COMPUTERSIMULATIONEN Ein Überblick Ziel: Vorhersage der makroskopischen Eigenschaften eines Systems…. Geht das? Newton: Ja: F=ma gibt an, wie sich das System mit der Zeit entwickelt Laplace: Im Prinzip… wenn wir die Position, Geschwindigkeit und Wechselwirkung aller Teilchen wissen Boltzmann: Ja: Bestimmung des Phasenraumintegrals. Problem: Anzahl der Teilchen Anzahl der Teilchen macht Berechnungen (fast) unmöglich… einfache Modelle (“molekulares Lego”): J.D. Bernal Watson & Crick … außer man hat einen Computer Computer immer schneller Immer komplexere Berechnungen möglich! Warum Simulationen? theoretische Physik nicht viele Systeme exakt lösbar experimentelle Physik nicht alle Konditionen realisierbar nicht alle Prozesse direkt beobachtbar Interpretation „computational physics“: Simulationen Warum Simulationen? • Nachahmung der echten Welt • Eigenschaften von (neuen) Materialien • Extreme Bedingungen (Temperatur, Druck) • Phänomene auf molekularer Skala verstehen • Modellsysteme • Theorie an einfachen Systemen testen • Schlecht verstandene Phänomene: Reduktion auf essentielle Physik • Modell testen durch Reproduktion bekannter Phänomene Nachahmung der echten Welt Materialeigenschaften: z.B. Kohlenwasserstoffe Berechnung d. Phasengleichgewichts Nachahmung der echten Welt Extreme Bedingungen: • Kohlenstoff-reiche weiße Riesen oder Gasplaneten wie Uranus & Neptun: hoher Druck im Inneren: Kristallisation von Diamanten? • Bedingungen auf Erde nicht experimentell realisierbar • Simulationen zeigen: Nukleation extrem selten Ghiringhelli, Mol. Phys. (2010) Nachahmung der echten Welt Molekulare Prozesse verstehen: • Strukturelle Änderung von Proteinen • Empirische Potentiale Dobson (2003) Beispiel: http://www.youtube.com/watch?v=gFcp2Xpd29I&& Einfache Modelle Vorhersagen • 1950er: attraktive Wechselwirkung für Kristallbildung? • Bernie Alder: Computersimulationen von harten Kugeln • Konferenz 1957: Abstimmung endet unentschieden! • Experimentelle Bestätigung an Kolloiden harte Kugeln frieren bei hohen Dichten Yethiraj, Nature (2003) Einfache Modelle Essentielle Physik & Testen des Modells • Proteinfaltung ist sehr komplex • Gittermodel hilft zu generellem Verständnis Limits von Simulationen • Standard Simulationen können nicht alle Skalen von Beschreibung nötig • + Input von Experimenten nm • Verschiedene Level der μm mm mikroskopic (nm,ps) and makroskopisch (Zellen, Menschen, Planeten) überbrücken. Limits von Experimenten fs ps ns μm • Experimente genieren mehr Daten, als von Menschen analysiert werden können: Simulationen können bei Analyse helfen ms s Computersimulationen Ziel von Computersimulationen: Berechnung physikalischer Eigenschaften durch geeignete Mittelwertbildung im Phasenraum Molekulardynamik: Berechnet Zeitmittelwerte (deterministisch; endliches T) Monte Carlo: Berechnet Ensemblemittelwerte (stochastisch; endliche Abtastung von G) Ergodenhypothese! Molekulardynamik 1956: Molekulardynamik von 32 harten Kugeln Bernie Alder, Mary-Ann Mansigh, Tom Wainwright (Uni California) 1964: Rahman & Verlet: MD von Lennard-Jones System ~1970: Simulationen beginnen sich durchzusetzen Molekulardynamik Basiert auf Newtons Bewegungsgleichungen i = 1, …, N Die Kraft F ist der Gradient des Potentials V: Wenn das Potential V gegeben ist: Integration der Trajektorie x(t) des Systems als Funktion der Zeit Molekulardynamik: Diskretisierung N-Körper Problem, kann meist nur numerisch gelöst werden: Diskretisierung der Zeit: t = it, i=1,…, NT t ~ 10-15s (systemabhängig) 1ms Simulationsdauer NT ~ 109 (auch systemabhängig) und: Naïve Näherung: Aber: • nicht zeit-reversibel • Volumen im Phasenraum nicht konstant • Energie-Erhaltung nicht gegeben Molekulardynamik: Verlet-Algorithmus Verlet Algorithmus: 1 𝑣 𝑡 ~ 𝑥 𝑡 + ∆𝑡 − 𝑟(𝑡 − ∆𝑡) 2∆𝑡 • zeitreversibel • erhält Phasenraumvolumen • Energie = konstant Molekulardynamik: andere Algorithmen • Es gibt auch andere Algorithmen • z.B. Velocity-Verlet • Unterscheiden sich in Stabilität, numerischer Aufwand, Genauigkeit [z.B. Fehler in Geschwindigkeiten in Verlet: O(t2)] • Wie wirkt sich die endliche Genauigkeit aus? Molekulardynamik: Chaos Systeme sind chaotisch Lyapunov Instabilität Molekulardynamik: Schattentheorem • Schattentrajektorie Gute Algorithmen generieren numerische Trajektorien die “nahe” an einer echten Trajektorie des Systems sind numerische Trajektorie “reale” Trajektorie Molekulardynamik: Pseudocode Molekulardynamik: Potentiale • empirischen Kraftfeldern : O(N2); • 2 vs. Mehrkörper-Kräfte • semi-empirischen Methoden • quantenmechanischen Methoden („ab-initio“): • zeitintensiv: O(N3); aber akurat • QM/MM (Quantenmechanik/Molekulare Mechanik) Methode • „Coarse graining“ • Reduzierung von Details • Implizite/explizite Lösungsmittel Abeln (2008) Molekulardynamik: Ensembles Molekulardynamik simuliert das mikrokanonische Ensemble • Eges konstant, Austausch zw. kinetischer und potentieller Energie • Temperatur fluktuiert Andere Ensembles: • Thermostate • reskalieren die Geschwindigkeiten; unphysikalisch • Halten dadurch T konstant -> simulieren kanonisches Ensemble • Barostate (-> isobar-isothermes Ensemble) Molekulardynamik: Mittelwerte • Berechnung von Mittelwerten: z.B.: 3𝑁𝑘𝐵 Monte Carlo • Idee von Enrico Fermi, 1930er • 1. Implementation: ~1946 S. Ulam & J. von Neumann; Metropolis, Rosenbluth, Teller, ... • in Los Alamos; Codename „Monte Carlo“; lief auf ENIAC • unabhängig auch von B. Alder, J. Kirkwood und S. Frankel erfunden • 1957: Wood & Parker: Lennar Jones System Monte Carlo In Monte Carlo Simulationen werden zur Berechnung von Observablen Ensemblemittelwerte ausgewertet • z.B. im kanonischen Ensemble Zentrale Frage: wie wählt man die {zi}? • In Monte Carlo: gemäß einer vorgegebenen Wahrscheinlichkeitsverteilung {pi} ausgewählt; Monte Carlo Anschauliches Beispiel fuer die Wahl von {pi}: “brute force” vs. importance sampling Monte Carlo: Importance sampling Die {pi} werden gemäß der Verteilungsfunktion r(z) ausgewählt, die das Ensemble charakterisiert, also pi r (zi) • konkret für das kanonische Ensemble gilt somit und folglich: Wie kann man nun die Zustände a priori so wählen, sodaß ihre Wahrscheinlichkeiten pi gemäß verteilt sind? Monte Carlo: Markov Prozeß • Ausgehend von einem Zustand zo wird ein neuer, zufälliger Zustand zn erzeugt • Die Wahrscheinlichkeit, daß aus zo („o“) der Zustand zn („n“) erzeugt wird: 𝜋(𝑜 → 𝑛) mit 𝜋 𝑜 → 𝑛 = 1 𝑛 • Wiederholte Anwendung des Markov Prozesses = Markov Kette • In Monte Carlo Simulationen werden durch speziell konstruierte Markov Ketten Folgen von Zuständen erzeugt • Wie garantiert man, daß die Wahrscheinlichkeiten dieser Markov Kette 'im Gleichgewicht' nach einer kanonischen Verteilungsfunktion verteilt sind? Monte Carlo: Gleichgewicht Die Regeln, nach denen wir Teilchen bewegen, dürfen das Gleichgewicht nicht stören Konzept der “detailed balance”: WS, in Zustand “o” zu sein p p WS, von “o” nach “n” zu wechseln mit: WS, aus “o” “n” zu generieren WS, “n” zu akzeptieren Monte Carlo: Metropolis Algorithmus ir WS, aus “o” “n” zu generieren WS, “n” zu akzeptieren Wählen Dann im kanonischen Ensemble: p p H und: p p = min 1, 𝑒 −𝛽 𝐻 p p 𝑛 −𝐻(𝑜) H Monte Carlo • da die zeitliche Entwicklung bei Monte Carlo Simulationen keine Rolle spielt, werden in den zi (also „n“, „o“) die Impulse weggelassen: H(zi) • Beispiel f. Mittelwert Im kanonischen Ensemble 𝐸 = Und 1 𝑁𝑘 𝑁𝑘 𝑖=1 𝐸 𝑧𝑖 und 𝐸2 − 𝐸 2 𝑘𝐵 𝑇2 = 𝐶𝑉 𝐸2 = 1 𝑁𝑘 𝑁𝑘 2 𝐸 𝑖=1 𝑧𝑖 Monte Carlo: Algorithmus (NVT) separate Equilibrierungs & Produktionsphase! Monte Carlo: Ensembles • Implementierung unterschiedlicher Ensembles relativ leicht • Kanonisch: N, V, T = const; Teilchen-Moves • Isobar-Isotherm: N, P, T= const; Teilchen und Volums-Moves • Großkanonisch: μ, V, T = const; Teilchen-Moves & -Erzeugung/-Vernichtung • Stärke: unphysikalische Moves können implementiert werden, solange sie detailed balance erfüllen: Simulationen schneller • Potentiale (coarse grained, etc) analog zur Molekulardynamik • Monte Carlo: dynamische Größen können generell nicht berechnet werden • Nichtgleichgewichtssimulationen