Algèbre linéaire numérique et problèmes aux valeurs propres en physique

La discrétisation d'un opérateur physique transforme la physique en matrices, et la détermination des énergies et des modes d'un système devient le problème numérique de la résolution de grands systèmes linéaires et du calcul des valeurs et vecteurs propres.

Definition

L'algèbre linéaire numérique en physique est l'ensemble des algorithmes permettant de résoudre des équations matricielles et des problèmes aux valeurs propres qui apparaissent lorsque des opérateurs physiques continus sont représentés dans une base finie ou sur une grille.

Scope

Ce sujet couvre les calculs matriciels centraux en physique : la résolution de systèmes linéaires par des méthodes directes et itératives, et le calcul des valeurs et vecteurs propres de grandes matrices hermitiennes, souvent creuses, via les algorithmes QR, de Jacobi, de Lanczos et du gradient conjugué. Il met l'accent sur la structure des matrices physiques, telles que la parcimonie et l'hermiticité.

Core questions

• Comment les grands systèmes linéaires issus de la physique discrétisée sont-ils résolus sans former d'inverses denses ?
• Comment les valeurs et vecteurs propres d'une matrice hamiltonienne sont-ils calculés numériquement ?
• Pourquoi les méthodes itératives de Krylov sont-elles préférées pour les grandes matrices creuses par rapport à la factorisation directe ?
• Comment l'algorithme de Lanczos extrait-il quelques valeurs propres extrêmes d'une énorme matrice hermitienne creuse ?

Key theories

Solveurs linéaires directs et itératifs

Les systèmes linéaires sont résolus soit par factorisation directe, comme LU et Cholesky, exacte à l'erreur d'arrondi près, soit par des méthodes itératives de Krylov, telles que les gradients conjugués, qui exploitent la parcimonie et convergent vers une tolérance.

Algorithmes de valeurs propres

Les valeurs et vecteurs propres sont calculés par l'algorithme QR et les rotations de Jacobi pour les matrices denses, donnant le spectre discret d'un opérateur physique représenté dans une base finie.

Méthodes de Lanczos et de sous-espace de Krylov

L'algorithme de Lanczos construit une petite projection tridiagonale d'une grande matrice hermitienne creuse dans un sous-espace de Krylov, permettant de trouver quelques valeurs et vecteurs propres extrêmes sans jamais stocker la matrice complète.

Clinical relevance

Ces algorithmes calculent les niveaux d'énergie et les fonctions d'onde en mécanique quantique, les modes normaux de vibration, les structures de bande dans les solides, et les systèmes linéaires sous-jacents aux équations de champ discrétisées, les rendant ainsi indispensables dans la simulation de la structure électronique et de la matière condensée.

History

Le calcul pratique des valeurs propres matricielles a mûri au milieu du XXe siècle avec l'itération de Lanczos en 1950 et l'algorithme QR au début des années 1960 ; l'émergence de grands problèmes creux en physique a fait des méthodes de sous-espace de Krylov les outils dominants pour les spectres des hamiltoniens de haute dimension.

Key figures

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

Seminal works

• golub2013
• lanczos1950

Frequently asked questions

Pourquoi utiliser des méthodes itératives au lieu de simplement diagonaliser la matrice entière ?

Les hamiltoniens physiques peuvent avoir des dimensions de l'ordre du milliard mais sont creux, de sorte qu'il est impossible de les stocker ou de les factoriser entièrement. Les méthodes itératives de Krylov comme Lanczos n'ont besoin que de l'action de la matrice sur un vecteur et peuvent extraire les quelques états propres les plus bas qui intéressent généralement la physique.

Pourquoi l'hermiticité des matrices physiques est-elle importante numériquement ?

Les matrices hermitiennes ont des valeurs propres réelles et des vecteurs propres orthogonaux, ce qui permet d'utiliser des algorithmes spécialisés, plus stables et plus efficaces, et garantit que les énergies calculées sont réelles, correspondant à la physique.