易辛模型












易辛模型（英语：Ising model，/ˈaɪsɪŋ/，德语：[ˈiːzɪŋ]），是一個以物理學家恩斯特·伊辛為名的數學模型，用於描述物質的鐵磁性。該模型中包含了可以用來描述單個原子磁矩的參數σi{displaystyle sigma _{i}}sigma_i ，其值只能為+1或-1，分別代表自旋向上或向下，這些磁矩通常會按照某種規則排列，形成晶格，並且在模型中會引入特定交互作用的參數，使得相鄰的自旋互相影響。雖然該模型相對於物理現實是一個相當簡化的模型，但它卻和鐵磁性物質一樣會產生相變。事實上，一個二維的方晶格易辛模型（英语：square-lattice Ising model）是已知最簡單而會產生相變的物理系統。[1]


易辛模型最早是由物理學家威廉·楞次在1920年發明的，他把該模型當成是一個給他學生恩斯特·易辛的問題。易辛在他一篇1924年的論文中求得了一維易辛模型的解析解，並且證明它不會產生相變。[2]
二維方晶格易辛模型相對於一維的難出許多，因此其解析的描述在一段時間之後才在1943年由拉斯·昂薩格給出。一般來說，二維易辛模型的解析解可由傳遞矩陣法（英语：transfer-matrix method）求得，不過也有幾個和量子場論有關的解法。對於大於三維的易辛模型目前還沒有找到解析解，但其近似解可由諸多方法求得，例如平均場論。




目录






  • 1 定義


    • 1.1 參數


    • 1.2 簡化




  • 2 特性


  • 3 數值模擬


    • 3.1 蒙地卡羅方法


    • 3.2 Metropolis 演算法


      • 3.2.1 演算過程




    • 3.3 將易辛模型視為馬可夫鏈




  • 4 一維易辛模型


    • 4.1 证明


    • 4.2 结论




  • 5 二維易辛模型


  • 6 延伸閱讀


  • 7 相關連結


  • 8 註解





定義


令Λ為所有晶格點的集合，其中每個晶格點都有一個所有和它相鄰的晶格點的集合(在數學上稱之為圖)並使這些晶格點形成一個d維的晶格。對於每個晶格點 k ∈ Λ 都有一個離散變數 σk ，其中 σk  ∈ {+1, −1}，代表一個晶格點的自旋。而所有變數的集合σ = (σk)k∈Λ則稱作 自旋組態。


對於兩個相鄰的晶格點i, j ∈ Λ ，我們可以引入一個交互作用參數Jij，此外，我們可以假設每個自旋j ∈ Λ都和外加的磁場 hj 作用。則整個系統的哈密頓量可寫成:


H(σ)=−∑<i j>Jijσiσj−μ∑jhjσj{displaystyle H(sigma )=-sum _{<i~j>}J_{ij}sigma _{i}sigma _{j}-mu sum _{j}h_{j}sigma _{j}}H(sigma )=-sum _{{<i~j>}}J_{{ij}}sigma _{i}sigma _{j}-mu sum _{{j}}h_{j}sigma _{j}

其中 <ij> 代表晶格點 i 和晶格點 j 是相鄰的的晶格點。因此哈密頓量的第一項為對每一對相鄰晶格點的總和(每一對只算一次)，代表所有自旋之間交互作用的能量，而第二項則是磁場和自旋交互作用的能量。µ是晶格點磁矩的值，值得注意的是，電子的磁矩和他的自旋方向相反，所以哈密頓量的第二項應該要是正號比較合理，但在習慣上，還是會令第二項為負號。[3]


該系統的的組態機率 P(σ)為在熱平衡下某個特定自旋組態 σ 的機率，為波茲曼分布:


Pβ(σ)=e−βH(σ)Zβ,{displaystyle P_{beta }(sigma )={e^{-beta H(sigma )} over Z_{beta }},}P_{beta }(sigma )={e^{{-beta H(sigma )}} over Z_{beta }},


其中 β = (kBT)−1，而:


Zβ=∑σe−βH(σ){displaystyle Z_{beta }=sum _{sigma }e^{-beta H(sigma )}}Z_{beta }=sum _{sigma }e^{{-beta H(sigma )}}


是該機率分布的歸一化常數，在統計力學中又稱做配分函數。對於有為自旋組態函數的物理量 f(σ) ，其期望值可表示為:


⟨f⟩β=∑σf(σ)Pβ(σ){displaystyle langle frangle _{beta }=sum _{sigma }f(sigma )P_{beta }(sigma ),}langle frangle _{beta }=sum _{sigma }f(sigma )P_{beta }(sigma ),



參數


H(σ) 中兩項前的負號是約定俗成的。因為第一項為負號，因此參數 Jij 的正負號決定了該系統的性質，對於每一對 i 和 j :




Jij>0{displaystyle J_{ij}>0}J_{{ij}}>0 ，則該系統為鐵磁性。


Jij<0{displaystyle J_{ij}<0}J_{{ij}}<0 ，則該系統為反鐵磁性。


Jij=0{displaystyle J_{ij}=0}J_{{ij}}=0 表示自旋間無交互作用。


除此之外該系統為 非鐵磁性。


在鐵磁性的易辛模型中，相鄰自旋同方向時能量較低，因此自旋會傾向於同向排列，反之，在反鐵磁性的易辛模型中，相鄰自旋反向的能量較低，因此自旋會頃向於反向排列。


H(σ) 中的第二項為負號，表示自旋頃向於和外加磁場同向，因此 hj 的正負也決定自旋頃向排列的方向。對於所有的j ，如果:




hj>0{displaystyle h_{j}>0}h_{j}>0, 則晶格點 j 頃向於朝向正向。


hj<0{displaystyle h_{j}<0}h_{j}<0, 則晶格點 j 頃向於朝向負向。


hj=0{displaystyle h_{j}=0}h_{j}=0, 表示沒有外加力場作用在自旋上 。



簡化


一個常見的簡化是假設沒有外加的磁場作用在易辛模型上，也就是說，對於所有的 j∈Λ，hj = 0 。利用這項簡化，其哈密頓量可以寫成:


H(σ)=−∑<i j>Jijσiσj.{displaystyle H(sigma )=-sum _{<i~j>}J_{ij}sigma _{i}sigma _{j}.}H(sigma )=-sum _{{<i~j>}}J_{{ij}}sigma _{i}sigma _{j}.


此時易辛模型在反轉所有自旋之下是對稱的:一個外加的力場會破壞這種對稱。


另一個常見的簡化是假設所有相鄰晶格點的交互作用都是相等的，因此可以設 Jij = J 對於所有相鄰的 i, j ∈Λ，而其哈密頓量可以寫:
H(σ)=−J∑<i j>σiσj.{displaystyle H(sigma )=-Jsum _{<i~j>}sigma _{i}sigma _{j}.}H(sigma )=-Jsum _{{<i~j>}}sigma _{i}sigma _{j}.



特性




一維平移不變鐵磁性在無外加場下的易辛模型的所有組態之機率密度投射在二維平面上。


被研究的最透徹易辛模型是在 d 維晶格上，平移不變、鐵磁性並且無外加場的模型。也就是 ：Λ = Zd, Jij = 1, h = 0。


易辛在他1924年的博士論文中，解決了在 d=1 時的情況 ，這個一維的模型可以想像成一排的自旋 ，而每個自旋都只和它左右兩邊的自旋交互作用。這個一模型不會產生相變[4]
，換句話說，對於所有正值的β，任意兩自旋的相關係數 <σiσj> 都對 |i−j| 呈指數衰減:


⟨σiσj⟩β≤Cexp⁡(−c(β)|i−j|){displaystyle langle sigma _{i}sigma _{j}rangle _{beta }leq Cexp(-c(beta )|i-j|)}langle sigma _{i}sigma _{j}rangle _{beta }leq Cexp(-c(beta )|i-j|)


其中c(β)是一個只和β有關的函數。


由此可知。這個系統是無序的。根據一維模型的結論，易辛錯誤的認為任何維度的易辛模型都不會有相變。但事實上，在二維或二維以上的模型中，該系統可以歷經從無序相轉變成有序相的相變。基本上在β值小(高溫)時，系統處在無序相，而β值大(低溫)時，系統處在有序相中。換句話說，當系統在有序相時：


⟨σiσj⟩β≥c′(β)>0.{displaystyle langle sigma _{i}sigma _{j}rangle _{beta }geq c^{prime }(beta )>0.,}langle sigma _{i}sigma _{j}rangle _{beta }geq c^{{prime }}(beta )>0.,


其中c'(β)也是一個只和β有關的函數。


這個性質是首先被魯道夫·佩爾斯(Rudolf Peierls)在1936年證明的[5]
，他的證法後來被稱為佩爾斯論述(Peierls argument)。


在零磁下的二維方晶格易辛模型的解析解後來在1943年被昂薩格解出，他證明了該模型的相關函數（英语：correlation function）和自由能可由一個無交互作用的格點費米子場(noninteracting lattice fermion)來界定。昂薩格在1949年發表了一個決定了自發磁化現象的公式，但卻沒有給出推導過程。後來是楊振寧在1951年發表了第一個正式的推導過程，其中裡面用到了包括塞格極限定理（英语：Szegő limit theorems）和弗雷德霍姆行列式（英语：Fredholm determinant）等數學工具[6]。



數值模擬



蒙地卡羅方法


易辛模型一般來說很難直接進行數值計算，因為他的自旋組態非常之多。考慮一個擁有 L 個晶格點的模型，每個晶格點 σj 有 ±1 兩種可能，因此所有的自旋組態共有 2L 種可能[7]，這個數字會隨著 L 的增加而進行指數增長。這也是為什麼一般在做易辛模型的數值模擬時，都會採用蒙地卡羅方法（Monte Carlo method）[7]


用蒙地卡羅方法來模擬易辛模型所用的哈密頓量為:


H(σ)=−J∑<ij>σiσj−h∑jσj.{displaystyle H(sigma )=-Jsum _{<ij>}sigma _{i}sigma _{j}-hsum _{j}sigma _{j}.}H(sigma )=-Jsum _{{<ij>}}sigma _{i}sigma _{j}-hsum _{{j}}sigma _{j}.

此外，可以假設外加磁場 (h) 為零以簡化模型，因為大部分的問題都只需要用到零磁下的模型。因此，近一步簡化的哈密頓量為


H(σ)=−J∑<ij>σiσj.{displaystyle H(sigma )=-Jsum _{<ij>}sigma _{i}sigma _{j}.}H(sigma )=-Jsum _{{<ij>}}sigma _{i}sigma _{j}.

可以從這個模型計算出的物理量包括該系統在定溫下的比熱和磁化強度等等。[7]



Metropolis 演算法


Metropolis–Hastings演算法是在數值模擬易辛模型時最常用的一種蒙地卡羅方法。[7]這種方法首先要選定一個選擇機率 g(μ, ν)，代表系統在狀態μ下，在所有可能狀態中選到狀態ν的機率。另外還需定義出一個接受機率 A(μ, ν) ，也就是說當系統在狀態μ下，接受系統跳到態ν的機率。如此的設計是為了讓系統達到細緻平衡。如果狀態ν被接受了，則整個系統就會跳到狀態ν，並且選擇和決定下一個要跳到的狀態。如果狀態ν被沒被接受，系統則留在狀態μ，一樣重新選擇下一個要跳到的狀態。這樣的步驟一直重複直到某些條件達成為止，譬如說整個易辛模型完全被磁化，也就是所有的自旋都只到同一個方向。[7]另外在實行這種演算法，有一點需要注意的是需要選到適當 g(μ, ν) 以保證整個過程的遍歷性(ergodicity)。


在熱平衡時，整個系統的能量只會有小幅度的擾動[7]，這點促成了在演算時採用單一自旋反轉法進行計算，也就是說每次系統轉換其狀態時，只改變其中一個自旋的方向。對自旋數很多的一易辛模型來說，系統在不同的狀態之間跳躍時，其能量改變的幅度都很小。事實上，對於每個晶格點都和 c 個晶格點相鄰的模型來說，每次能量改變的最大幅度為 2cJ。此外，採用這種單一自旋反轉法可以保證演算過程的遍歷性，因為任意一個狀態都可以藉由逐次的反轉相異的自旋，而變成任意其他狀態[7]。


在下面的演算過程我們會採用周期性边界条件使的每個晶格點的相鄰數 c 都相等。[7]



演算過程


整個用於數值模擬易辛模型的演算過程，可由下列的方法建立。


因為共有 L 個晶格點，而且單一自旋反轉法是唯一系統可以從一個狀態跳到另一個狀態的方法，所對於任何一個狀態 μ，有 L 個新狀態 ν 它可以跳去。可以假設 μ 跳到這 L 個新狀態的機率是相等的，因此 g(μ, ν) = 1/L。 為了滿足細緻平衡（英语：detailed balance），所以下面的等式要成立:


P(μ,ν)P(ν,μ)=g(μ,ν)A(μ,ν)g(ν,μ)A(ν,μ)=A(μ,ν)A(ν,μ)=Pβ(ν)Pβ(μ)=1Ze−β(Hν)1Ze−β(Hμ)=e−β(Hν−Hμ).{displaystyle {frac {P(mu ,nu )}{P(nu ,mu )}}={frac {g(mu ,nu )A(mu ,nu )}{g(nu ,mu )A(nu ,mu )}}={frac {A(mu ,nu )}{A(nu ,mu )}}={frac {P_{beta }(nu )}{P_{beta }(mu )}}={frac {{frac {1}{Z}}e^{-beta (H_{nu })}}{{frac {1}{Z}}e^{-beta (H_{mu })}}}=e^{-beta (H_{nu }-H_{mu })}.}{frac {P(mu ,nu )}{P(nu ,mu )}}={frac {g(mu ,nu )A(mu ,nu )}{g(nu ,mu )A(nu ,mu )}}={frac {A(mu ,nu )}{A(nu ,mu )}}={frac {P_{beta }(nu )}{P_{beta }(mu )}}={frac {{frac {1}{Z}}e^{{-beta (H_{nu })}}}{{frac {1}{Z}}e^{{-beta (H_{mu })}}}}=e^{{-beta (H_{nu }-H_{mu })}}.

因此我們希望接受機率滿足:


A(μ,ν)A(ν,μ)=e−β(Hν−Hμ).{displaystyle {frac {A(mu ,nu )}{A(nu ,mu )}}=e^{-beta (H_{nu }-H_{mu })}.}{frac {A(mu ,nu )}{A(nu ,mu )}}=e^{{-beta (H_{nu }-H_{mu })}}.

如果 Hν > Hμ 則 A(ν, μ) > A(μ, ν)，因此 Metropolis 另 A(μ, ν) 和 A(ν, μ) 中較大的為 1。按照這樣的定可以得到 A(μ, ν) 的值為: [7]


A(μ,ν)={e−β(Hν−Hμ),if Hν−Hμ>01,otherwise.{displaystyle A(mu ,nu )={begin{cases}e^{-beta (H_{nu }-H_{mu })},&{text{if }}H_{nu }-H_{mu }>0\1,&{text{otherwise}}.end{cases}}}A(mu ,nu )={begin{cases}e^{{-beta (H_{nu }-H_{mu })}},&{text{if }}H_{nu }-H_{mu }>0\1,&{text{otherwise}}.end{cases}}


最後，整個演算法最基本的形式為:



  1. 用 g(μ, ν) 選出一個自旋，並且計算所有和其自旋相關的能量貢獻。(也就是所有和它相鄰自旋交互作用的能量貢獻。)

  2. 反轉其自旋，再計算一次所有和它相關的能量貢獻。

  3. 如果其能量貢獻下降，保持自旋反轉。

  4. 如果貢獻能量上升，則令自旋有 e−β(Hν−Hμ){displaystyle e^{-beta (H_{nu }-H_{mu })}}e^{{-beta (H_{nu }-H_{mu })}} 的機率保持反轉。

  5. 重複步驟一。


整個系統能量的改變量 Hν−Hμ 只和反轉的自旋和和它相鄰的自旋有關，所以只要相鄰的自旋數不要太多，計算的速度算是相當快的。而整個系統會逐漸的趨近於某個平衡。



將易辛模型視為馬可夫鏈


將易辛模型比擬為馬可夫鏈是一件很容易的事情，因為下一刻狀態 ν 的轉移機率 Pβ(ν) 只和目前狀態 μ有關 。事實上，Metropolis 演算法就是馬可夫蒙地卡羅(Markov Chain Monte Carlo)的一個版本。而且因為演算時採用的是單一自旋反轉法，每個狀態可視為和另外 L 個狀態相連，而每一個狀態轉移則是將其中一個自旋反轉。[8] 此外，因為不同狀態之間 Hσ 變化只和相鄰自旋的交互作用 J 有關，所以易辛模型也可視為選民模型（英语：Voter model）的一種。



一維易辛模型


在一維易辛模型系統中，假設每個带有自旋的原子分布在一維的圓圈中，且原子仅和鄰居發生交互作用，交互作用均為J{displaystyle J}J，能量可表示為


H(σ)=−J∑i=1Nσiσi+1+H∑i=1Nσi{displaystyle H(sigma )=-Jsum _{i=1}^{N}sigma _{i}sigma _{i+1}+Hsum _{i=1}^{N}sigma _{i}}{displaystyle H(sigma )=-Jsum _{i=1}^{N}sigma _{i}sigma _{i+1}+Hsum _{i=1}^{N}sigma _{i}}

其中h为外加磁场的强度，J为相邻原子的耦合强度。该系统的自由能为：


Z(β,h)=−limN→∞1βLln⁡(Z(β))=−1βln⁡(eβJcosh⁡βh+e2βJ(sinh⁡βh)2+e−2βJ){displaystyle Z(beta ,h)=-lim _{Nto infty }{frac {1}{beta L}}ln(Z(beta ))=-{frac {1}{beta }}ln left(e^{beta J}cosh beta h+{sqrt {e^{2beta J}(sinh beta h)^{2}+e^{-2beta J}}}right)}{displaystyle Z(beta ,h)=-lim _{Nto infty }{frac {1}{beta L}}ln(Z(beta ))=-{frac {1}{beta }}ln left(e^{beta J}cosh beta h+{sqrt {e^{2beta J}(sinh beta h)^{2}+e^{-2beta J}}}right)}

相邻自旋的相关函数（英语：Correlation function (statistical mechanics)）为：


⟨σiσj⟩−⟨σi⟩⟨σj⟩=C(β)e−c(β)|i−j|{displaystyle langle sigma _{i}sigma _{j}rangle -langle sigma _{i}rangle langle sigma _{j}rangle =C(beta )e^{-c(beta )|i-j|}}{displaystyle langle sigma _{i}sigma _{j}rangle -langle sigma _{i}rangle langle sigma _{j}rangle =C(beta )e^{-c(beta )|i-j|}}

其中，C(β)和c(β)是关于温度的函数，当温度T > 0时取正值。当T → 0时，c(β)趋于零。



证明


易辛自己的论文中已给出了一维易辛模型配分函数精确解。[2]无外加磁场，即h = 0时，计算是很简单的。


此时能量简化为：


H(σ)=−J(σ1σ2+⋯+σN−1σN).{displaystyle H(sigma )=-J(sigma _{1}sigma _{2}+cdots +sigma _{N-1}sigma _{N}).}{displaystyle H(sigma )=-J(sigma _{1}sigma _{2}+cdots +sigma _{N-1}sigma _{N}).}

对于相邻两原子自旋朝向的四种情况，之间的能量只有两种状态：同向和反向。应用变量替换，


σj′=σjσj−1j≥2.{displaystyle sigma '_{j}=sigma _{j}sigma _{j-1}qquad jgeq 2.}{displaystyle sigma '_{j}=sigma _{j}sigma _{j-1}qquad jgeq 2.}

代入配分函数定义式，得：


Z(β)=∑σ1,…,σNeβJσ1σ2eβJσ2σ3⋯eβJσN−1σN=2∏j=2N∑σj′eβJσj′=2[eβJ+e−βJ]N−1.{displaystyle Z(beta )=sum _{sigma _{1},ldots ,sigma _{N}}e^{beta Jsigma _{1}sigma _{2}};e^{beta Jsigma _{2}sigma _{3}};cdots e^{beta Jsigma _{N-1}sigma _{N}}=2prod _{j=2}^{N}sum _{sigma '_{j}}e^{beta Jsigma '_{j}}=2left[e^{beta J}+e^{-beta J}right]^{N-1}.}{displaystyle Z(beta )=sum _{sigma _{1},ldots ,sigma _{N}}e^{beta Jsigma _{1}sigma _{2}};e^{beta Jsigma _{2}sigma _{3}};cdots e^{beta Jsigma _{N-1}sigma _{N}}=2prod _{j=2}^{N}sum _{sigma '_{j}}e^{beta Jsigma '_{j}}=2left[e^{beta J}+e^{-beta J}right]^{N-1}.}

因此，系统的自由能为


Z(β,0)=−1βln⁡[eβJ+e−βJ].{displaystyle Z(beta ,0)=-{frac {1}{beta }}ln left[e^{beta J}+e^{-beta J}right].}{displaystyle Z(beta ,0)=-{frac {1}{beta }}ln left[e^{beta J}+e^{-beta J}right].}

同样的变量替换法，得间隔N-1个自旋间的相关函数：


⟨σjσj+N⟩=[eβJ−e−βJeβJ+e−βJ]N{displaystyle langle sigma _{j}sigma _{j+N}rangle =left[{frac {e^{beta J}-e^{-beta J}}{e^{beta J}+e^{-beta J}}}right]^{N}}{displaystyle langle sigma _{j}sigma _{j+N}rangle =left[{frac {e^{beta J}-e^{-beta J}}{e^{beta J}+e^{-beta J}}}right]^{N}}

T ≠ 0时相关性呈指数衰减。而仅仅在绝对零度时T = 0下，换句话说，β → ∞ 时，系统保持长程相关性。


如果外磁场h ≠ 0，配分函数的计算需要引入传递矩阵法。周期性边界条件的近似下，配分函数为


Z(β)=∑σ1,…,σNeβhσ1eβJσ1σ2eβhσ2eβJσ2σ3⋯eβhσNeβJσNσ1=∑σ1,…,σLVσ1,σ2Vσ2,σ3⋯VσN,σ1.{displaystyle Z(beta )=sum _{sigma _{1},ldots ,sigma _{N}}e^{beta hsigma _{1}}e^{beta Jsigma _{1}sigma _{2}};e^{beta hsigma _{2}}e^{beta Jsigma _{2}sigma _{3}};cdots e^{beta hsigma _{N}}e^{beta Jsigma _{N}sigma _{1}}=sum _{sigma _{1},ldots ,sigma _{L}}V_{sigma _{1},sigma _{2}}V_{sigma _{2},sigma _{3}}cdots V_{sigma _{N},sigma _{1}}.}{displaystyle Z(beta )=sum _{sigma _{1},ldots ,sigma _{N}}e^{beta hsigma _{1}}e^{beta Jsigma _{1}sigma _{2}};e^{beta hsigma _{2}}e^{beta Jsigma _{2}sigma _{3}};cdots e^{beta hsigma _{N}}e^{beta Jsigma _{N}sigma _{1}}=sum _{sigma _{1},ldots ,sigma _{L}}V_{sigma _{1},sigma _{2}}V_{sigma _{2},sigma _{3}}cdots V_{sigma _{N},sigma _{1}}.}

系数Vσ,σ′{displaystyle V_{sigma ,sigma '}}{displaystyle V_{sigma ,sigma '}}可视为2x2矩阵的元素。相邻两自旋各有四种可能状态，其玻尔兹曼因子分别为：


Vσ,σ′=eβh2σeβJσσ′eβh2σ′{displaystyle V_{sigma ,sigma '}=e^{{frac {beta h}{2}}sigma }e^{beta Jsigma sigma '}e^{{frac {beta h}{2}}sigma '}}{displaystyle V_{sigma ,sigma '}=e^{{frac {beta h}{2}}sigma }e^{beta Jsigma sigma '}e^{{frac {beta h}{2}}sigma '}}

或写作传递矩阵的四个元素：


V=[eβ(h+J)e−βJe−βJe−β(h−J)].{displaystyle V={begin{bmatrix}e^{beta (h+J)}&e^{-beta J}\e^{-beta J}&e^{-beta (h-J)}end{bmatrix}}.}{displaystyle V={begin{bmatrix}e^{beta (h+J)}&e^{-beta J}\e^{-beta J}&e^{-beta (h-J)}end{bmatrix}}.}

配分函数的展开式恰好和传递矩阵自乘后对角元素之和（矩阵的迹）一致。而矩阵的迹可通过求解传递矩阵的特征值得出，因而：


Z(β)=TrVN=λ1N+λ2N=λ1N[1+(λ2λ1)N]{displaystyle Z(beta )={rm {Tr}}V^{N}=lambda _{1}^{N}+lambda _{2}^{N}=lambda _{1}^{N}left[1+left({frac {lambda _{2}}{lambda _{1}}}right)^{N}right]}{displaystyle Z(beta )={rm {Tr}}V^{N}=lambda _{1}^{N}+lambda _{2}^{N}=lambda _{1}^{N}left[1+left({frac {lambda _{2}}{lambda _{1}}}right)^{N}right]}

其中λ1是V最大的特征值，λ2是该矩阵另一个特征值。因而


λ1=eβJcosh⁡βh+e2βJ(sinh⁡βh)2+e−2βJ{displaystyle lambda _{1}=e^{beta J}cosh beta h+{sqrt {e^{2beta J}(sinh beta h)^{2}+e^{-2beta J}}}}{displaystyle lambda _{1}=e^{beta J}cosh beta h+{sqrt {e^{2beta J}(sinh beta h)^{2}+e^{-2beta J}}}}

由于|λ2| < λ1，当N很大时对配分函数的贡献可忽略。



结论


系统最低能量为−N，此时所有自旋朝向相同。而其它构型相较基态的能量增量等于一维序列中自旋转向的次数k。例如，能量次低的状态相较基态，能量差为2k。由于能量与转向数之间是线性关系，则两个相邻自旋方向相反的概率符合玻尔兹曼分布：


p1−p=e−2βJ.{displaystyle {p over 1-p}=e^{-2beta J}.}{displaystyle {p over 1-p}=e^{-2beta J}.}

藉由統計力學的配分函數可以計算再給定溫度下T{displaystyle T}T (β=1/(kT){displaystyle beta =1/(kT)}beta =1/(kT))的每個原子的磁矩期望值為



M(H,T)=sinh⁡(βH)sinh2⁡(βH)+e−4βJ{displaystyle M(H,T)={frac {sinh(beta H)}{sqrt {sinh ^{2}(beta H)+e^{-4beta J}}}}}M(H,T)={frac {sinh(beta H)}{{sqrt {sinh ^{2}(beta H)+e^{{-4beta J}}}}}}.

所以一維易辛模型並沒有居里温度、不會發生相變，即沒有自发磁化（英语：spontaneous magnetization）的現象。



M(0,T)=0{displaystyle M(0,T)=0}M(0,T)=0.


二維易辛模型


设二维方晶格易辛模型横纵两方向的交互作用能分别为J1{displaystyle J_{1}}J_{1} and J2{displaystyle J_{2}}{displaystyle J_{2}}。拉斯·昂萨格求得无外磁矩，即h=0{displaystyle h=0}h=0时自由能的解析解：


−βf=ln⁡2+18π2∫02πdθ1∫02πdθ2ln⁡[cosh⁡(2βJ1)cosh⁡(2βJ2)−sinh⁡(2βJ1)cos⁡(θ1)−sinh⁡(2βJ2)cos⁡(θ2)].{displaystyle -beta f=ln 2+{frac {1}{8pi ^{2}}}int _{0}^{2pi }dtheta _{1}int _{0}^{2pi }dtheta _{2}ln[cosh(2beta J_{1})cosh(2beta J_{2})-sinh(2beta J_{1})cos(theta _{1})-sinh(2beta J_{2})cos(theta _{2})].}{displaystyle -beta f=ln 2+{frac {1}{8pi ^{2}}}int _{0}^{2pi }dtheta _{1}int _{0}^{2pi }dtheta _{2}ln[cosh(2beta J_{1})cosh(2beta J_{2})-sinh(2beta J_{1})cos(theta _{1})-sinh(2beta J_{2})cos(theta _{2})].}

从自由能的偏导数可得到各种热力学函数。


特别地，二维易辛模型有一个相变点，临界温度Tc{displaystyle T_{c}}T_c满足以下方程：



sinh⁡(2J1kTc)sinh⁡(2J2kTc)=1{displaystyle sinh left({frac {2J_{1}}{kT_{c}}}right)sinh left({frac {2J_{2}}{kT_{c}}}right)=1}{displaystyle sinh left({frac {2J_{1}}{kT_{c}}}right)sinh left({frac {2J_{2}}{kT_{c}}}right)=1}.

若J1=J2{displaystyle J_{1}=J_{2}}{displaystyle J_{1}=J_{2}}，则Tc=2Jkln⁡(1+2){displaystyle T_{c}={frac {2J}{kln(1+{sqrt {2}})}}}{displaystyle T_{c}={frac {2J}{kln(1+{sqrt {2}})}}}，或 β=1kTc≈0.44J{displaystyle beta ={frac {1}{kT_{c}}}approx {frac {0.44}{J}}}{displaystyle beta ={frac {1}{kT_{c}}}approx {frac {0.44}{J}}}.



延伸閱讀



  • Kerson Huang, Introduction to Statistical Physics.

  • I. A. Stepanov. Exact Solutions of the One-Dimensional, Two-Dimensional, and Three-Dimensional Ising Models. - Nano Science and Nano Technology: An Indian Journal. 2012. Vol. 6. No 3. 118 - 122.(這篇文章可在該期刊的網站免費閱讀)

  • Barry A. Cipra, "The Ising model is NP-complete", SIAM News, Vol. 33, No. 6; online edition (.pdf)(一篇文章闡述為何任意的易辛模型無法有一般性的精確解，因為非平面的易辛模型是NP完全的。)



相關連結



  • Science World article on the Ising Model

  • An Ising Applet by Syracuse University

  • A dynamical 2D Ising Applet by UCSC

  • A nice dynamical 2D Ising Applet

  • A larger/more complicated 2D Ising Applet

  • A nice HTML5 Ising Model simulation


  • Ising Model simulationby Enrique Zeleny，由 Wolfram 演示項目 提供。

  • Phase transitions on lattices

  • Three-dimensional proof for Ising Model impossible, Sandia researcher claims

  • Multi-GPU accelerated multi-spin Monte Carlo simulations of the 2D Ising model

  • Interactive dynamical simulation for MacOs of the 2D ising model on a square lattice

  • Equilibrium Statistical Mechanics of Classical Lattice Systems: a Concrete Introduction, Chapter 1 (The Ising model)

  • Interactive Monte Carlo simulation of the Ising, XY and Heisenberg models with 3D graphics(requires WebGL compatible browser)



註解





  1. ^ See Gallavotti (1999), Chapters VI-VII.


  2. ^ 2.02.1 Ernst Ising, Contribution to the Theory of Ferromagnetism


  3. ^ See Baierlein (1999), Chapter 16.


  4. ^ http://users-phys.au.dk/fogedby/statphysII/no-PT-in-1D.pdf


  5. ^ http://journals.cambridge.org/action/displayAbstract?fromPage=online&aid=2027260


  6. ^ Montroll，Potts & Ward（1963）


  7. ^ 7.07.17.27.37.47.57.67.77.8 Newman MEJ, Barkema GT, "Monte Carlo Methods in Statistical Physics, Clarendon Press, 1999


  8. ^ Teif V.B. General transfer matrix formalism to calculate DNA-protein-drug binding in gene regulation. Nucleic Acids Res. 2007, 35: e80. doi:10.1093/nar/gkm268. 
































  • 查

  • 论

  • 编


统计力学

基本概念


  • 分子运动论

  • 熵

  • 配分函数
近独立粒子系统


  • 麦克斯韦-玻尔兹曼统计

  • 玻色-爱因斯坦统计

  • 费米–狄拉克统计

  • 自旋統計定理

  • 全同粒子

  • 任意子

系综理论


  • 微正则系综

  • 正则系综

  • 巨正则系综

  • 等温等压系综

  • 等焓等压系综

  • 开放统计系综（英语：Open statistical ensemble）
相关模型


  • 德拜模型

  • 爱因斯坦模型

  • 易辛模型
科学史


  • 发展史

  • 馬克士威

  • 吉布斯

  • 波尔兹曼

  • 爱因斯坦

  • 德拜

  • 费米








































































  • 查

  • 论

  • 编



概率论：随机过程

离散时间（英语：Discrete-time stochastic process）


  • 伯努利过程

  • 分支过程

  • 中餐馆过程

  • Galton–Watson process（英语：Galton–Watson process）

  • 独立同分布

  • 马尔可夫链

  • Moran process（英语：Moran process）


  • 隨機漫步

    • Loop-erased（英语：Loop-erased random walk）

    • Self-avoiding（英语：Self-avoiding walk）
连续时间（英语：Continuous-time stochastic process）


  • Bessel process（英语：Bessel process）

  • 出生-死亡過程


  • 维纳过程/布朗运动

    • 布朗桥

    • Excursion（英语：Brownian excursion）

    • Fractional（英语：Fractional Brownian motion）

    • 几何布朗运动

    • Meander（英语：Brownian meander）



  • Cauchy process（英语：Cauchy process）

  • Contact process（英语：Contact process (mathematics)）

  • Cox process（英语：Cox process）

  • Diffusion process（英语：Diffusion process）

  • Empirical process（英语：Empirical process）

  • Feller process（英语：Feller process）

  • Fleming–Viot process（英语：Fleming–Viot process）

  • Gamma process（英语：Gamma process）

  • Hunt process（英语：Hunt process）


  • Interacting particle system（英语：Interacting particle system）s

  • 伊藤积分

  • 伊藤過程

  • Jump diffusion（英语：Jump diffusion）

  • 跳跃过程

  • 萊維過程

  • Local time（英语：Local time (mathematics)）

  • Markov additive process（英语：Markov additive process）

  • McKean–Vlasov process（英语：McKean–Vlasov process）

  • Ornstein–Uhlenbeck process（英语：Ornstein–Uhlenbeck process）


  • 泊松过程

    • Compound（英语：Compound Poisson process）

    • Non-homogeneous

    • Point process



  • Schramm–Loewner evolution（英语：Schramm–Loewner evolution）

  • 半鞅

  • Sigma-martingale（英语：Sigma-martingale）

  • Stable process（英语：Stable process）

  • Superprocess（英语：Superprocess）

  • Telegraph process（英语：Telegraph process）

  • Variance gamma process（英语：Variance gamma process）

  • 维纳过程

  • Wiener sausage（英语：Wiener sausage）
离散时间与连续时间


  • Branching process（英语：Branching process）

  • Gaussian process（英语：Gaussian process）


  • 隐马尔可夫模型（HMM）

  • 馬可夫過程


  • 鞅

    • Differences（英语：Martingale difference sequence）

    • Local（英语：Local martingale）

    • Sub-

    • Super-（英语：Super-）



  • Random dynamical system（英语：Random dynamical system）

  • Regenerative process（英语：Regenerative process）

  • Renewal process（英语：Renewal process）

  • 白雜訊
场及其它


  • Dirichlet process（英语：Dirichlet process）

  • Gaussian random field（英语：Gaussian random field）

  • Gibbs measure（英语：Gibbs measure）

  • Hopfield神经网络

  • 易辛模型

  • 马尔可夫网络

  • 渗流理论

  • Pitman–Yor process（英语：Pitman–Yor process）


  • Point process（英语：Point process）

    • Cox（英语：Point process#Cox point process）

    • Poisson



  • Potts model（英语：Potts model）

  • 随机场

  • 随机图
时间序列模型


  • ARCH模型

  • ARIMA模型

  • 自迴歸模型

  • ARMA模型

  • 广义ARCH模型

  • 滑动平均模型（英语：Moving-average model）
金融模型


  • Black–Derman–Toy（英语：Black–Derman–Toy model）

  • Black–Karasinski（英语：Black–Karasinski model）

  • 布莱克-舒尔兹模型

  • 陈模型

  • Constant elasticity of variance (CEV)（英语：Constant elasticity of variance model）

  • Cox–Ingersoll–Ross (CIR)（英语：Cox–Ingersoll–Ross model）

  • Garman–Kohlhagen（英语：Garman–Kohlhagen model）

  • Heath–Jarrow–Morton (HJM)（英语：Heath–Jarrow–Morton framework）

  • Heston（英语：Heston model）

  • Ho–Lee（英语：Ho–Lee model）

  • 赫爾懷特模型

  • LIBOR market（英语：LIBOR market model）

  • SABR volatility（英语：SABR volatility model）

  • Vašícek（英语：Vasicek model）
精算學


  • Bühlmann（英语：Bühlmann model）

  • Cramér–Lundberg（英语：Cramér–Lundberg model）

  • Risk process（英语：Risk process）

  • Sparre–Anderson（英语：Sparre–Anderson model）
等候理論


  • Bulk（英语：Bulk queue）

  • Fluid（英语：Fluid queue）

  • Generalized queueing network（英语：G-network）

  • M/G/1（英语：M/G/1 queue）

  • M/M/1

  • M/M/c（英语：M/M/c queue）
性质


  • 右连左极函数

  • Continuous（英语：Continuous stochastic process）

  • Continuous paths（英语：Sample-continuous process）

  • 遍历性

  • Exchangeable（英语：Exchangeable random variables）

  • Feller-continuous（英语：Feller-continuous process）

  • Gauss–Markov（英语：Gauss–Markov process）

  • 马尔可夫性质

  • Mixing（英语：Mixing (mathematics)）

  • Piecewise deterministic（英语：Piecewise deterministic Markov process）

  • 可预测过程

  • 循序可测过程

  • Self-similar（英语：Self-similar process）

  • 平稳过程

  • Time-reversible（英语：Time reversibility）
极限定理


  • 中心极限定理

  • Donsker's theorem（英语：Donsker's theorem）

  • Doob's martingale convergence theorems（英语：Doob's martingale convergence theorems）

  • 遍历理论

  • Fisher–Tippett–Gnedenko theorem（英语：Fisher–Tippett–Gnedenko theorem）

  • Large deviation principle（英语：Large deviation principle）

  • 大数定律

  • 重对数律

  • Maximal ergodic theorem（英语：Maximal ergodic theorem）

  • Sanov's theorem（英语：Sanov's theorem）
不等式


  • Burkholder–Davis–Gundy（英语：Burkholder–Davis–Gundy inequalities）

  • Doob's martingale（英语：Doob's martingale inequality）

  • Kunita–Watanabe（英语：Kunita–Watanabe inequality）
工具


  • Cameron–Martin formula（英语：Cameron–Martin formula）

  • 随机变量的收敛

  • Doléans-Dade exponential（英语：Doléans-Dade exponential）

  • Doob decomposition theorem（英语：Doob decomposition theorem）

  • Doob–Meyer decomposition theorem（英语：Doob–Meyer decomposition theorem）

  • Doob's optional stopping theorem（英语：Doob's optional stopping theorem）

  • Dynkin's formula（英语：Dynkin's formula）

  • 费曼－卡茨公式

  • 右连左极函数

  • Girsanov theorem（英语：Girsanov theorem）

  • Infinitesimal generator（英语：Infinitesimal generator (stochastic processes)）

  • 伊藤积分

  • 伊藤引理

  • Kolmogorov continuity theorem（英语：Kolmogorov continuity theorem）

  • Kolmogorov extension theorem（英语：Kolmogorov extension theorem）

  • Lévy–Prokhorov metric（英语：Lévy–Prokhorov metric）

  • Malliavin calculus（英语：Malliavin calculus）

  • Martingale representation theorem（英语：Martingale representation theorem）

  • Optional stopping theorem（英语：Optional stopping theorem）

  • Prohorov theorem（英语：Prohorov theorem）

  • Quadratic variation（英语：Quadratic variation）

  • Reflection principle（英语：Reflection principle (Wiener process)）

  • Skorokhod integral（英语：Skorokhod integral）

  • Skorokhod's representation theorem（英语：Skorokhod's representation theorem）

  • 右连左极函数

  • Snell envelope（英语：Snell envelope）


  • 隨機微分方程
    • Tanaka（英语：Tanaka equation）


  • 停时

  • 隨機积分

  • Uniform integrability（英语：Uniform integrability）

  • Usual hypotheses（英语：Usual hypotheses）


  • 维纳空间

    • Classical（英语：Classical Wiener space）

    • Abstract
相关领域


  • 精算學

  • 计量经济学

  • 遍历理论

  • 极值理论（EVT）

  • Large deviations theory（英语：Large deviations theory）

  • 金融數學

  • 数理统计学

  • 概率论

  • 等候理論

  • Renewal theory（英语：Renewal theory）

  • Ruin theory（英语：Ruin theory）

  • 统计学

  • 随机分析

  • 时间序列分析

  • 机器学习


  • List of topics


  • 分类分类





-

Popular posts from this blog

Y

Image
This article is about the letter of the alphabet. For other uses, see Y (disambiguation). See also: Wye (disambiguation) Y Y y (See below) Usage Writing system Latin script Type Alphabetic and Logographic Language of origin Latin language Phonetic usage [ y ] [ ɨ ] [ j ] [ iː ] [ ɪ ] [ ɘ ] [ ə ] [ ɯ ] [ ɛː ] [ j ] [ ɥ ] [ ɣ̟ ] / w aɪ / / aɪ / Unicode value U+0059, U+0079 Alphabetical position 25 History Development Υ υ 𐌖 Y y Time period 54 to present Descendants  • U  • V  • W  • Ỿ  • ¥  • Ꮙ  • Ꮍ  • Ꭹ Sisters F Ѵ У Ў Ұ Ү ו و ܘ וּ וֹ ࠅ 𐎆 𐡅 ወ વ ૂ ુ उ Variations (See below) Other Other letters commonly used with y(x), ly, ny This article contains IPA phonetic symbols. Without proper rendering support, you may see question marks, boxes, or other symbols instead of Unicode characters. For an introductory guide on IPA symbols, see Help:IPA. ISO basic Latin alphabet Aa Bb Cc D...
Read more

Mount Tamalpais

Image
Mount Tamalpais Mount Tamalpais, viewed from the south Highest point Elevation 2,571 ft (784 m)   NAVD 88 [1] Prominence 2,456 ft (749 m)  [1] Listing California county high points 55th Coordinates 37°55′45″N 122°34′40″W  /  37.929088°N 122.577829°W  / 37.929088; -122.577829 Coordinates: 37°55′45″N 122°34′40″W  /  37.929088°N 122.577829°W  / 37.929088; -122.577829   [1] Geography Mount Tamalpais Marin County, California, U.S. Show map of California Mount Tamalpais Mount Tamalpais (the US) Show map of the US Parent range California Coast Ranges Topo map USGS San Rafael Geology Mountain type Sedimentary Climbing First ascent 1830s by Jacob P. Leese (first recorded ascent) [2] Easiest route Railroad Grade fire trail Mount Tamalpais ( / t æ m əl ˈ p aɪ . ɪ s / ; TAM -əl- PY -iss ; Coast Miwok: /t̪ɑmɑlˈpɑis̺/ , known locally as Mount Tam ) is a peak in Marin County, California, United State...
Read more

Indian Forest Service

Image
Indian Forest Service Service Overview Preceding service Imperial Forest Service (1864 to 1935) Year of Constitution 1966 Country India Staff College Indira Gandhi National Forest Academy (IGNFA), Dehradun, Uttarakhand Cadre Controlling Authority Ministry of Environment, Forests and Climate Change Legal personality Governmental: Government service General nature Administration of Forest and Wildlife resources Cadre strength 3131 (2182 Direct Recruits and 949 Promotion Posts) Website ifs.nic.in Service Chief Director General of Forests Siddhanth Das, IFS (1982 Batch, Odisha Cadre) [1] Head of the All India Civil Services Cabinet Secretary Pradeep Kumar Sinha, IAS Indian Forest Service (भारतीय वन सेवा) [2] is one of the three All India Services of the Government of India. The other two All India Services being the Indian Administrative Service (IAS) and the Indian Police Service (IPS). [3] [4] [5] It was constituted in...
Read more