Main menu

Численные методы в квантовой механике: решение уравнения Шредингера

Вычислительная квантовая физика

Квантовая механика радикально изменила наше понимание микромира. В основе нерелятивистской квантовой механики лежит уравнение Шредингера. В отличие от классической механики Ньютона, где мы ищем точные координаты и скорости частиц, уравнение Шредингера описывает эволюцию волновой функции. Квадрат модуля этой функции дает плотность вероятности обнаружить квантовую частицу в определенной точке пространства. Аналитическое (точное) решение уравнения Шредингера возможно лишь для горстки идеализированных систем: атом водорода, квантовый гармонический осциллятор и частица в прямоугольной потенциальной яме.

Для всех остальных случаев — от многоэлектронных атомов и сложных молекул до кристаллических решеток полупроводников — точных решений не существует. Более того, добавление в систему даже одного лишнего электрона (например, в атоме гелия) делает задачу аналитически неразрешимой из-за кулоновского отталкивания между электронами. Именно здесь на арену выходит вычислительная физика и численные методы, позволяющие рассчитывать энергетические спектры и химические свойства материалов с беспрецедентной точностью.

Метод Нумерова для одномерных задач

Когда мы ищем стационарные (не зависящие от времени) состояния системы, уравнение Шредингера сводится к задаче на собственные значения. Для одномерных задач (например, частица в сложном потенциальном поле) классическим и крайне элегантным подходом является метод Нумерова. Это специализированный метод интегрирования обыкновенных дифференциальных уравнений второго порядка вида y'' = f(x)y, к которому и относится стационарное уравнение Шредингера.

Метод Нумерова базируется на разложении Тейлора и обладает впечатляющим четвертым порядком точности O(h^4), при этом требуя вычисления потенциала только в узлах сетки (без необходимости рассчитывать промежуточные точки, как в методе Рунге-Кутты). Алгоритм используется вместе с методом пристрелки (стрельбы). Мы задаем пробное значение энергии (которое является искомым собственным значением) и интегрируем уравнение с двух сторон (от плюс и минус бесконечности) навстречу друг другу. Точное значение энергии соответствует тому случаю, когда обе ветви решения гладко сшиваются в точке встречи. Этот подход до сих пор активно применяется для расчета состояний двухатомных молекул.

Временная эволюция и схема Кранка-Николсон

Если же нас интересует динамика (нестационарное уравнение Шредингера) — например, как электронный пакет туннелирует сквозь потенциальный барьер или как атом реагирует на лазерный импульс, — нам необходимо моделировать эволюцию волновой функции во времени. Это уравнение относится к параболическому типу (с мнимой единицей перед производной по времени).

Использование явных разностных схем для уравнения Шредингера приводит к вычислительной катастрофе: они не сохраняют норму волновой функции (то есть полная вероятность обнаружить частицу перестает быть равной единице) и часто безусловно неустойчивы. Спасением является схема Кранка-Николсон. Она является полунеявной разностной схемой второго порядка точности по времени и пространству. Ее важнейшее математическое свойство — унитарность. Оператор перехода во времени в схеме Кранка-Николсон является строго унитарным, что гарантирует абсолютное сохранение нормы волновой функции на любом временном шаге. На каждом шаге алгоритм требует решения системы линейных уравнений с трехдиагональной (или блочно-трехдиагональной) матрицей, что легко реализуется алгоритмом прогонки. Схема Кранка-Николсон стала индустриальным стандартом для одномерной и двумерной квантовой динамики.

Подробнее

Метод характеристик для квазилинейных уравнений в частных производных

Переход от частных производных к обыкновенным

В математической физике и механике сплошных сред огромную роль играют квазилинейные дифференциальные уравнения в частных производных первого порядка. Эти уравнения описывают широчайший спектр процессов переноса: от движения волн на мелководье и потоков транспорта на автомагистралях до газодинамических течений и распространения примесей в жидкостях. Главная сложность анализа таких уравнений заключается в том, что скорость распространения волны в них зависит от самой искомой функции (например, от плотности газа или концентрации вещества). Это порождает нелинейные эффекты, с которыми классические линейные методы (такие как разделение переменных Фурье) справиться не могут.

Мощнейшим аналитическим и полуаналитическим инструментом для решения подобных задач является метод характеристик. Основная философская идея этого метода заключается в сведении сложного уравнения в частных производных (УЧП), зависящего от нескольких независимых переменных (например, пространства и времени), к системе обыкновенных дифференциальных уравнений (ОДУ). Это достигается путем поиска в пространстве-времени специальных кривых, вдоль которых исходное уравнение в частных производных превращается в обыкновенное дифференциальное уравнение.

Геометрический смысл и семейство кривых

С геометрической точки зрения, решение УЧП первого порядка для функции двух переменных u(x,t) можно представить как интегральную поверхность в трехмерном пространстве (x, t, u). Метод характеристик ищет кривые, лежащие на этой поверхности. Эти кривые называются характеристиками. Вдоль характеристики изменение искомой функции происходит только за счет изменения одного параметра (часто это время t или некий фиктивный параметр s вдоль кривой).

Математически алгоритм требует составления так называемой характеристической системы ОДУ. Решая эту систему (аналитически, если это возможно, или численно, с помощью методов Рунге-Кутты), мы получаем семейство характеристических кривых на плоскости (x,t). Вдоль каждой такой кривой значение искомой функции u либо остается постоянным (для простого уравнения переноса), либо меняется по известному простому закону. Зная начальные условия задачи (профиль функции в момент времени t=0), мы можем «протащить» эти значения вдоль характеристик в любую точку будущего времени, тем самым построив полное решение исходной задачи.

Формирование ударных волн и опрокидывание

Нелинейность квазилинейных уравнений приводит к одному из самых интересных и важных физических явлений, которое метод характеристик позволяет исследовать во всех деталях — явлению градиентной катастрофы, или «опрокидыванию волны». В линейных уравнениях все характеристики параллельны друг другу. В нелинейных уравнениях наклон характеристики зависит от значения функции. В результате, области с высокими значениями функции (например, гребни волн) могут двигаться быстрее, чем области с низкими значениями (подошвы волн).

На характеристической плоскости это означает, что кривые-характеристики начинают пересекаться. В точке пересечения метод характеристик предсказывает, что функция должна иметь два разных значения одновременно, что физически невозможно. Производная функции обращается в бесконечность — происходит так называемое опрокидывание волны. В реальности в этот момент формируется разрыв (ударная волна или скачок уплотнения). Для продолжения решения после момента опрокидывания классический метод характеристик нуждается в дополнении интегральными условиями на разрыве (условия Ренкина-Гюгонио), что переводит задачу в область построения слабых решений и использования методов сквозного счета, таких как метод конечных объемов.

Подробнее

Численные методы решения стохастических дифференциальных уравнений (СДУ)

Когда в уравнения вмешивается случайность

Классические дифференциальные уравнения детерминированы: если вы знаете точные начальные условия и уравнения движения, вы можете со 100% точностью предсказать будущее системы на любой срок. Однако в реальном мире идеальной предсказуемости не существует. На молекулу газа действуют случайные соударения теплового движения. На крыло самолета воздействует турбулентность атмосферы. На цену акции на бирже влияют миллионы непредсказуемых макроэкономических и психологических факторов. Для математического моделирования таких процессов используются стохастические дифференциальные уравнения (СДУ).

СДУ состоит из двух компонентов: детерминированного сноса (тренда), который описывает предсказуемую эволюцию системы, и стохастической диффузии (шума), которая моделирует случайные флуктуации. Источником этого шума математически выступает Винеровский процесс (или математическое броуновское движение). Главная проблема СДУ заключается в том, что траектории Винеровского процесса нигде не дифференцируемы в обычном смысле. Поэтому для СДУ не работает классический анализ Ньютона-Лейбница; вместо него применяется специализированный стохастический анализ Ито (или Стратоновича), где появляется знаменитая поправка Ито. Аналитическое решение СДУ возможно лишь для простейших линейных моделей (например, уравнение геометрического броуновского движения в модели Блэка-Шоулза). В 99% практических задач требуются численные методы.

Метод Эйлера-Маруямы: база стохастического моделирования

Самым простым и исторически первым численным методом для СДУ является схема Эйлера-Маруямы (названная в честь Леонарда Эйлера и японского математика Гисиро Маруямы). Этот метод является естественным стохастическим обобщением классического метода Эйлера для обычных ОДУ.

На каждом временном шаге мы не только сдвигаем решение вдоль вектора детерминированного тренда (умноженного на величину шага времени), но и добавляем случайный скачок. Этот скачок генерируется компьютером из нормального (гауссовского) распределения со средним нулем. Важнейшая особенность стохастического интегрирования состоит в том, что дисперсия этого случайного скачка масштабируется пропорционально не самому шагу времени, а квадратному корню из шага времени (свойство Винеровского процесса). Метод Эйлера-Маруямы крайне прост в программировании, но обладает низкой точностью (сильный порядок сходимости равен всего 0.5), что требует использования огромного количества мелких шагов для подавления погрешности.

Метод Мильштейна и сильная vs слабая сходимость

Для повышения точности интегрирования СДУ советский и немецкий математик Григорий Наумович Мильштейн предложил алгоритм, который добавляет к схеме Эйлера-Маруямы специальный поправочный член. Этот член (содержащий производную функции диффузии) выводится с использованием стохастического разложения Тейлора-Ито. Метод Мильштейна увеличивает сильный порядок сходимости до 1.0.

В стохастической вычислительной математике различают два вида точности: сильную и слабую. Сильная сходимость требуется, когда нам необходимо предельно точно смоделировать конкретную случайную траекторию частицы (например, в задачах управления траекторией ракеты в турбулентности). Слабая сходимость интересует нас тогда, когда мы не заботимся о точной траектории, а хотим правильно вычислить статистические моменты решения (математическое ожидание, дисперсию) или оценить цену опциона методом Монте-Карло. Для слабых задач методы Эйлера и Мильштейна сходятся гораздо быстрее (слабый порядок 1.0). Разработка высокоточных стохастических методов Рунге-Кутты является сложнейшей задачей современной математики из-за необходимости моделирования многомерных стохастических интегралов Ито, но они жизненно необходимы для анализа рисков в современных мировых финансах.

Подробнее

Соц. сети