Algoritmo de Wang-Landau

Introdução

Simulações computacionais, como o método de Monte Carlo, são vastamente utilizadas para estudar transições de fase e fenômenos críticos. O método padrão para simulações de Monte Carlo é o algoritmo de Metropolis, entretanto, algoritmos novos e mais eficientes são usados em simulações modernas, como o algoritmo de Wang-Landau. Ao contrário dos métodos convencionais de Monte Carlo, que geram diretamente uma distribuição canônica $g(E)e^{-E/k_{B}T}$ a uma dada temperatura $T$, a abordagem de Wang-Landau estima a densidade de estados $g(E)$ diretamente por meio de um passeio aleatório, que produz um histograma plano no espaço de energia $H(E)$. <REF WANG LANDAU>

Amostragem de Wang-Landau

No início da simulação, $g(E)$ é desconhecido e fazemos uma estimativa inicial para ele. A abordagem mais simples é definir $g(E)=1$ para todas as energias possíveis $E$. A configuração de spin inicial para toda a rede pode ser escolhida arbitrariamente. Então, uma caminhada aleatória no espaço de energia é iniciada pela formação de estados de teste, cada um dos quais é produzido escolhendo aleatoriamente um spin e alterando aleatoriamente seu estado.

Cada vez que uma energia $E$ é visitada, a entrada correspondente em $H(E)$ é incrementada em 1. A estimativa de $g(E)$ é então modificada por um fator multiplicativo $f$, e o valor atualizado realiza um passeio aleatório adicional no espaço de $E$.

Se $E_{1}$ e $E_{2}$ são energias antes e depois de um valor de spin ser alterado, a probabilidade de transição da energia $E_{1}$ para $E_{2}$ é

$p(E_{1}\rightarrow E_{2})=min\left({\frac {g(E_{1})}{g(E_{2})}},1\right).$

A razão das probabilidades de transição de $E_{1}$ para $E_{2}$ e de $E_{2}$ a $E_{1}$ podem ser calculados como

${\frac {p(E_{1}\rightarrow E_{2})}{p(E_{2}\rightarrow E_{1})}}={\frac {g(E_{1})}{g(E_{2})}}.$

Logo, o algoritmo de passeio aleatório satisfaz o equilíbrio detalhado:

${\frac {1}{g(E_{1})}}p(E_{1}\rightarrow E_{2})={\frac {1}{g(E_{2})}}p(E_{2}\rightarrow E_{1}),$

onde $1/g(E1)$ é a probabilidade na energia $E_{1}$ e $p(E_{1}\rightarrow E_{2})$ é a probabilidade de transição de $E_{1}$ para $E_{2}$.

Algoritmo

Resumindo, o passo a passo do algoritmo pode ser escrito como:

1. Seto $g(E)=1$ e um fator de modificação $f=e$;

2. Aleatoriamente, flipo um spin com probabilidade $p(E_{1}\to E_{2})=min(g(E_{1})/g(E_{2}),1)$;

3. Modifico a densidade de estados $g(E)\to g(E)\times f$ e atualizo o histograma $H(E)$;

4. Continuo até o histograma estar reto, então diminuo o valor de $f$ e reseto o valor de $H(E)$;

5. Repito 2-4 até $\ln f\approx 1$.

Aplicação ao Modelo de Ising 2D

Modelo de Ising

Uma rede 2D que consiste de uma variável discreta em cada sítio que pode ser usada para representar o momento de dipolo magnético de um átomo.

Cada sítio pode ter o valor de spin $+1$ ou $-1$.

O hamiltoniano pode ser calculado por

${\mathcal {H}}=-J\sum _{\langle ij\rangle }\sigma _{i}\sigma _{j}$

A soma ocorre sobre todos sítios vizinhos e a interação é ferromagnética para $J>0$ e antiferromagnética para $J<0$.

Resultados