Álgebra Lineal Numérica y Problemas de Autovalores en Física

La discretización de un operador físico transforma la física en matrices, y la determinación de las energías y modos de un sistema se convierte en el problema numérico de resolver grandes sistemas lineales y calcular autovalores y autovectores.

Definition

El álgebra lineal numérica en física es el conjunto de algoritmos para resolver ecuaciones matriciales y problemas de autovalores que surgen cuando los operadores físicos continuos se representan en una base finita o en una malla.

Scope

Este tema abarca los cálculos matriciales centrales en física: la resolución de sistemas lineales mediante métodos directos e iterativos, y el cálculo de autovalores y autovectores de matrices grandes, a menudo dispersas y hermíticas, mediante algoritmos QR, Jacobi, Lanczos y de gradiente conjugado. Se enfatiza la estructura de las matrices físicas, como la dispersión y la hermiticidad.

Core questions

• ¿Cómo se resuelven grandes sistemas lineales de la física discretizada sin formar inversas densas?
• ¿Cómo se calculan numéricamente los autovalores y autovectores de una matriz hamiltoniana?
• ¿Por qué se prefieren los métodos iterativos de Krylov para matrices grandes y dispersas en lugar de la factorización directa?
• ¿Cómo extrae el algoritmo de Lanczos unos pocos autovalores extremos de una enorme matriz hermítica dispersa?

Key theories

Solucionadores lineales directos e iterativos

Los sistemas lineales se resuelven mediante factorización directa, como LU y Cholesky, exactas hasta el error de redondeo, o mediante métodos iterativos de Krylov, como los gradientes conjugados, que explotan la dispersión y convergen a una tolerancia.

Algoritmos de autovalores

Los autovalores y autovectores se calculan mediante el algoritmo QR y las rotaciones de Jacobi para matrices densas, lo que proporciona el espectro discreto de un operador físico representado en una base finita.

Métodos de Lanczos y subespacios de Krylov

El algoritmo de Lanczos construye una pequeña proyección tridiagonal de una gran matriz hermítica dispersa en un subespacio de Krylov, lo que permite encontrar unos pocos autovalores y autovectores extremos sin necesidad de almacenar la matriz completa.

Clinical relevance

Estos algoritmos calculan niveles de energía y funciones de onda en mecánica cuántica, modos normales de vibración, estructuras de banda en sólidos y los sistemas lineales detrás de las ecuaciones de campo discretizadas, lo que los hace indispensables en la simulación de estructura electrónica y materia condensada.

History

El cálculo práctico de autovalores matriciales maduró a mediados del siglo XX con la iteración de Lanczos de 1950 y el algoritmo QR de principios de la década de 1960; el surgimiento de grandes problemas dispersos en física hizo que los métodos de subespacios de Krylov fueran las herramientas dominantes para los espectros de hamiltonianos de alta dimensión.

Key figures

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

Seminal works

• golub2013
• lanczos1950

Frequently asked questions

¿Por qué usar métodos iterativos en lugar de simplemente diagonalizar toda la matriz?

Los hamiltonianos físicos pueden tener dimensiones de miles de millones, pero son dispersos, por lo que almacenarlos o factorizarlos completamente es imposible. Los métodos iterativos de Krylov como Lanczos solo necesitan la acción de la matriz sobre un vector y pueden extraer los pocos autoestados más bajos que suelen ser de interés en física.

¿Por qué la hermiticidad de las matrices físicas es importante numéricamente?

Las matrices hermíticas tienen autovalores reales y autovectores ortogonales, lo que permite utilizar algoritmos especializados, más estables y eficientes, y garantiza que las energías calculadas sean reales, lo que concuerda con la física.