Álgebra Linear Numérica e Problemas de Autovalores em Física

A discretização de um operador físico transforma a física em matrizes, e a descoberta das energias e modos de um sistema torna-se o problema numérico de resolver grandes sistemas lineares e calcular autovalores e autovetores.

Definition

A álgebra linear numérica em física é o conjunto de algoritmos para resolver equações matriciais e problemas de autovalores que surgem quando operadores físicos contínuos são representados em uma base finita ou em uma grade.

Scope

Este tópico abrange os cálculos matriciais centrais para a física: resolução de sistemas lineares por métodos diretos e iterativos, e cálculo de autovalores e autovetores de matrizes Hermitianas grandes, frequentemente esparsas, através de algoritmos QR, Jacobi, Lanczos e gradiente conjugado. Enfatiza a estrutura de matrizes físicas, como esparsidade e Hermiticidade.

Core questions

• Como grandes sistemas lineares da física discretizada são resolvidos sem formar inversas densas?
• Como os autovalores e autovetores de uma matriz Hamiltoniana são calculados numericamente?
• Por que os métodos iterativos de Krylov são preferidos para grandes matrizes esparsas em detrimento da fatoração direta?
• Como o algoritmo de Lanczos extrai alguns autovalores extremos de uma enorme matriz Hermitiana esparsa?

Key theories

Solucionadores lineares diretos e iterativos

Sistemas lineares são resolvidos por fatoração direta, como LU e Cholesky, exatos até o erro de arredondamento, ou por métodos iterativos de Krylov, como gradientes conjugados, que exploram a esparsidade e convergem para uma tolerância.

Algoritmos de autovalores

Autovalores e autovetores são calculados pelo algoritmo QR e rotações de Jacobi para matrizes densas, fornecendo o espectro discreto de um operador físico representado em uma base finita.

Métodos de Lanczos e subespaço de Krylov

O algoritmo de Lanczos constrói uma pequena projeção tridiagonal de uma grande matriz Hermitiana esparsa em um subespaço de Krylov, permitindo que alguns autovalores e autovetores extremos sejam encontrados sem nunca armazenar a matriz completa.

Clinical relevance

Esses algoritmos calculam níveis de energia e funções de onda em mecânica quântica, modos normais de vibração, estruturas de banda em sólidos e os sistemas lineares subjacentes a equações de campo discretizadas, tornando-os indispensáveis em simulações de estrutura eletrônica e matéria condensada.

History

O cálculo prático de autovalores de matrizes amadureceu em meados do século XX com a iteração de Lanczos de 1950 e o algoritmo QR do início da década de 1960; o surgimento de grandes problemas esparsos na física tornou os métodos de subespaço de Krylov as ferramentas dominantes para espectros de Hamiltonianos de alta dimensão.

Key figures

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

Seminal works

• golub2013
• lanczos1950

Frequently asked questions

Por que usar métodos iterativos em vez de simplesmente diagonalizar a matriz inteira?

Hamiltonianos físicos podem ter dimensões na casa dos bilhões, mas são esparsos, então armazená-los ou fatorá-los completamente é impossível. Métodos iterativos de Krylov, como Lanczos, precisam apenas da ação da matriz em um vetor e podem extrair os poucos autoestados mais baixos que a física geralmente considera relevantes.

Por que a Hermiticidade das matrizes físicas é importante numericamente?

Matrizes Hermitianas possuem autovalores reais e autovetores ortogonais, o que permite o uso de algoritmos especializados, mais estáveis e eficientes, e garante que as energias calculadas sejam reais, correspondendo à física.