Numerische lineare Algebra und Eigenprobleme in der Physik

Die Diskretisierung eines physikalischen Operators verwandelt die Physik in Matrizen, und die Bestimmung der Energien und Moden eines Systems wird zum numerischen Problem der Lösung großer linearer Systeme und der Berechnung von Eigenwerten und Eigenvektoren.

Definition

Numerische lineare Algebra in der Physik ist die Menge von Algorithmen zur Lösung von Matrixgleichungen und Eigenwertproblemen, die entstehen, wenn kontinuierliche physikalische Operatoren in einer endlichen Basis oder auf einem Gitter dargestellt werden.

Scope

Dieses Thema behandelt die für die Physik zentralen Matrixberechnungen: die Lösung linearer Systeme mittels direkter und iterativer Methoden sowie die Berechnung von Eigenwerten und Eigenvektoren großer, oft dünnbesetzter, Hermitescher Matrizen mittels QR-, Jacobi-, Lanczos- und Konjugierte-Gradienten-Algorithmen. Es betont die Struktur physikalischer Matrizen wie Dünnbesetztheit und Hermitizität.

Core questions

• Wie werden große lineare Systeme aus der diskretisierten Physik gelöst, ohne dichte Inverse zu bilden?
• Wie werden Eigenwerte und Eigenvektoren einer Hamilton-Matrix numerisch berechnet?
• Warum werden iterative Krylow-Methoden für große dünnbesetzte Matrizen gegenüber direkter Faktorisierung bevorzugt?
• Wie extrahiert der Lanczos-Algorithmus einige extreme Eigenwerte einer riesigen dünnbesetzten Hermiteschen Matrix?

Key theories

Direkte und iterative lineare Löser

Lineare Systeme werden entweder durch direkte Faktorisierung wie LU und Cholesky, die bis auf Rundungsfehler exakt sind, oder durch iterative Krylow-Methoden wie konjugierte Gradienten gelöst, die Dünnbesetztheit ausnutzen und zu einer Toleranz konvergieren.

Eigenwertalgorithmen

Eigenwerte und Eigenvektoren werden durch den QR-Algorithmus und Jacobi-Rotationen für dichte Matrizen berechnet, was das diskrete Spektrum eines physikalischen Operators liefert, der in einer endlichen Basis dargestellt wird.

Lanczos- und Krylow-Unterraum-Methoden

Der Lanczos-Algorithmus konstruiert eine kleine tridiagonale Projektion einer großen dünnbesetzten Hermiteschen Matrix in einem Krylow-Unterraum, wodurch einige extreme Eigenwerte und Eigenvektoren gefunden werden können, ohne jemals die vollständige Matrix zu speichern.

Clinical relevance

Diese Algorithmen berechnen Energieniveaus und Wellenfunktionen in der Quantenmechanik, Normalschwingungsmoden, Bandstrukturen in Festkörpern und die linearen Systeme hinter diskretisierten Feldgleichungen, wodurch sie in der Elektronikstruktur- und Kondensierte-Materie-Simulation unverzichtbar sind.

History

Die praktische Berechnung von Matrix-Eigenwerten reifte Mitte des 20. Jahrhunderts mit der Lanczos-Iteration von 1950 und dem QR-Algorithmus der frühen 1960er Jahre; das Aufkommen großer dünnbesetzter Probleme in der Physik machte Krylow-Unterraum-Methoden zu den dominanten Werkzeugen für Spektren hochdimensionaler Hamilton-Operatoren.

Key figures

• Cornelius Lanczos
• Gene H. Golub
• James H. Wilkinson

Seminal works

• golub2013
• lanczos1950

Frequently asked questions

Warum iterative Methoden verwenden, anstatt einfach die gesamte Matrix zu diagonalisieren?

Physikalische Hamilton-Operatoren können Dimensionen im Milliardenbereich haben, sind aber dünnbesetzt, sodass eine vollständige Speicherung oder Faktorisierung unmöglich ist. Iterative Krylow-Methoden wie Lanczos benötigen nur die Wirkung der Matrix auf einen Vektor und können die wenigen niedrigsten Eigenzustände extrahieren, die in der Physik in der Regel von Interesse sind.

Warum ist die Hermitizität physikalischer Matrizen numerisch wichtig?

Hermitesche Matrizen haben reelle Eigenwerte und orthogonale Eigenvektoren, was die Verwendung spezialisierter, stabilerer und effizienterer Algorithmen ermöglicht und garantiert, dass die berechneten Energien reell sind und mit der Physik übereinstimmen.