伊辛模型[Python]
我试图在Barabasi-Albert网络中模拟伊辛相变,并试图复制一些观测结果,如磁化和能量,就像伊辛网格模拟中观察到的那样。然而,我在解释我的结果时遇到了困难:不确定是物理错误还是实现中存在错误。以下是一个最低限度的工作示例:伊辛模型[Python],python,python-3.x,physics,montecarlo,complex-networks,Python,Python 3.x,Physics,Montecarlo,Complex Networks,我试图在Barabasi-Albert网络中模拟伊辛相变,并试图复制一些观测结果,如磁化和能量,就像伊辛网格模拟中观察到的那样。然而,我在解释我的结果时遇到了困难:不确定是物理错误还是实现中存在错误。以下是一个最低限度的工作示例: import numpy as np import networkx as nx import random import math ## sim params # coupling constant J = 1.0 # ferromagnetic # tem
import numpy as np
import networkx as nx
import random
import math
## sim params
# coupling constant
J = 1.0 # ferromagnetic
# temperature range, in units of J/kT
t0 = 1.0
tn = 10.0
nt = 10.
T = np.linspace(t0, tn, nt)
# mc steps
steps = 1000
# generate BA network, 200 nodes with preferential attachment to 3rd node
G = nx.barabasi_albert_graph(200, 3)
# convert csr matrix to adjacency matrix, a_{ij}
adj_matrix = nx.adjacency_matrix(G)
top = adj_matrix.todense()
N = len(top)
# initialize spins in the network, ferromagnetic
def init(N):
return np.ones(N)
# calculate net magnetization
def netmag(state):
return np.sum(state)
# calculate net energy, E = \sum J *a_{ij} *s_i *s_j
def netenergy(N, state):
en = 0.
for i in range(N):
for j in range(N):
en += (-J)* top[i,j]*state[i]*state[j]
return en
# random sampling, metropolis local update
def montecarlo(state, N, beta, top):
# initialize difference in energy between E_{old} and E_{new}
delE = []
# pick a random source node
rsnode = np.random.randint(0,N)
# get the spin of this node
s2 = state[rsnode]
# calculate energy by summing up its interaction and append to delE
for tnode in range(N):
s1 = state[tnode]
delE.append(J * top[tnode, rsnode] *state[tnode]* state[rsnode])
# calculate probability of a flip
prob = math.exp(-np.sum(delE)*beta)
# if this probability is greater than rand[0,1] drawn from an uniform distribution, accept it
# else retain current state
if prob> random.random():
s2 *= -1
state[rsnode] = s2
return state
def simulate(N, top):
# initialize arrays for observables
magnetization = []
energy = []
specificheat = []
susceptibility = []
for count, t in enumerate(T):
# some temporary variables
e0 = m0 = e1 = m1 = 0.
print 't=', t
# initialize spin vector
state = init(N)
for i in range(steps):
montecarlo(state, N, 1/t, top)
mag = netmag(state)
ene = netenergy(N, state)
e0 = e0 + ene
m0 = m0 + mag
e1 = e0 + ene * ene
m1 = m0 + mag * mag
# calculate thermodynamic variables and append to initialized arrays
energy.append(e0/( steps * N))
magnetization.append( m0 / ( steps * N))
specificheat.append( e1/steps - e0*e0/(steps*steps) /(N* t * t))
susceptibility.append( m1/steps - m0*m0/(steps*steps) /(N* t *t))
print energy, magnetization, specificheat, susceptibility
plt.figure(1)
plt.plot(T, np.abs(magnetization), '-ko' )
plt.xlabel('Temperature (kT)')
plt.ylabel('Average Magnetization per spin')
plt.figure(2)
plt.plot(T, energy, '-ko' )
plt.xlabel('Temperature (kT)')
plt.ylabel('Average energy')
plt.figure(3)
plt.plot(T, specificheat, '-ko' )
plt.xlabel('Temperature (kT)')
plt.ylabel('Specific Heat')
plt.figure(4)
plt.plot(T, susceptibility, '-ko' )
plt.xlabel('Temperature (kT)')
plt.ylabel('Susceptibility')
simulate(N, top)
观察结果:
我试着对代码进行大量的注释,如果我忽略了什么,请询问
问题:
编辑:02.06::反铁磁配置的模拟故障首先,因为这是一个编程站点,让我们分析一下程序。您的计算效率非常低,这使得探索更大的图形变得不切实际。在您的例子中,邻接矩阵是200x200(40000)个元素,只有大约3%的非零元素。将其转换为稠密矩阵意味着在计算
montecarlo
例程中的能量差和netenergy
中的净能量时要进行更多的计算。以下代码在我的系统上执行速度快5倍,更大的图形预期会有更好的加速:
#将拓扑保持为稀疏矩阵
top=nx.邻接矩阵(G)
def净能量(N,状态):
en=0。
对于范围(N)中的i:
ss=np.sum(状态[top[i].非零()
en+=状态[i]*ss
返回-0.5*J*en
注意因子中的0.5-因为邻接矩阵是对称的,每对自旋计数两次
def montecarlo(州、N、beta、顶部):
#选择一个随机源节点
rsnode=np.random.randint(0,N)
#获取此节点的旋转
s=状态[rsnode]
#所有相邻旋转的总和
ss=np.sum(状态[top[rsnode].nonzero()[1]])
#过渡能
delE=2.0*J*ss*s
#计算转移概率
prob=math.exp(-delE*beta)
#有条件地接受过渡
如果prob>random.random():
s=-s
状态[rsnode]=s
返回状态
请注意转换能量中的系数2.0-您的代码中缺少它
这里有一些numpy
索引魔法top[i]
是节点i的稀疏邻接行向量,top[i]。nonzero()[1]
是非零元素的列索引(top[i]。nonzero()[0]
是行索引,因为它是行向量,所以都等于0)<代码>状态[top[i]。非零()[1]]因此是节点i的相邻节点的值
现在来谈谈物理学。热力学性质是错误的,因为:
e1=e0+ene*ene
m1=m0+mag*mag
应该是:
e1=e1+ene*ene
m1=m1+mag*mag
以及:
specificheat.append(e1/步骤-e0*e0/(步骤*steps)/(N*t*t))
附加(m1/步数-m0*m0/(步数*步数)/(N*t*t))
应该是:
specificheat.append((e1/steps/N-e0*e0/(steps*steps*N*N))/(t*t))
附加((m1/steps/N-m0*m0/(steps*steps*N*N))/t)
(您最好尽早对能量和磁化进行平均)
这使得陆地的热容和磁化率为正值。注意敏感性分母中的单个t
既然程序(希望)是正确的,让我们谈谈物理。对于每个温度,你从一个全向上的自旋状态开始,然后让它一次演化一个自旋。显然,除非温度为零,否则该初始状态远离热平衡,因此系统将开始向与给定温度相对应的状态空间部分漂移。这一过程被称为热化,在此期间收集静态信息毫无意义。您必须始终将给定温度下的模拟分为两部分-热化和实际有效运行。需要多少次迭代才能达到平衡?很难说-使用能量的移动平均值,当它变得(相对)稳定时进行监测
其次,更新算法每次迭代只改变一次旋转,这意味着程序将非常缓慢地探索状态空间,并且需要大量迭代才能获得分区函数的良好近似值。有了200次旋转,1000次迭代就足够了
其余的问题真的不属于这里。这看起来更多的是关于物理编程的问题——你可能在这方面运气更好。谢谢!我也在那个平台上添加了这个问题[.到目前为止运气不好.是的--我担心你的问题非常具体,需要很多在这个领域不太常见的专家知识,所以可能很难得到答案.祝你好运。