Вы находитесь на странице: 1из 3

Solucion del oscilador arm

onico bidimensional usando el metodo


variacional de Monte Carlo
1
1 Universidad

William David Saenz, 1 Daniela Angulo

Nacional de Colombia, Sede Bogot


a. Dpto. Fsica. Herramientas computacionales 2014-I.

Resumen
La dificultad de gran parte de problemas fsicos se incrementa cuando son extendidos a mas dimensiones, siendo la ecuaci
on de Schr
odinger un caso particular de dicha situacion. En el presente trabajo
se implementa el metodo Monte Carlo como una va para estudiar un oscilador armonico bidimensional, adem
as de analizar el comportamiento del algoritmo bajo la variacion de los parametros iniciales y
explorar las soluciones para una partcula sometida a un potencial cuartico.

1.

Introducci
on

Suponiendo que se tiene una funcion cualquiera, la


energa de dicho estado puede ser calculada as:
La ecuacion de Schr
odinger (1) describe, en termiR
r
nos probabilsticos, la evoluci
on en el tiempo de un
Hd~

(3)
E = R
sistema cuantico.
d~r
(~r, t)
~2 2
=
(~r, t) + V (~r)(~r, t)
t
2m

(1) El principio variacional de la mecanica cuantica afirma que la energa del estado basal siempre es menor o

Su solucion es una funci


on de onda (~r, t) que ex- igual a E . Por lo tanto, aquella funcion que minpone la distribucion de probabilidad de una partcula imice la energa, sera la verdadera funcion de onda
de masa m, en el espacio y en el tiempo. Si para un del estado base.
i~

instante dado t0 intentamos localizar dicha partcula,


la probabilidad de encontrarla en una peque
na region
de volumen d3 (r) que contiene al punto r es proporcional a |(~r, t0 )|2 d3 r.
Si se suponen soluciones de la forma (~r, t) = (~r)T (t)
es posible usar el metodo de separaci
on de variables
y llegar a una ecuaci
on independiente del tiempo:

2.

Resolver el oscilador armonico bidimensional


por el metodo variacional de Monte Carlo con
un potencial de la forma:
1
1
V (x, y) = kx x2 + ky y 2 kx = 10 ky = 40
2
2

~2 2

(~r) + V (~r)(~r) = E(~r)


2m

Explorar la dependencia con diferentes formas


de la hipotesis inicial para la solucion.

Que representa una ecuaci


on de autovalores y se puede

reformular incluyendo el operador hamiltoniano H:


r) = E(~r)
H(~

Problema

Explorar las soluciones para una partcula sometida a un potencial cuartico.

(2)

La anterior ecuaci
on muestra la formaci
on de ondas estacionarias, mejor conocidas como estados estacionarios, lo cual nos conduce al oscilador armonico
cuantico.
Un intento de solucionar la ecuaci
on (2) puede ser
resolver de manera directa, mediante aproximaciones
numericas, el problema de autovalores. Sin embargo,
el tama
no de la matriz y la implementaci
on numerica del problema de autovalores, son factores que dificultan el proceso. Dicho esto, se usar
a el metodo
variacional de Monte Carlo para abordar un oscilador
armonico cuantico en dos dimensiones.

3.

Soluci
on propuesta

Antes de implementar el metodo variacional, se


discretiza el espacio en ambas direcciones con x =
y, de manera conveniente. Tambien se restringe el
dominio de la malla a N x x N x y N y
y N y obteniendo (2N + 1)2 puntos.
Esta estructura de datos se incluyo en el codigo de
c++ como un vector de vectores:
typedef vector < vector < double >> M atrix;
1

Se parte de una funci


on propia 1 con valor constante
'-'
para todos los puntos y despues de normalizarla, se
procede a hallar la energa de estado E1 para dicha
0.9
0.8
0.7
0.9
0.6
funcion.
0.8
0.5
0.7
0.4
0.6
0.5
0.3
El proceso iterativo del metodo Monte Carlo consis0.4
0.2
0.3
0.1
0.2
0
tira en escoger un punto (m,n) de la malla de manera
0.1
-0.1
0
-0.1
aleatoria y cambiar la funci
on propia en una canti2
1.5
1
dad que se escoge al azar y est
a comprendida entre
0.5
-2 -1.5
0
-0.5
-1 -0.5
(uno de los principales factores que influyen en el
-1
0 0.5
-1.5
1 1.5
2 -2
tiempo de convergencia, es la definici
on de esta cantidad). Despues de normalizar la funci
on 2 y hallar la
energa E2 para ese nuevo estado, se comparan ambos resultados de la energa y si resulta que E2 < E1 Figura 1: Funcion despues de 20000 iteraciones
se conserva la nueva funci
on de prueba, en caso con- para el potencial cuadratico.
trario, se conserva 1 .
El proceso iterativo se detiene cuando la energa de
estado converge, esta medida de convergencia se eval
ua
cada cien pasos y verifica si la diferencia entre tales
energa es menor a 0.001.

Energy

Como se mencion
o anteriormente, existen varias
posibilidades al definir la variaci
on . En la ejecucion del codigo se utiliz
o tres de ellas, la primera
emplea una aproximaci
on de la funci
on evaluada en
las coordenadas i, j mediante la variaci
on de la misma en las coordenadas (i + 1, j) , (i 1, j) , (i, j + 1) e
(i, j 1). El problema de este metodo se encuentra en
que para el punto central de la malla, donde se sabe
que la funcion alcanza un m
aximo con simetra azimutal la variacion es cero. La segunda consiste en Figura 2: Energa de estado en cada paso iterativo
definir el diferencial como un porcentaje del valor
actual de la funci
on evaluada en ese mismo punto:
erga final presenta mayores fluctuaciones a lo largo
i,j = n i,j , con 0 < n < 1. A medida que n
de las ultimas iteraciones. Respecto a la hipotesis initiende a cero, se encuentra un timpo de convergencia
mayor, y al mismo tiempo un valor menor para la enEnergy in steps for various DX
erga final (mejor resultado para ). Finalemente y
40
0.12
con mejores resultados pero sin fundamento analtico
0.14
35
0.16
0.18
se escogio: d = DX DY , (esta es una igualdad
30
0.2
0.3
de magnitudes), aunque las unidades de las variables
25
son distintas.

4.

20
15

Resultados y discusi
on

10
5

Los resultados para el oscilador arm


onico bidimensional con kx = 10 y ky = 40, usando una malla
de 324 puntos se muestran en la figura 1.

2000

4000

6000

8000 10000 12000 14000 16000 18000 20000


Steps

Figura 3: Energa de estado en cada paso iterativo


Representar gr
aficamente la energa de estado permite observar a grandes razgos la convergencia del
proceso, ver figura 2. Al cambiar la cantidad de puntos de la malla o, que es equivalente al cambiar la
distancia entre nodos se observa que el tiempo de
convergencia es mayor a medida que se reduce dicha
distancia, ver figura 3. Sin embargo, a medida que
disminuye la cantidad de puntos en la malla, la en-

cial para la funcion de onda de prueba, no se encontro diferencia alguna al variar la constante que se le
asigna a toda la malla, lo cual es oportuno, dado que
despues de la primera normalizacion, en todos los casos se llega a la misma constante sobre cada punto
de la funcion. Por otro lado, se observo una convergencia rapida al generar una condicion inicial sobre
la malla con forma Gaussiana (al rededor de 6000
2

iteraciones) en comparaci
on con el caso constante y
mismo x = 0,2 (al rededor de 15000 iteraciones).

5.

Conclusiones

Encontrar el intervalo en que debe estar comprendido el cambio de la funci


on onda es fundamental
en el metodo Monte Carlo para obtener buenos resultados. Cuando se define d en magniudes mucho
menores al valor de la funci
on de onda en un punto
dado, se obtiene un valor menor para la energa final,
es decir, la forma de la funci
on es mas aproximada
al valor real. Sin embargo esta refinaci
on se paga con
tiempo de ejecucion.
Aunque no se gana tanta presici
on al variar la
distancia entre nodos como en el caso anterior, se
observa un aumento significativamente grande en el
tiempo de convergencia. Es conveniente definir como
parametro de convergencia para la energa el valor
calculado por medio de la ejecucion con la condicion
inicial en forma Gaussiana, este valor calculado es de
6,68 y una desviacion estadar de 2,15 unidades de
energa.

6.

Referencias

[1] Giordano, Nicholas J.. Computational physics.


Upper Saddle River, N.J.: Prentice Hall, 1997.
[2] Pang, Tao. An introduction to computational physics. Cambridge: Cambridge University Press,
1997.