İçeriğe geçScholarGate
KütüphaneKitaplığımMasaReview StudioAsistan
Giriş
Bu sayfada
SezgiNasıl çalışırNe zaman kullanılırGüçlü yönler & sınırlılıklarYaygın tuzaklarUygulamalarSSS🔒 Tam yöntemi okuKaynaklarİlişkili yöntemler
Bu sayfaya atıf yapBu sayfada bir hata mı var? Bildir / düzeltme öner →
Ana sayfa›Kuantum hesaplama›Sıkı Bağlama Modeli (Tight-Binding Model)
Machine learningBand Structure Method

Sıkı Bağlama Modeli (Tight-Binding Model)

Tight-Binding Model · Ayrıca şöyle bilinir: TB model, hopping model

Sıkı Bağlama (TB) modeli, katıların elektronik bant yapılarının ve özelliklerinin hesaplanması için basitleştirilmiş, yarı-ampirik bir yaklaşımdır. Slater ve Koster tarafından 1954'te formüle edilen TB, atomik bölgeler arasındaki elektron sıçramasını baskın etkileşim olarak ele alır ve çok çeşitli malzemeler için bant dispersiyonunun verimli hesaplanmasını sağlar.

ScholarGate
  1. Machine learning
  2. v1
  3. 3 Kaynaklar
  4. PUBLISHED
Bu sayfaya atıf yap →
Araçlar & kaynaklar
Slaytları indir
Öğren & keşfet

Tam yöntemi oku

Yalnızca üyeler

Bu bölümü okumak için ücretsiz hesapla giriş yapın.

Giriş yap

Yöntem haritası

İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.

Sıkı Bağlama Modeli (Tight-Binding Model)
Yoğunluk Fonksiyonel Teo…KKR Yöntemi

Ne zaman kullanılır

TB, bant yapısının nitel anlaşılması ve elektronik özelliklerin hızlı tahminleri için kullanılır. Özellikle parametrelerin ab initio yöntemlerle hesaplanmasının pahalı olduğu yeni malzemeler (grafen, topolojik yalıtkanlar) için değerlidir.

Güçlü yönler & sınırlılıklar

Güçlü yönler
  • Hesaplama açısından çok ucuzdur; küçük matrislerin köşegenleştirilmesi.
  • Elektronik yapı için net fiziksel sezgi sağlar.
  • Bant yapısı özelliklerini ve bant aralıklarını nitel olarak yakalar.
  • DFT hesaplamalarının imkansız olduğu geniş sistemler için kullanışlıdır.
  • Topolojik özelliklerin ve anomalilerin anlaşılması için temel oluşturur.
Sınırlılıklar
  • Yarı-ampirik: parametreler genellikle deney veya ab initio sonuçlarına uydurulur.
  • Mutlak enerjileri veya çok parçacıklı etkileri güvenilir bir şekilde tahmin edemez.
  • Orbital karakter karışımının ve hibritleşmenin zayıf tanımı.
  • Parametrelendirme sisteme büyük ölçüde bağlıdır; evrensel olarak aktarılabilir değildir.
  • Uyarılmış durumlar erişilebilir değildir; TB doğası gereği tek parçacıklıdır.

SSS

Sıkı bağlama parametreleri nasıl belirlenir?

Parametreler DFT bant yapılarına, deneysel spektrumlara uydurulabilir veya Wannier fonksiyonları kullanılarak birinci prensip hesaplamalarından çıkarılabilir. Yaygın malzemeler için literatür değerleri mevcuttur.

TB ve DFT arasındaki fark nedir?

DFT ab initio'dur (serbest parametre yok) ve birçok özellik için doğrudur. TB yarı-ampiriktir, daha hızlı ancak daha az doğrudur. TB sezgi ve hızlı tahminler için kullanışlıdır; DFT nicel tahminler için.

TB elektron etkileşimlerini içerebilir mi?

Standart TB etkileşimsizdir. Hubbard modeli yerinde itmeyi ekler. Ortalama alan yaklaşımları (TB Hamilton matrisi üzerinde Hartree-Fock) elektron-elektron etkilerini kısmen içerir.

TB uyarılmış durumlar için uygun mudur?

Standart TB tek parçacık uyarılmalarını (bant yapısı) verir. Çok parçacıklı uyarılmalar Bethe-Salpeter denklemi veya çok parçacıklı pertürbasyon teorisi gibi uzantılar gerektirir.

TB bant aralıkları ne kadar doğrudur?

Uydurulan k-noktalarındaki TB bant aralıkları genellikle doğrudur. Uydurulan noktalardan uzakta doğruluk parametrelendirmeye bağlıdır. Mutlak bant aralıkları genellikle deneyden %20-50 farklıdır.

Kaynaklar

  1. Slater, J. C., Koster, G. F. (1954). Simplified LCAO method for the periodic potential problem. Physical Review, 94, 1498–1524. DOI: 10.1103/PhysRev.94.1498 ↗
  2. Ashcroft, N. W., Mermin, N. D. (1976). Solid State Physics. Holt, Rinehart and Winston. link ↗
  3. Mahan, G. D. (2000). Many-Particle Physics (3rd ed.). Kluwer Academic/Plenum Publishers. link ↗

Bu sayfayı kaynak gösterin

ScholarGate. (2026, June 3). Tight-Binding Model. ScholarGate. https://scholargate.app/tr/quantum-computing/tight-binding-model

İlişkili yöntemler

Yoğunluk Fonksiyonel TeorisiKKR Yöntemi

Hangi yöntem?

Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.

  • Yoğunluk Fonksiyonel TeorisiKuantum hesaplama↔ karşılaştır
  • KKR YöntemiKuantum hesaplama↔ karşılaştır
Yan yana karşılaştır →

Bu yönteme atıf yapanlar

KKR Yöntemi

Benzer yöntemler

Yoğunluk Fonksiyonel TeorisiKKR YöntemiYoğun Madde Matrisi Yeniden Normalleştirme Grubu (DMRG)Kuantum Monte CarloMoller-Plesset Pertürbasyon TeorisiZaman-Bağımlı DFTİtelenmiş Elastik Bant Yöntemi

İlgili referans kavramlar

Neredeyse Serbest Elektron ve Sıkı Bağlanma ModelleriElektronik Bant TeorisiElektronik Yapı ve Yoğunluk Fonksiyonel KuramıKatıların Elektronik Yapısıİnorganik Katıların Elektronik YapısıYoğunluk Fonksiyonel Teorisi

Bu sayfada bir hata mı var? Bildir / düzeltme öner →

ScholarGate — Tight-Binding Model (Tight-Binding Model). 2026-07-21 tarihinde şu adresten erişildi: https://scholargate.app/tr/quantum-computing/tight-binding-model · Veri seti: https://doi.org/10.5281/zenodo.20539026
Hızlı bilgiler
Originator
John Slater and George Koster
Subfamily
Band Structure Method
Year
1954
Type
Simplified electronic structure model
İlişkili yöntemler
Yoğunluk Fonksiyonel TeorisiKKR Yöntemi
ScholarGate

Araştırma yöntemleri için içerik öncelikli bir referans kütüphanesi — her yöntemin ne olduğu, nasıl çalıştığı ve nereden geldiği.

Açık veri (CC-BY)

Keşfet

  • Kütüphane
  • Yöntemlerde ara…
  • Alanlara göre gez
  • Alanlar
  • Yolculuk
  • Karşılaştır
  • Hangi yöntem?

Başvuru

  • Konular
  • Atlas
  • Sözlük
  • Metodoloji
  • Felsefe

Çalışma alanı

  • Kitaplığım
  • Masa
  • Sohbet

Şirket

  • Hakkımızda
  • Fiyatlandırma
  • İletişim
  • Yöntem öner

Kayıtlar, başvuru amacıyla yayımlanmış kaynaklardan derlenmiştir. Herhangi bir bilginin doğruluğunu ve kendi kullanımınıza uygunluğunu denetlemek sizin sorumluluğunuzdadır.

© 2026 ScholarGate · Araştırma yöntemleri referans kütüphanesi
  • Gizlilik
  • Çerezler
  • Koşullar
  • Hesabı sil