
mente indipendenti se gli intervalli (t1 , t2 ) e (t3 , t4 ) non si sovrappongono ed inoltre, assumendo
che gli incrementi temporali h siano costanti, si ha che

E[|W (t + h) − W (t)|2 ] = E(W (t + h)2 ) + E(W (t)2 ) + 2E[W (t + h) · W (t)] = h (2)

√ W (t) è
Dunque, in analogia con l’assioma 3, la varianza dei singoli incrementi della variabile
uguale ad h. In MATLAB il comando per riprodurre tali incrementi è N ormrnd (0, h) ma per
velocità è nettamente migliore randn (valori random estratti da una gaussiana √ standard, ovvero
media nulla e varianza unitaria), il quale moltiplicato per il fattore di scala h è equivalente al
comando precedente. In figura 1 è mostrata una simulazione per il moto Browniano standard
tridimensionale.

Figure 1: Standard random walk 3D

2
3 L’equazione di Langevin
La descrizione del moto Browniano può essere ulteriormente estesa al caso in cui le particelle
siano soggette ad un campo di forze. In questo senso nasce l’equazione di Langevin, la quale
rappresenta un’ampia gamma delle cosiddette equazioni differenziali stocastiche (EDS), e nella
sua forma più generale assume la seguente espressione:
p
dx(t) = b(x(t)) dt + σ(x(t)) dW (t) (3)
Dove b(x(t)) e x(t) sono in generale funzioni a valori in RN , σ(x(t)) è una funzione reale
positiva (anche se spesso rappresenta un semplice fattore di scala costante) mentre W (t) rapp-
resenta il moto Browniano standard n-dimensionale.
Di particolare interesse è la funzione b(x(t)) che contiene in sé il contributo del campo di forze
e che segna il salto concettuale fra il semplice moto Browniano e l’equazione di Langevin: si
tratta del cosiddetto drift, letteralmente "deriva", proprio perché tende a trascinare il random
walk lungo una direzione privilegiata in base al tipo di forze in gioco. I vari aspetti del drift ed
il suo ruolo nei processi diffusivi verranno approfonditi in seguito.
Prima di entrare nel dettaglio risulta necessario illustrare un semplice caso di esempio che verrà
anche utilizzato per valutare l’efficienza degli algoritmi numerici.

4 EDS lineari: il processo di Ornstein-Uhlenbeck

Il caso più semplice per l’equazione di Langevin (anche fra le più elementari EDS) riguarda il
processo di Ornstein-Uhlenbeck:

dx(t) = −λx(t) dt + dW (t) (4)

Si tratta del processo che descrive una particella Browniana legata da una forza elastica ad
un punto fisso posto per comodità ad x = 0. L’espressione che descrive tale processo rappresenta
un’equazione differenziale stocastica lineare.
Risolvendo l’equazione (3) semplicemente come equazione differenziale lineare disomogenea si
ottiene:
Z t
x(t) = x(0) e−λt + e−λ(t−τ ) dW (τ ) (5)
0
Come si può notare dalla (4) la variabile x(t) risulta come una combinazione lineare di
variabili gaussiane W (τ ) nell’intervallo (0, ..., t) e dunque la soluzione x(t) è essa stessa una
variabile gaussiana. Ora, senza perdere di generalità, ci si può sempre ricondurre al caso in cui
il processo parta da x(0) = 0 e ricavare il valore medio sfruttando l’assioma 2:
Z t
E[x(t)] = e−λ(t−τ ) E[dW (τ )] = 0 (6)
0
La forma integrata della relazione (2) si può esprimere in forma compatta utilizzando la delta
di Dirac E[dW (τ ) dW (τ 0 )] = δ(τ − τ 0 ) dτ ; in questo modo può essere sfruttata per calcolare la
correlazione:
Z t Z t0
0 −λ(t−τ ) 0 0
E[x(t) x(t )] = e e−λ(t −τ ) E[dW (τ ) dW (τ 0 )] (7)
0 0

3
 Z t Z t0 Z min(t,t0 )
−λ(t−τ ) −λ(t0 −τ 0 ) 0 0
= e e D δ(τ − τ ) dτ = D e−λ(t+t ) e2λτ dτ
0 0 0
D  −λ(t−t0 ) 0

= e − e−λ(t+t )
2λ
0
Quindi per t = t si ottiene la varianza relativa al processo x(t):

D
σ2 = (1 − e−2λt ) (8)
2λ

4.1 Metodi numerici

Per la maggior parte delle EDS non è così semplice arrivare ad una soluzione analitica e spesso
non esiste nemmeno. Per questo motivo nella risoluzione delle EDS, specialmente nelle ap-
plicazioni più interessanti, si ricorre a metodi di approssimazione numerica e il processo di
Ornstein-Uhlenbeck, essendo nota la soluzione, fornisce uno strumento per valutare l’efficienza
degli algoritmi numerici.
Il più semplice fra i metodi numerici è il metodo di Eulero, infatti introducendo una griglia
temporale (t0 , t1 , t2 , ..., tN ) in modo da avere h = tn+1 − tn l’equazione (3) in forma numerica
diviene:

x(tn+1 ) ≈ x(tn ) + b(x(tn )) · h + σ W (tn ) (9)

Adottando l’algoritmo numerico di Eulero è possibile simulare il processo di Ornstein-Uhlenbeck
per il quale, nel caso unidimensionale, vengono riportate una serie di traiettorie mostrate in figura
2.

Figure 2: Simulazione del processo di Ornstein-Uhlenbeck

Come si può vedere le traiettorie tendono a riempire l’area contenuta in ±3 σ, dove σ è la

deviazione standard analitica ricavata direttamente dalla varianza (8). Il risultato numerico è
quindi in linea con quello analitico.

4
 Come per ogni metodo numerico, nell’Eulero si ha un errore di troncamento che scala con h
e che, per tempi lunghi, rende la traiettoria sempre più affetta da un errore globale di discretiz-
zazione. Per questo motivo si introduce ora un metodo più accurato dell’ordine di O(h3/2 ).
A tal proposito l’equazione (3), per ogni passo numerico lungo h, può essere vista come integrale
fra t e t + h:
Z t+h
x(t + h) = b(x(t0 )) dt0 + σ∆W (t) (10)
t
A questo punto l’integrale può essere approssimato con il metodo dei trapezi, il quale per
ogni intervallo discreto prende la semisomma fra l’area del rettangolo approssimata dal basso e
l’area del rettangolo approssimata dall’alto:

h
x(tn+1 ) ≈ [b(x(tn+1 )) + b(x(tn ))] + σ∆W (tn ) (11)
2
Come si può notare si tratta di una equazione implicita, dunque l’algoritmo avrà prima
bisogno di un passo esplicito dato dal metodo di Eulero. Questo metodo ibrido Eulero-trapezi
può essere visto come un metodo predictor-corrector, dove l’Eulero funge da predictor mentre i
trapezi da corrector.
I due algoritmi fin qui trattati sono stati messi alla prova con il processo di Ornstein-Uhlenbeck
ripetendo la simulazione più volte in modo da accumulare statistica e valutando l’errore relativo
sulla varianza per il punto finale della traiettoria (cioè il più incerto). Tale confronto è mostrato
in figura 3.

Figure 3: Confronto fra metodo di Eulero ed Eulero-trapezi

Dall’istogramma di figura 3 risulta evidente che, come da aspettative, l’Eulero-trapezi mostra

un errore la cui distribuzione è molto più vicina allo zero rispetto all’Eulero. Inoltre l’Eulero-
trapezi ha una dispersione più contenuta. Questo risultato ha portato all’adozione dell’Eulero-
trapezi nelle simulazioni che verranno trattate in seguito.

5
5 L’equazione di Langevin come metodo Monte Carlo
Per un generico processo diffusivo descritto dall’equazione (3) di Langevin si può associare una
probabilità che x(t) si trovi al tempo t in una specifica posizione in uno spazio I ∈ RN :
Z
PI (t) = P (x, t) dx (12)
I
La densità di probabilità P (x, t) del processo diffusivo x(t) deve soddisfare, sotto opportune
condizioni, la cosiddetta equazione di Fokker-Planck (o di Chapman-Kolmogorov):

∂P (x, t) 1
= ∆(σ(x)P (x, t)) − ∇ · (b(x)P (x, t)) (13)
∂t 2
Il primo addendo è la cosiddetta parte diffusiva del processo mentre il secondo è il classico
termine dell’equazione di continuità, non a caso (13) ne rappresenta una generalizzazione, proprio
come nel caso dell’equazione di continuità della densità di carica in cui σ = 0 mentre b(x) è la
corrente.
Nel caso in cui b(x) sia un campo irrotazionale e σ una costante, si può porre b(x) = ∇ρ(x)
cosicché l’equazione (13) diviene:

∂P (x, t) σ 
=∇· ∇P (x, t) − P (x, t)∇ρ (14)
∂t 2
Dall’equazione (14) si può richiedere che la distribuzione di probabilità sia stazionaria, infatti
si nota subito che il membro di destra si annulla per
2
P (x) = e σ ρ(x) (15)
Dalla quale, invertendo, si ricava che
σ
ρ(x) = log P (x) (16)
2
Si osserva quindi che è possibile scegliere il drift preassegnando una certa distribuzione di
probabilità stazionaria. Il caso più interessante per le applicazioni in meccanica statistica e
quantistica è quello in cui tale distribuzione coincide con quella di Gibbs:
1 −βH(x)
P (x) = e (17)
Z
Applicando la relazione (16) si ottiene:
σ σ
ρ(x) = log P (x) = (log[Z −1 ] − βH(x)) (18)
2 2
Dalla quale si ottiene l’espressione per il drift:

β
b(x) = ∇ρ = − σ ∇H(x) (19)
2
Dato che in questo caso σ è una costante, può essere scelto per comodità come σ = 2/β e,
quindi, l’equazione di Langevin assume la forma:

dx(t0 ) = −∇H(x) dt0 + 2/β dW (t0 )

p
(20)
Il fatto di aver scelto come drift b(x) = −∇H(x) che discende da una distribuzione di prob-
abilità preassegnata, sta a significare che la variabile aleatoria x(t), per tempi sufficientemente
grandi, tenderà alla distribuzione stazionaria che in questo caso coincide con quella di Gibbs.

6
Si può dunque pensare alla variabile x(t0 ) come ad un vettore le cui componenti rappresentano nel
tempo t una qualsiasi configurazione iniziale [x(t0 ), x(t1 ), ..., x(tN ))] che evolve verso l’equilibrio
nel tempo t0 , il quale scandisce le varie configurazioni analogamente ad un processo di Metropo-
lis. La fase durante la quale la configurazione raggiunge la distribuzione stazionaria viene detta
termalizzazione e, una volta completata, il processo x(t0 ) genera variabili distribuite secondo
Gibbs. Questo è proprio ciò che fa un Monte Carlo ed è per questo motivo che l’equazione di
Langevin può essere direttamente utilizzata come algoritmo di simulazione Monte Carlo.

6 Il processo di quantizzazione stocastica

Il metodo della quantizzazione stocastica fu proposto nel 1981 da Parisi e Wu ed estende
l’applicazione dell’equazione di Langevin alla meccanica quantistica. L’idea originaria parte
dal fatto che la meccanica quantistica formulata a tempo immaginario (detto tempo Euclideo)
coincide con la meccanica statistica classica.
La formulazione equivalente della meccanica quantistica si basa sugli integrali di cammino di
Feynman (path integrals):
D E Z 1
−iH(tf −ti )
xi |e |xf = D[x(t)] ei ~ S(x) (21)

I quali, formulati a tempo immaginario τ = it, assumono l’espressione:

D E Z 1
H(τf −τi )
xf |e |xi = D[x(τ )] e− ~ SE (x) (22)

Dove D[x(t)] rappresenta la somma su tutti i possibili cammini fra xi e xf , mentre SE (x)
rappresenta l’azione euclidea SE (x) ovvero l’equivalente dell’azione classica S[x] formulata a
tempo immaginario, la quale per una particella scalare di massa m è data da:
Z τf in h
m 2 i
SE (x) = ẋ + V (x) dτ (23)
τin 2
Ora, a livello classico, sappiamo che il valore medio di un’osservabile O per un sistema
all’equilibrio termico coincide con la media pesata rispetto al fattore di Gibbs exp(−βH) che di
fatto sostituisce la media temporale (teorema ergodico):

Πi dxi O e−βH(x)
R
hOi = R (24)
Πi dxi e−βH(x)
A livello quantistico, grazie ai path integrals introdotti da Feynman, si ritrova l’analogo della
relazione (24):
1
D[x] O e− ~ SE (x)
R
hOi = R 1 (25)
D[x] e− ~ SE (x)
Dove per consistenza è presente un fattore 1/~ ad esponente.
Dunque la media dell’osservabile O risulta pesata rispetto al nuovo fattore exp[−~−1 SE (x)],
quindi, come già visto nel precedente paragrafo, la soluzione stazionaria per l’equazione di Kol-
mogorov è data da (15) e con lo stesso procedimento si trova il rispettivo drift:
σ
b(x) = ∇ρ = −∇SE (x) (26)
2~
Come al solito, assumendo per comodità σ = 2~, l’equazione di Langevin diventa:

7
 √
dx(τ ) = −∇SE (x) dτ + 2~ dW (τ ) (27)
Ora, la derivata che compare nel drift è in realtà la derivata funzionale che a livello classico
produce le equazioni del moto di Eulero-Lagrange, dove però in questo caso la lagrangiana L(x, ẋ)
è formulata a tempo immaginario e questo comporta un segno negativo al risultato classico:
   
δSE (x) ∂L d ∂L ∂V (x)
= − = − mẍ − = −mẍ + V 0 (x) (28)
δx ∂x dt ∂ ẋ ∂x
Sostituendo il risultato nell’equazione di Langevin (27) si ottiene il processo che mette in
atto la quantizzazione stocastica, ovvero la tendenza asintotica alla distribuzione di probabilità
stazionaria incontrata in (25):

∂ 2 x(t, τ ) √
 
∂x(t, τ ) 0
= m 2
− V (x) + 2~ dW (τ ) (29)
∂τ ∂t
Risulta importante sottolineare che nell’equazione (29) esistono due tempi coinvolti: il tempo
t è quello classico interno ad una singola configurazione e determina l’ordine temporale delle
componenti stesse, mentre il tempo τ è quello che scandisce le varie configurazioni in evoluzione
verso la distribuzione stazionaria a partire dalla configurazione iniziale (ad esempio x(τ = 0) =
[0, 0, 0, ..., 0]).
Dalla costruzione cosiffatta si può notare una conseguenza interessante: infatti se, come
osservabile O, si considera la quantità x(t) x(s) si ottiene l’autocorrelazione:
1
D[x] x(t) x(s) e− ~ SE (x)
R
C(s) ≡ hx(t) x(s)i = 1 (30)
D[x] e− ~ SE (x)
R

Dall’equazione (30), sviluppando opportunamente il membro di destra, si ottiene che:

X
hx(t) x(s)i = | hE0 |q|Ei |2 e−(E−E0 ) |t−s|/~ (31)
E

E studiando l’andamento per |t-s| grande il segnale è dominato dal primo livello eccitato:
X
hx(t) x(s)i ≈ | hE0 |q|E1 i |2 e−(E1 −E0 ) |t−s|/~ (32)
E

In questo modo dalla pendenza della curva di correlazione in scala logaritmica si può ottenere
una stima del gap di energia fra lo stato fondamentale ed il primo livello eccitato.

7 Simulazione per l’oscillatore armonico quantistico

Per fissare le idee dal punto di vista numerico, l’equazione (29) può essere riscritta in termini
discreti, la cui forma più immediata e naturale coincide con il metodo di Eulero:

√
 
x(tn+1 ) − 2x(tn ) + x(tn−1 ) 0
x(tn , τ +∆τ ) ≈ x(tn , τ )+ m − V (x(tn )) + 2~ ∆τ dW (tn , τ ) (33)
∆t2

La prima questione rilevante da trattare per attuare la simulazione, riguarda il problema

della derivata ẍ in forma discreta; infatti, una volta introdotta una griglia discreta (t0 , t1 , ..., tN )
con passo ∆t = tN /N , ci si ritrova con il dover assegnare scomode condizioni al contorno senza
contare che ad ogni iterazione in τ servirebbe un ciclo interno for che calcoli la derivata per ogni

8
punto della configurazione, il ché aumenterebbe drasticamente il tempo di macchina.
Per ovviare a questo problema si utilizza la trasformata di Fourier, che in termini pratici viene
realizzata come Fast Fourier Transform (FFT).
A tal proposito la tecnica che verrà applicata può essere estrapolata dalla seguente proprietà
della trasformata di Fourier:
 n 
d f
F = (−iωk )n · F (f ) (34)
dtn
Ora si consideri una trasformata f (τ ) = F (x(t, τ )): il solo contributo cinetico dell’equazione
di Langevin (29) implica che la x(t, τ ) dovrà obbedire alla seguente equazione alle derivate
parziali (PDE):

∂x(t, τ ) ∂ 2 x(t, τ )
= (35)
∂τ ∂t2
Sostituendo x(t, τ ) con la sua trasformata f (τ ) = F (x(τ )), per la proprietà (34) si ha:

df (τ )
= (−iωk )2 · f (τ ) = −iωk2 f (τ ) (36)
dτ
La quale rappresenta un’equazione differenziale a variabili separabili che può essere facilmente
risolta integrando fra τ e τ + ∆τ :

ωk2
f (τ + ∆τ ) = f (τ ) · e−∆τ (37)
A questo punto, sfruttando la trasformata di Fourier inversa, si può ritornare alla variabile
x(t, τ ) ottenendo:

ωk2
x(t, τ + ∆τ ) = F −1 [F (x) · e−∆τ ] (38)
Dunque nell’equazione di Langevin discreta (32) il contributo dato dalla configurazione prece-
dente x(t, τ ) per calcolare quella successiva scomparirà dall’equazione dato che il contributo ci-
netico fornito da (37) è già relativo ad x(t, τ + ∆τ ), mentre la stessa sorte tocca anche al ∆τ
che moltiplica la derivata seconda dato che l’incremento avviene già in un passo ∆τ :

ωk2
√
x(t, τ + ∆τ ) ≈ F −1 [F (x(t, τ )) · e−∆τ ] − V 0 (x(t)) · ∆τ + 2~ dW (t, τ ) (39)
Infine per l’oscillatore armonico la parte di potenziale è data da:

m 2 2 ∂V (x)
V (x) = ω x ⇒ V 0 (x) = = m ω2x (40)
2 ∂x
Quindi una volta fissati i vari parametri si inizia con la fase di termalizzazione, la quale
richiede un tempo (equivalentemente un numero di iterazioni) che tanto più è grande e tanto più
sarà preciso il raggiungimento della distribuzione stazionaria (infatti si tratta di una tendenza
asintotica).
Una volta termalizzata, la configurazione è pronta per poter accumulare statistica continuando
ad evolvere ulteriormente il processo. Quindi per valutare le fluttuazioni statistiche si ripete un
numero N di esperimenti attraverso un ciclo di iterazione esterno.
La correlazione, ad ogni esperimento, viene misurata ad intervalli regolari, cioè effettuando
dei salti lungo le configurazioni: quest’ultima strategia è importante per il semplice fatto che
l’evoluzione di Langevin è in realtà continua e quindi è necessario evitare di considerare due con-
figurazioni troppo vicine in quanto la seconda configurazione dipenderebbe troppo dalla prima

9
e dunque non risulterebbero del tutto decorrelate fra loro.

Anche per quanto riguarda la misura della correlazione si può far uso della trasformata di
Fourier, infatti la correlazione si può definire in termini di convoluzione:
Z +∞
def
C(s) = hx(t) x(s)i = x∗ (t) x(t + s) = (x ? x) (t) (41)
−∞
Ora, per la proprietà della trasformata di una convoluzione, si ha che

F (C(s)) = F [(x ? x) (s)] = F (x(t))∗ · F (x(t + s)) (42)

Quindi applicando la trasformata inversa si ritorna a C(s) come mostrato di seguito:

C(s) = F −1 [F (x(t))∗ · F (x(t + s))] (43)

Una volta messo a punto il codice di simulazione con le varie congetture fin qui illustrate e
con l’utilizzo del metodo Eulero-trapezi, è stato possibile valutare il gap di energia fra lo stato
fondamentale ed il primo livello eccitato come mostrato in figura 4, dove per semplicità è stato
posto ~ = ω = 1.

Figure 4: Stima del gap per l’oscillatore armonico quantistico

Il risultato mostrato in figura 4 è perfettamente coerente con l’espressione analitica dei livelli
energetici in funzione del numero quantico n:
 
1
En = n + ~ω (44)
2
E dall’aver assunto ~ = ω = 1 si ha che la stima del gap risulta confrontabile proprio con
E1 − E0 = 1.

10
8 Simulazione per l’oscillatore quartico
A questo punto l’algoritmo può essere applicato a quei casi dove non esiste una soluzione analitica
che fornisca il gap fra E1 ed E0 , come nel caso del potenziale quartico:

ẋ2
V (x) = + g x4 (45)
2
Come si può notare il contributo dato dal secondo termine di (45) equivale all’introduzione
di un potenziale perturbativo al caso dell’oscillatore armonico (~ = ω = 1) e considerando un
valore piccolo di g è possibile avere una stima teorica precisa dal relativo sviluppo perturbativo.
In questi termini E0 può essere approssimato dalla serie perturbativa:
1
E0 = + g C1 + g 2 C2 + ... (46)
2
E analogamente anche per E1 si ha:
3 (1) (1)
E1 = + g C1 + g 2 C2 + ... (47)
2
I valori dei coefficienti perturbativi possono essere calcolati sfruttando il linguaggio simbolico
degli ambienti Form o Mathematica. Nella figura 5 viene mostrato l’andamento del gap stimato
in funzione del numero di termini dello sviluppo perturbativo (fino a g 10 ).

Figure 5: Stima del gap per l’oscillatore quartico

Come si può notare il valore di g = 0.01 è ancora sufficientemente piccolo da garantire che la
serie perturbativa non diverga. Per valori di g più grandi la serie perturbativa tende ad esplodere
ed i singoli termini invece di dare un contributo sempre più piccolo tendono a diventare sempre
più grandi ed in quei casi il metodo perturbativo non è applicabile nel ricavare una stima teorica
del gap.

11
 Introducendo la derivata del potenziale (45) all’interno del drift ed ottimizzando i parametri
è stato possibile ottenere la stima del gap dai dati simulati dal Monte Carlo; il relativo grafico
è mostrato in figura 6.

Figure 6: Stima Monte Carlo del gap per l’oscillatore quartico

Va osservato che in questo caso sono state incontrate più difficoltà tecniche rispetto al sem-
plice caso dell’oscillatore armonico: si è rivelato necessario aumentare la durata della fase di
termalizzazione e mantenere a 10000 il numero di steps. In aggiunta a ciò è stato riscontrato un
forte rallentamento dell’algoritmo, tanto da non riuscire a superare inizialmente i 1000 steps.
La causa del rallentamento si è rilevata essere semplicemente l’elevamento a potenza x3 che
compare nel drift: sostituendolo nel codice con x · x · x la velocità di calcolo è rientrata nella
norma.

12