Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
| 물리:재규격화_변환_renormalization_transformation [2022/01/16 11:06] – minwoo | 물리:재규격화_변환_renormalization_transformation [2023/09/05 15:46] (current) – external edit 127.0.0.1 | ||
|---|---|---|---|
| Line 4: | Line 4: | ||
| 하나는 coarse graining 과정, 다른 하나는 rescaling 이다. | 하나는 coarse graining 과정, 다른 하나는 rescaling 이다. | ||
| - | coarse graining은 ' | + | coarse graining은 ' |
| 아래의 ' | 아래의 ' | ||
| Line 20: | Line 20: | ||
| - | {{:: | + | {{:: |
| 그 2x2 정사각형 내의 왼쪽 아래에 위치한 스핀의 부호를 택하여, 나머지 3개의 스핀까지 같은 스핀으로 둔 방식이다. | 그 2x2 정사각형 내의 왼쪽 아래에 위치한 스핀의 부호를 택하여, 나머지 3개의 스핀까지 같은 스핀으로 둔 방식이다. | ||
| + | |||
| + | 이러한 방식을 ' | ||
| + | |||
| + | 다른 변환 방식으로는 ' | ||
| + | |||
| + | 그래서 이러한 과정을 coasre graining이라고 부르는데, | ||
| + | |||
| + | $\\$ $\\$ 같은 방식으로 128x128개의 스핀 배열을 예로 들어, 아래의 그림들로 보다 명확히 살펴볼 수 있다. | ||
| + | |||
| + | (각각 ' | ||
| + | {{:: | ||
| + | $\\$ | ||
| + | {{:: | ||
| + | |||
| + | ($\beta=0.5$ 로 설정하였고, | ||
| + | |||
| + | 위에서 설명한 decimation의 방식을 택하여 시뮬레이션을 수행해 보기 위해, 아래의 C++ 코드를 이용할 수 있으며, | ||
| + | |||
| + | [[물리: | ||
| + | |||
| + | (spin : 스핀 배열 원본, deci : decimation을 적용시킨 블록 스핀 배열) | ||
| + | |||
| + | <code C++> | ||
| + | #include < | ||
| + | #include < | ||
| + | #include < | ||
| + | #include < | ||
| + | #include < | ||
| + | |||
| + | using namespace std; | ||
| + | |||
| + | int main() { | ||
| + | const int lsize=30; | ||
| + | const float beta = 0.5; | ||
| + | const float J = 1; | ||
| + | const int MC_steps=1000; | ||
| + | const int iter=lsize*lsize*5000; | ||
| + | |||
| + | int i; int j; | ||
| + | float del_E; float mp_probability; | ||
| + | float spin[lsize][lsize] = { 0 }; | ||
| + | float deci[lsize][lsize] = { 0 }; | ||
| + | random_device rd; | ||
| + | mt19937 gen(rd()); | ||
| + | bernoulli_distribution distrib(0.5); | ||
| + | uniform_int_distribution<> | ||
| + | uniform_real_distribution<> | ||
| + | |||
| + | for (int t=0; t< | ||
| + | if (t==0){ | ||
| + | for (int a=0; | ||
| + | for (int b=0; | ||
| + | if (distrib(gen)){ | ||
| + | spin[a][b]=1; | ||
| + | } | ||
| + | else { | ||
| + | spin[a][b]=-1; | ||
| + | } | ||
| + | } | ||
| + | } | ||
| + | } | ||
| + | |||
| + | else { | ||
| + | i = distri(gen); | ||
| + | j = distri(gen); | ||
| + | |||
| + | if (i< | ||
| + | del_E=2*J*(spin[i][j]*(spin[i-1][j] + spin[i+1][j] + spin[i][j-1] + spin[i][j+1])); | ||
| + | } | ||
| + | else if (i==lsize-1 && j< | ||
| + | del_E=2*J*(spin[i][j]*(spin[i-1][j] + spin[0][j] + spin[i][j-1] + spin[i][j+1])); | ||
| + | } | ||
| + | |||
| + | else if (i< | ||
| + | del_E=2*J*(spin[i][j]*(spin[i-1][j] + spin[i+1][j] + spin[i][j-1] + spin[i][0])); | ||
| + | } | ||
| + | |||
| + | else if (i==lsize-1 && j==lsize-1){ | ||
| + | del_E=2*J*(spin[i][j]*(spin[i-1][j] + spin[0][j] + spin[i][j-1] + spin[i][0])); | ||
| + | } | ||
| + | |||
| + | if (exp(-beta*del_E) < 1){ | ||
| + | mp_probability = exp(-beta*del_E); | ||
| + | } | ||
| + | |||
| + | else if (exp(-beta*del_E) >= 1) { | ||
| + | mp_probability = 1; | ||
| + | } | ||
| + | |||
| + | if (dist(gen) < mp_probability){ | ||
| + | spin[i][j] = spin[i][j]*(-1); | ||
| + | } | ||
| + | } | ||
| + | |||
| + | for (int a=0; | ||
| + | for (int b=0; | ||
| + | if ((a+1)%2==0 && (a+b)%2==1){ | ||
| + | deci[a][b] = spin[a][b]; | ||
| + | deci[a][b+1] = spin[a][b]; | ||
| + | deci[a-1][b+1] = spin[a][b]; | ||
| + | deci[a-1][b] = spin[a][b];// | ||
| + | } | ||
| + | } | ||
| + | } | ||
| + | |||
| + | } | ||
| + | return 0; | ||
| + | } | ||
| + | |||
| + | </ | ||
| + | |||