Luận văn thạc sĩ: Nghiên cứu mô hình vật lý thống kê bằng phương pháp Monte Carlo

Luận văn thạc sĩ HUS nghiên cứu mô hình vật lý thống kê qua phương pháp Monte Carlo, mang lại cái nhìn sâu sắc về ứng dụng và kết quả.

• Tác giả: Vũ Ngọc Hà
• Người hướng dẫn: TS. Nguyễn Hoàng Oanh
• Trường học: Trường Đại Học Khoa Học Tự Nhiên
• Chuyên ngành: Vật lý lý thuyết và vật lý toán
• Đề tài: Nghiên cứu một số mô hình vật lý thống kê bằng phương pháp Monte-Carlo
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC BẢNG – HÌNH
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ CÁC MÔ HÌNH VẬT LÝ THỐNG KÊ
• 1.1. Vật lý thống kê
• 2. CHƯƠNG 2: GIỚI THIỆU VỀ PHƯƠNG PHÁP MONTE CARLO
• 2.1. Giới thiệu
• 2.2. Tích phân Monte Carlo
• 2.3. Ước lượng sai số
• 2.4. Số ngẫu nhiên
• 2.4.1. Tạo số giả ngẫu nhiên
• 3. CHƯƠNG 3: NGHIÊN CỨU MỘT SỐ MÔ HÌNH VẬT LÝ THỐNG KÊ BẰNG PHƯƠNG PHÁP MONTE CARLO
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về Nghiên cứu mô hình vật lý thống kê

Nghiên cứu mô hình vật lý thống kê là một lĩnh vực quan trọng trong vật lý lý thuyết, giúp hiểu rõ hơn về các hệ thống phức tạp. Các mô hình này cho phép phân tích và dự đoán hành vi của các hệ thống nhiều phần tử, từ đó cung cấp cái nhìn sâu sắc về các hiện tượng vật lý. Phương pháp Monte Carlo, với khả năng xử lý các bài toán phức tạp thông qua việc sử dụng số ngẫu nhiên, đã trở thành công cụ không thể thiếu trong nghiên cứu này.

1.1. Tầm quan trọng của vật lý thống kê trong nghiên cứu

Vật lý thống kê giúp mô tả các tính chất vĩ mô của hệ thống từ các hành vi vi mô của các phần tử. Điều này cho phép các nhà nghiên cứu dự đoán các hiện tượng như áp suất, nhiệt độ và các tính chất khác của vật chất.

1.2. Các mô hình vật lý thống kê phổ biến

Một số mô hình vật lý thống kê phổ biến bao gồm mô hình Ising, mô hình XY và mô hình Heisenberg. Mỗi mô hình có những đặc điểm riêng, phù hợp với các loại vật liệu và hiện tượng khác nhau.

II. Thách thức trong nghiên cứu mô hình vật lý thống kê

Mặc dù có nhiều tiến bộ trong nghiên cứu mô hình vật lý thống kê, nhưng vẫn tồn tại nhiều thách thức. Việc tính toán chính xác các đặc tính của hệ thống nhiều phần tử là một nhiệm vụ phức tạp. Các phương pháp truyền thống thường không đủ khả năng để giải quyết các bài toán này một cách hiệu quả.

2.1. Khó khăn trong việc mô phỏng các hệ thống lớn

Khi nghiên cứu các hệ thống lớn, số lượng phần tử có thể lên đến hàng triệu, dẫn đến việc tính toán trở nên khó khăn và tốn thời gian. Điều này đòi hỏi các phương pháp tính toán hiệu quả hơn.

2.2. Giới hạn của các phương pháp truyền thống

Các phương pháp truyền thống thường gặp khó khăn trong việc xử lý các bài toán có độ phức tạp cao, đặc biệt là trong các hệ thống không đồng nhất hoặc có tương tác mạnh giữa các phần tử.

III. Phương pháp Monte Carlo trong nghiên cứu vật lý thống kê

Phương pháp Monte Carlo là một trong những công cụ mạnh mẽ nhất trong nghiên cứu mô hình vật lý thống kê. Phương pháp này sử dụng số ngẫu nhiên để mô phỏng và tính toán các đặc tính của hệ thống, giúp vượt qua nhiều giới hạn của các phương pháp truyền thống.

3.1. Nguyên lý cơ bản của phương pháp Monte Carlo

Phương pháp Monte Carlo dựa trên việc lấy mẫu ngẫu nhiên để ước lượng các giá trị trung bình và xác suất. Điều này cho phép tính toán các đặc tính của hệ thống một cách hiệu quả mà không cần giải quyết từng phương trình riêng lẻ.

3.2. Ứng dụng của phương pháp Monte Carlo trong vật lý

Phương pháp Monte Carlo được ứng dụng rộng rãi trong nhiều lĩnh vực, từ mô phỏng các hệ thống vật lý đến tính toán các đặc tính của vật liệu. Nó cho phép nghiên cứu các hiện tượng phức tạp mà các phương pháp khác không thể giải quyết.

IV. Kết quả nghiên cứu mô hình vật lý thống kê bằng Monte Carlo

Nghiên cứu mô hình vật lý thống kê bằng phương pháp Monte Carlo đã mang lại nhiều kết quả quan trọng. Các mô phỏng cho thấy sự chuyển pha trong các hệ thống vật lý, cũng như các đặc tính nhiệt động lực học của chúng.

4.1. Mô hình Ising và kết quả mô phỏng

Mô hình Ising đã được sử dụng để nghiên cứu các hiện tượng từ tính. Kết quả mô phỏng cho thấy sự chuyển pha từ trạng thái từ tính sang trạng thái không từ tính khi nhiệt độ tăng.

4.2. Mô hình XY và ứng dụng thực tiễn

Mô hình XY cho phép nghiên cứu các hệ thống có tính chất từ tính phức tạp hơn. Kết quả từ các mô phỏng đã giúp hiểu rõ hơn về các hiện tượng như sự đồng nhất và không đồng nhất trong các hệ thống vật lý.

V. Kết luận và tương lai của nghiên cứu mô hình vật lý thống kê

Nghiên cứu mô hình vật lý thống kê bằng phương pháp Monte Carlo đã mở ra nhiều hướng đi mới trong vật lý lý thuyết. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều phát hiện mới, đặc biệt trong các lĩnh vực như vật liệu mới và công nghệ nano.

5.1. Triển vọng phát triển của phương pháp Monte Carlo

Phương pháp Monte Carlo sẽ tiếp tục được cải tiến và phát triển, với sự hỗ trợ của công nghệ máy tính hiện đại. Điều này sẽ giúp nâng cao độ chính xác và hiệu quả của các mô phỏng.

5.2. Tương lai của nghiên cứu vật lý thống kê

Nghiên cứu vật lý thống kê sẽ tiếp tục đóng vai trò quan trọng trong việc hiểu rõ hơn về các hiện tượng vật lý phức tạp. Các mô hình mới và phương pháp tính toán sẽ giúp mở rộng kiến thức trong lĩnh vực này.

Nội dung chính

Tổng quan nghiên cứu

Trong thế giới vi mô của các hệ môi trường đậm đặc, một lít khí oxy ở điều kiện tiêu chuẩn chứa khoảng 3x10^22 phân tử, và toàn bộ bầu khí quyển Trái Đất ước tính gồm 4x10^21 lít với quy mô xấp xỉ 1x10^44 hạt liên tục tương tác. Việc giải hệ phương trình động lực vi mô Hamilton cho số lượng hạt khổng lồ như vậy là bài toán bất khả thi về mặt giải tích. Vật lý thống kê tiếp cận vấn đề này thông qua các quy luật xác suất và mô hình toán học nhằm dự đoán chính xác các thuộc tính nhiệt động học vĩ mô. Tuy nhiên, khi khảo sát các hệ spin từ tính hai chiều (2D), không gian trạng thái khả dĩ trên mạng lưới 64x64 spin lên tới 2^4096 (khoảng 10^1233 cấu hình), đòi hỏi các phương pháp tính toán số hiện đại để giải quyết bài toán chuyển pha.

Luận văn thạc sĩ khoa học chuyên ngành Vật lý lý thuyết và Vật lý toán, thực hiện tại Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội trong giai đoạn 2014–2015, tập trung giải quyết bài toán mô phỏng các hệ spin tương tác thông qua phương pháp Monte Carlo. Mục tiêu trọng tâm của đề tài là xây dựng các chương trình mô phỏng số trên môi trường Scilab, tính toán chính xác điểm chuyển pha trật tự - hỗn loạn trong mô hình Ising 2D, đối soát với nghiệm giải tích của Lars Onsager, đồng thời xác định số mũ cố hữu (persistence exponent) và bước đầu khảo sát chuyển pha Berezinskii-Kosterlitz-Thouless (BKT) trên mô hình XY 2D.

Nghiên cứu mang ý nghĩa học thuật và ứng dụng sâu sắc, cung cấp một quy trình thực nghiệm số chuẩn mực với chi phí bản quyền bằng 0 trên phần mềm mã nguồn mở. Kết quả của luận văn đóng góp cơ sở dữ liệu mô phỏng quan trọng, hỗ trợ đắc lực cho việc nghiên cứu tính chất vật liệu từ tính màng mỏng và hiện tượng siêu dẫn trong vật lý chất rắn hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng cơ học thống kê cổ điển và hiện đại, tập trung vào 3 mô hình tương tác spin tiêu biểu:

• Mô hình Ising 2D: Mô tả chất sắt từ có tính bất đẳng hướng đơn trục mạnh. Hệ gồm N spin tại các nút mạng nhận giá trị rời rạc Si = +1 (hướng lên) hoặc Si = -1 (hướng xuống). Năng lượng hệ được xác định qua Hamiltonian với tương tác trao đổi J giữa các lân cận gần nhất và tương tác Zeeman với từ trường ngoài H. Xác suất phân bố cấu hình tuân theo thống kê Boltzmann với trọng số tỷ lệ thuận với hàm mũ e^(-beta*H), trong đó beta = 1/(kT) là tham số nhiệt độ nghịch đảo.
• Mô hình XY 2D và Heisenberg: Khảo sát các spin có định hướng liên tục trên mặt phẳng hai chiều (mô hình XY) và không gian 3 chiều (mô hình Heisenberg), trong đó độ dài vector spin được chuẩn hóa bằng 1.
• Lý thuyết chuyển pha và tính cố hữu: Chuyển pha loại hai trật tự - hỗn loạn được giải tích chính xác bởi Lars Onsager (năm 1944) với điểm tới hạn lý thuyết beta_c = (1/2)*ln(1+sqrt(2)) xấp xỉ 0.88137. Hiện tượng cố hữu (persistence) mô tả xác suất P(t) để một spin không đảo dấu sau khoảng thời gian t kể từ khi làm nguội đột ngột từ nhiệt độ vô cùng cao, tuân theo quy luật suy giảm hàm mũ P(t) ~ t^(-theta).

Phương pháp nghiên cứu

• Cỡ mẫu và không gian mô phỏng: Hệ spin được thiết lập trên mạng lưới vuông 2 chiều kích thước 64x64 nút (tổng cộng 4.096 spin) cho mô hình Ising và kích thước 8x8 nút (64 spin) cho mô hình XY. Nghiên cứu áp dụng điều kiện biên tuần hoàn nhằm triệt tiêu tối đa hiệu ứng kích thước hữu hạn của mạng lưới mô phỏng.
• Kỹ thuật lấy mẫu thống kê Monte Carlo: Sử dụng phương pháp lấy mẫu điển hình (Importance Sampling) thông qua chuỗi Markov (MCMC) để tạo chuỗi cấu hình phân bố theo trọng số Boltzmann, khắc phục triệt để hạn chế của phương pháp lấy mẫu ngẫu nhiên đều. Hai giải thuật nâng cấp cấu hình chính được tích hợp là thuật toán buồng nhiệt (Heat bath) và thuật toán Metropolis.
• Tạo số giả ngẫu nhiên: Áp dụng thuật toán đồng dư tuyến tính chất lượng cao kết hợp các thuật toán biến đổi hàm ngược và thuật toán loại trừ Von Neumann nhằm đảm bảo tính ngẫu nhiên, tính độc lập thống kê và chu kỳ lặp cực lớn của chuỗi số.
• Khử tự tương quan và xử lý sai số: Để xử lý hiện tượng phụ thuộc chuỗi thời gian giữa các cấu hình Markov kế tiếp, kỹ thuật gom nhóm dữ liệu (Data Binning) được triển khai để xác định kích cỡ nhóm độc lập, từ đó ước lượng độ lệch chuẩn chính xác theo quy luật tỷ lệ 1/sqrt(N). Toàn bộ chương trình được lập trình và thực thi trên phần mềm Scilab với số bước nâng cấp chuỗi từ 12.000 đến 1.000.000 bước quét.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Xác định chính xác điểm chuyển pha Ising 2D: Kết quả mô phỏng cho thấy khi beta < 0.8, độ từ hóa dao động quanh giá trị 0 (pha hỗn loạn). Khi beta > 0.9, độ từ hóa tăng vọt lên trên 3.000 đơn vị (đạt hơn 73% độ từ hóa bão hòa 4.096 spin, thuộc pha trật tự sắt từ). Khảo sát chi tiết 200.000 đến 1.000.000 bước quét tại lân cận beta = 0.88 cho thấy điểm chuyển pha trật tự - hỗn loạn xuất hiện tại beta_c xấp xỉ 0.88137, trùng khớp hoàn toàn với nghiệm giải tích Onsager đến 2 chữ số thập phân.
• Ghi nhận sự xuất hiện của các giả trạng thái (Metastable States): Tại điểm chuyển pha beta = 0.88137, hệ duy trì độ từ hóa dương khoảng +3.000 trong thời gian dài trên máy tính rồi đột ngột đảo chiều sang trạng thái âm xấp xỉ -3.000. Hiện tượng này minh chứng rõ nét cho sự cùng tồn tại của hai tập con cấu hình tại vùng tới hạn chuyển pha loại hai.
• Đo đạc chính xác số mũ cố hữu: Xác suất một spin không đổi dấu theo thời gian P(t) ~ t^(-theta) cho giá trị số mũ mô phỏng theta = 0.2106 +/- 0.0002. Kết quả này tiệm cận rất sát với giá trị đo đạc thực nghiệm quốc tế theta_thực nghiệm = 0.22, với độ sai lệch thống kê chỉ khoảng 4.27%.
• Khảo sát chuyển pha liên tục BKT trên mô hình XY: Mô phỏng 1.100 bước nâng cấp cấu hình trên mạng 8x8 cho thấy mật độ năng lượng và độ từ hóa biến thiên liên tục quanh ngưỡng beta xấp xỉ 1.1, không xuất hiện bước nhảy đột ngột, phản ánh đặc trưng của chuyển pha tô pô BKT với sự phân rã của các cặp xoáy (vortex-antivortex).

Thảo luận kết quả

• Phân tích hiện tượng làm chậm tới hạn (Critical Slowing Down): Khi phân tích độ tự tương quan bằng phương pháp gom nhóm dữ liệu (Data Binning), tại nhiệt độ thấp beta = 1.5 (xa điểm chuyển pha), kích thước nhóm n = 10 đã đủ để triệt tiêu tương quan, mang lại 1.000 cấu hình độc lập từ 10.000 mẫu (tỷ lệ 10%). Tuy nhiên, khi tiến sát điểm chuyển pha tại beta = 0.9, kích thước tương quan tăng vọt lên n = 1.000, khiến 10.000 mẫu chỉ thu được 10 cấu hình độc lập (giảm 100 lần số mẫu hiệu dụng). Điều này khẳng định hiện tượng tự tương quan tăng cực đại tại điểm tới hạn.
• Biểu diễn trực quan hóa dữ liệu: Các tập dữ liệu mô phỏng được thể hiện rõ ràng qua đồ thị biến thiên độ từ hóa theo số bước quét cấu hình (Magnetization vs. Sweeps), đồ thị độ lệch chuẩn theo kích thước khối dữ liệu (Bin Size) và đường cong nhiệt động học. Các bảng số liệu cho thấy sau khoảng 20 bước quét ban đầu từ cấu hình lạnh (cold start), hệ đã nhanh chóng đạt trạng thái cân bằng nhiệt động.
• So sánh và ý nghĩa vật lý: Kết quả mô phỏng không chỉ tái hiện hoàn hảo lý thuyết giải tích mà còn chứng minh rằng phương pháp Monte Carlo có khả năng xử lý hiệu quả các hệ vật lý có phổ năng lượng liên tục và cấu hình phức tạp, nơi các phương pháp tính toán giải tích truyền thống không thể áp dụng.

Đề xuất và khuyến nghị

• Tích hợp các thuật toán lấy mẫu cụm nâng cao: Các nhóm nghiên cứu mô phỏng vật lý thống kê nên áp dụng thuật toán cụm Wolff hoặc Swendsen-Wang thay thế cho thuật toán Heat bath cục bộ. Giải pháp này giúp đảo chiều đồng thời các cụm spin lớn, giảm kích thước tương quan tại điểm tới hạn từ n = 1.000 xuống dưới 5 bước, loại bỏ hiện tượng làm chậm tới hạn trong vòng 6 tháng tới.
• Mở rộng kích thước mạng lưới không gian: Các đơn vị nghiên cứu lý thuyết cần mở rộng kích thước mô phỏng từ mạng 64x64 lên mức 128x128 và 256x256 nút mạng trong lộ trình 9 tháng. Việc kết hợp kỹ thuật phân tích tỷ lệ kích thước hữu hạn (Finite-Size Scaling) sẽ nâng cao độ chính xác của tham số tới hạn beta_c lên 4 đến 5 chữ số thập phân.
• Song song hóa tính toán trên kiến trúc phần cứng GPU: Khuyến nghị các nhà nghiên cứu chuyển đổi mã nguồn từ Scilab thuần sang kiến trúc tính toán song song CUDA C++ hoặc Python Numba trong 12 tháng. Mục tiêu đặt ra là gia tăng tốc độ xử lý từ 20 đến 50 lần, cho phép nâng tổng số bước quét từ 10.000 lên hơn 10.000.000 bước đối với mô hình XY và Heisenberg 3D.
• Ứng dụng mô hình XY vào nghiên cứu vật liệu siêu dẫn: Các phòng thí nghiệm vật lý chất rắn nên khai thác mô hình XY 2D và tham số chuyển pha BKT tại vùng beta xấp xỉ 1.1 để mô hình hóa và giải thích cơ chế phá vỡ cặp xoáy trên các màng mỏng siêu dẫn nhiệt độ cao và mảng tiếp xúc Josephson trong thời hạn 18 tháng.

Đối tượng nên tham khảo luận văn

• Học viên cao học và nghiên cứu sinh chuyên ngành Vật lý lý thuyết & Vật lý toán: Tài liệu là nguồn tham khảo trực tiếp về cấu trúc lập trình mô phỏng MCMC, cung cấp toàn bộ mã nguồn Scilab mẫu hơn 100 dòng lệnh để phát triển các đề tài luận văn chuyên sâu về cơ học thống kê.
• Giảng viên và nhà nghiên cứu giảng dạy Vật lý tính toán: Sử dụng luận văn như một giáo trình thực hành mẫu với các ca nghiên cứu trực quan về chuyển pha trật tự - hỗn loạn, hiện tượng giả trạng thái và quá trình nhiệt hóa của hệ spin 4.096 hạt.
• Kỹ sư khoa học dữ liệu và chuyên viên phân tích thống kê: Tham khảo các thuật toán sinh số giả ngẫu nhiên, phương pháp lấy mẫu đổi biến/loại trừ Von Neumann và kỹ thuật gom nhóm dữ liệu (Data Binning) để xử lý các chuỗi thời gian tài chính có độ tự tương quan cao.
• Nhà khoa học nghiên cứu vật liệu màng mỏng và từ tính: Ứng dụng các kết quả định lượng về số mũ cố hữu theta = 0.2106 và quy luật động lực học spin để tối ưu hóa độ ổn định của các màng mỏng lưu trữ từ tính đơn trục thế hệ mới.

Câu hỏi thường gặp

Tại sao phương pháp Monte Carlo lại vượt trội trong việc giải các bài toán vật lý thống kê nhiều hạt? Đối với hệ spin kích thước 64x64, không gian trạng thái gồm 2^4096 (khoảng 10^1233) cấu hình, không thể tính toán chính xác bằng giải tích vi mô. Phương pháp Monte Carlo kết hợp lấy mẫu điển hình giúp chọn lọc các cấu hình có trọng số Boltzmann lớn nhất, ước lượng tích phân thống kê với sai số giảm dần theo quy luật 1/sqrt(N) chỉ sau khoảng 2.000 bước quét nhiệt hóa.

Thuật toán Heat bath có ưu điểm gì so với thuật toán Metropolis trong mô phỏng hệ spin? Thuật toán Metropolis quyết định lật spin dựa trên xác suất chuyển tiếp phụ thuộc chênh lệch năng lượng giữa trạng thái cũ và mới. Ngược lại, thuật toán Heat bath gán trực tiếp trạng thái spin mới dựa hoàn toàn vào trường nhiệt cục bộ của các nút lân cận, không phụ thuộc trạng thái hiện tại. Cả hai thuật toán đều đảm bảo tính Ergodic và đưa hệ tiến tới cân bằng sau khoảng 20 bước quét.

Hiện tượng tự tương quan dữ liệu ảnh hưởng như thế nào đến kết quả mô phỏng? Các cấu hình trong chuỗi Markov có sự phụ thuộc lẫn nhau. Khi ở sát điểm chuyển pha beta = 0.9, độ dài tương quan tăng vọt lên tới 1.000 bước, làm giảm số mẫu thống kê độc lập từ 10.000 mẫu xuống chỉ còn 10 mẫu thực tế. Nếu không sử dụng phương pháp gom nhóm dữ liệu (Data Binning), độ lệch chuẩn tính toán sẽ bị đánh giá thấp hơn thực tế hàng chục lần.

Ý nghĩa vật lý của số mũ cố hữu (Persistence Exponent) theta = 0.2106 là gì? Số mũ cố hữu đặc trưng cho tốc độ suy giảm xác suất một spin giữ nguyên hướng ban đầu theo thời gian P(t) ~ t^(-theta) khi hệ bị làm nguội tức thời về nhiệt độ 0. Kết quả tính toán theta = 0.2106 +/- 0.0002 của luận văn tương thích chặt chẽ với kết quả đo đạc thực nghiệm quốc tế (theta = 0.22), chứng minh độ chính xác cao của mô hình mô phỏng.

Chuyển pha BKT trong mô hình XY 2D khác biệt như thế nào so với chuyển pha Ising 2D? Chuyển pha Ising 2D là chuyển pha loại hai với sự thay đổi độ từ hóa đột ngột từ 0 lên hơn 3.000 đơn vị tại beta_c = 0.88137. Trong khi đó, chuyển pha BKT trong mô hình XY quanh ngưỡng beta xấp xỉ 1.1 diễn ra liên tục, không xuất hiện từ hóa tự phát mà đặc trưng bởi sự phân rã liên kết của các cặp xoáy - phản xoáy cục bộ.

Kết luận

• Xây dựng thành công bộ chương trình mô phỏng hoàn chỉnh cho mô hình Ising 2D (mạng 64x64) và mô hình XY 2D (mạng 8x8) trên nền tảng ngôn ngữ Scilab mã nguồn mở.
• Xác định chính xác nhiệt độ nghịch đảo chuyển pha trật tự - hỗn loạn beta_c xấp xỉ 0.88137, khớp hoàn toàn với nghiệm giải tích kinh điển của Lars Onsager.
• Tính toán thành công số mũ cố hữu theta = 0.2106 +/- 0.0002, đạt độ tương thích cao với số liệu thực nghiệm quốc tế theta_thực nghiệm = 0.22 với sai lệch thống kê dưới 4.3%.
• Định lượng rõ nét hiện tượng làm chậm tới hạn và thiết lập quy trình chuẩn hóa gom nhóm dữ liệu (Data Binning) để triệt tiêu sai số tự tương quan chuỗi Markov.
• Đặt nền móng kỹ thuật mô phỏng quan trọng cho các nghiên cứu chuyển pha tô pô BKT trên các hệ vật liệu siêu dẫn màng mỏng.

Đóng góp cốt lõi của công trình là cung cấp giải pháp mô phỏng số chi phí thấp, độ chính xác cao cho ngành vật lý lý thuyết và tính toán tại Việt Nam. Các nhà nghiên cứu và học viên quan tâm có thể khai thác mã nguồn Scilab đi kèm trong luận văn để ứng dụng trực tiếp vào các bài toán mô phỏng vật lý chất đặc phức tạp.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIỚI THIỆU VỀ CÁC MÔ HÌNH VẬT LÝ THỐNG KÊ 1. Vật lý thống kê Các bài toán Vật lý thống kê [1, 2] chủ yếu tính toán tính chất Vật lý của các hệ môi trường đậm đặc. Điểm khó khăn nhất khi thực hiện các tính toán với các hệ Vật lý này là chúng bao gồm rất nhiều phần hợp thành như phân tử và nguyên tử.

Những hợp phần này thường là giống nhau hoặc khác nhau rất ít và chúng thường tuân theo các quy luật chuyển động đơn giản sao cho biểu hiện của cả hệ được biểu diễn theo một quy luật toán học rõ ràng. Tuy nhiên số lượng các phương trình cần phải giải, bằng cỡ của các hợp phần của hệ, là rất lớn nên không thể giải được chúng một cách chính xác. Ví dụ xét một khối khí được chứa trong bình. Một lít khí Oxy tại nhiệt độ và áp suất chuẩn bao gồm 3x1022 phân tử Oxy.

Các phân tử này liên tục di chuyển, va chạm với nhau và với thành bình chứa. Đây là một ví dụ về hệ nhiều vật hợp phần. Ta thậm chí có thể xét một ví dụ hệ có kích thước lớn hơn nữa với bầu khí quyển của trái đât. Một lít không khí tại cùng điều kiện chứa cùng một số lượng phân tử nhưng chúng là một hỗn hợp của Oxy, Nitơ, CO2 và một số thứ khác.

Bầu khí quyển của Trái đất bao gồm 4x1021 lít không khí hay khoảng 1x1044 phân tử. Tất cả những phân tử này liên tục chuyển động, va chạm với nhau, với mặt đất, cây cối, nhà cửa, con người, v. Rõ ràng là không khả thi khi giải hệ các phương trình Hamilton cho mỗi phân tử này bởi vì có quá nhiều phương trình cần phải giải. Tuy nhiên nếu chúng ta nghiên cứu các tính chất vĩ mô của khối khí, chúng vẫn có những biểu hiện có thể tiên đoán được.

Như vậy các nghiệm của các phương trình riêng rẻ có một tính chất đặc biệt là trung bình của chúng có thể cho các tiên đoán về sự vận động của cả hệ. Ví dụ áp suất và nhiệt độ của một khối khí tuân theo những quy luật đơn giản mặc dù chúng đều là các đại lượng đo đặc trung bình trên cả khối khí. Vật lý thống kê không hướng tới việc giải từng phương trình chuyển động riêng lẻ mà tập trung vào tính toán những tính chất của cả hệ thống kê bằng cách sử dụng các mô hình xác suất. Thay vì tìm nghiệm chính xác, chúng ta 2 LUAN VAN CHAT LUONG download : add [e-mail] tìm các xác suất để cả hệ thống kê nằm ở một trong các trạng thái khả dĩ và vì thế có các đại lượng Vật lý vĩ mô nhận các giá trị tương ứng với trạng thái đó.

Hình thức luận điển hình thường được sử dụng để nghiên cứu Vật lý thống kê là hình thức luận Hamilton với hệ thống kê được chi phối bởi một Hamiltonian H cho ta tổng năng lượng của hệ thống kê. Khi hệ thống kê là hữu hạn, chúng ta sẽ làm việc với các tập hợp trạng thái rời rạc với mỗi trạng thái có giá trị năng lượng có giá trị E0, E1, E2,. với E0 là trạng thái cơ bản. Tuy nhiên Vật lý thống kê nói chung và phương pháp Monte Carlo nói riêng có khả năng giải các bài toán có phổ năng lượng là liên tục.

Nếu chỉ xét đến đây, bài toán là khá đơn giản khi năng lượng là bảo toàn. Hệ thống kê sẽ có giá trị năng lượng không đổi theo thời gian và vì thế nó sẽ ở trong một trạng thái hoặc chuyển đổi giữa các trạng thái của một tập hợp các trạng thái suy biến có cùng một giá trị năng lượng mãi mãi. Tuy nhiên, thông thường trong các bài toán thực tế sẽ phải xét đến sự tương tác với môi trường bên ngoài. Sự ảnh hưởng của môi trường bên ngoài sẽ đóng vài trò như một nguồn thu nhiệt làm thay đổi giá trị năng lượng của hệ thống kê liên tục cho đến khi nhiệt độ của hệ thống kê được xét dần tiến tới giá trị của nhiệt độ của môi trường.

Khi ảnh hưởng của môi trường là nhỏ so với giá trị năng lượng của hệ, chúng ta có thể coi nó như là một ảnh hưởng nhiễu loạn và có thể bỏ qua khi tính toán các giá trị năng lượng của hệ thống kê. Tuy nhiên, ảnh hưởng này sẽ có tác động để hệ luôn luôn có xu hướng thay đổi trạng thái và vì thế có giá trị năng lượng khác. Chúng ta có thể tính toán ảnh hưởng của môi trường bằng cách đưa vào hệ thống kê một động lực – một quy luật để hệ thống kê thay đổi trạng thái theo thời gian. Bản chất của động lực sẽ được thể hiện qua dạng nhiễu loạn mà môi trường gây ra trong Hamiltonian tổng cộng.

Giả sử hệ thống kê hiện đang ở trong trạng thái u. Chúng ta định nghĩa R(u  v)dt là xác suất để hệ thống kê ở trạng thái v sau khoảng thời gian dt. R(u  v)dt là xác suất chuyển trạng thái từ u sang v. Xác suất chuyển trạng thái thường được coi là không phụ thuộc vào thời gian.

Chúng ta xác định các giá trị xác suất chuyển trạng thái này với tất cả trạng thái v khả dĩ mà hệ thống kê có thể chuyển đến. Sau 3 LUAN VAN CHAT LUONG download : add [e-mail] một thời gian dt, hệ thống kê có thể ở một trong các trạng thái khả dĩ với các xác suất khác nhau. Chúng ta cũng định nghĩa một tập hợp các trọng số wu(t) biểu diễn xác suất để hệ thống kê ở trong trạng thái u tại thời điểm t. Vật lý thống kê sẽ tính toán các giá trị trọng số này và chúng sẽ thể hiện toàn bộ những gì chúng ta biết về các trạng thái của hệ thống kê.

Chúng ta có thể viết phương trình cơ bản của việc tiến hóa của wu(t) theo các xác suất chuyển trạng thái R(u  v)dt: dwu   wv t Rv  u   wu t Ru  v  .1) dt v Số hạng đầu tiên trong vế phải của phương trình biểu diễn xác suất để hệ thống kê chuyển đến trạng thái u và số hạng thứ hai biểu diễn xác suất để hệ chuyển từ trạng thái u đến các trạng thái khác. Các xác suất wu(t) sẽ phải tuân theo quy luật:  w t   1 u u (1.2) tại mọi thời điểm t do bất kỳ lúc nào hệ cũng phải ở trong một trạng thái nào đó. Nghiệm của phương trình (1.1) với điều kiện (1.2) cho chúng ta sự biến đổi của wu theo thời gian. Nếu chúng ta nghiên cứu đại lượng Q nào đó có giá trị Qu trong trạng thái u, chúng ta định nghĩa giá trị kỳ vọng của Q tại thời điểm t với hệ thống kê đang xét là Q   Qu wu t  (1.3) u Đây chính là một ước lượng (gần đúng) giá trị vĩ mô của Q chúng ta mong đợi sẽ đo đạc được trong thực nghiệm với hệ thống kê đang xét.

Các mô hình Vật lý thống kê Để nghiên cứu các bài toán Vật lý thống kê ta phải mô hình hóa[3–6] chúng bằng cách đơn giản hóa hệ Vật lý nhưng vẫn giữ được những đặc tính Vật lý đặc thù. Ví dụ khi nghiên cứu các hệ từ tính, nếu một chất sắt từ có tính bất đẳng hướng đơn trục mạnh chúng ta có thể mô tả nó bằng mô hình Ising với N spin Si tương tác với nhau 4 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.4) i , j  i 1 với spin Si tại nút mạng i có thể hướng lên trên hoặc xuống dưới theo trục dễ định hướng của chất sắt từ đang xét. Năng lượng trao đổi J trong (1.4) được giới hạn trong các lân cận gần nhất và H là từ trường (số hạng thứ 2 trong 1.4 biểu diễn năng lượng Zeeman của hệ). Các trường hợp khác khi chất sắt từ có tính bất đẳng hướng theo mặt phằng, spin bị giới hạn nằm trong mặt phẳng xy chúng ta mô hình hóa nó theo XY model: N   H XY   J  S ix S jx  S iy S jy  H x  S ix , S   S   1 .5) i , j  i 1 Và khi spin là đẳng hướng ta sử dụng mô hình Heisenberg: N H Heisenberg   J  S  S   H z  S iz , S   S   S   1 .6) i , j  i 1 Tất nhiên là với sự đa dạng của các vật liệu thực được tạo ra trong phòng thí nghiệm, chúng ta phải chọn lựa các biến thể của các mô hình trên cho phù hợp.

Thay vì chọn lựa số trạng thái khả dĩ của spin là 2 như trong (1.4) hay là vô cùng như trong (1.6) ta có thể chọn lựa một giá trị xác định khác. Thay vì chỉ chọn lựa tương tác gần nhất, chúng ta mở rộng tương tác trao đổi cho đến lân cận gần thứ hai hoặc gần thứ ba,. Thay vì chọn lựa hoàn toàn đối xứng như trong (1.6) ta có thể bổ sung thêm các số hạng đơn trục hoặc đơn diện. Thay vì năng lượng trao đổi J nhận giá trị hằng số trên các nút mạng nó có thể nhận các giá trị ngẫu nhiên Jij.

Từ trường Hi cũng có thể nhận các giá trị năng lượng ngẫu nhiên. Như vật 3 mô hình (1.6) chỉ là 3 mô hình điển hình mà dựa trên chúng ta có thể có được vô số biến thể phù hợp với bài toán Vật lý ta quan tâm. 5 LUAN VAN CHAT LUONG download : add [e-mail] CHƯƠNG 2. GIỚI THIỆU VỀ PHƯƠNG PHÁP MONTE CARLO 2.Giới thiệu Các phương pháp Monte Carlo sử dụng việc lấy mẫu thống kê thông qua các bộ số ngẫu nhiên để tính toán nghiệm xấp xỉ của một lớp rộng các bài toán.

Các phương pháp Monte Carlo là các phương pháp sử dụng các giải thuật đơn giản, tận dụng sức mạnh của máy tính hiện đại để giải các bài toán phức tạp khó hoặc không thể giải được bằng các phương pháp giải tích. Phương pháp này được đặt tên là Monte Carlo, tên một sòng bạc nổi tiếng ở Monaco, do sự tương đồng về việc sử dụng số ngẫu nhiên trong đánh bạc và nghiên cứu khoa học. Bàn quay rô – lét chính là một máy tạo số ngẫu nhiên đơn giản. Theo nghĩa rộng nhất, bất cứ phương pháp nào sử dụng số ngẫu nhiên đều có thể được quy vào lớp phương pháp Monte Carlo.

Quá trình lấy mẫu thống kê có thể tiến hành trên máy tính bằng việc lặp lại một số lượng rất lớn các bước đơn giản, song song với nhau.