Das Herbstsemester 2020 findet in einer gemischten Form aus Online- und Präsenzunterricht statt.
Bitte lesen Sie die publizierten Informationen zu den einzelnen Lehrveranstaltungen genau.

402-0812-00L  Computational Statistical Physics

SemesterFrühjahrssemester 2019
DozierendeL. Böttcher
Periodizitätjährlich wiederkehrende Veranstaltung
LehrspracheEnglisch


KurzbeschreibungSimulationsmethoden in der statistischen Physik. Klassische Monte-Carlo-Simulationen: finite-size scaling, Clusteralgorithmen, Histogramm-Methoden, Renormierungsgruppe. Anwendung auf Boltzmann-Maschinen. Simulation von Nichtgleichgewichtssystemen.

Molekulardynamik-Simulationen: langreichweitige Wechselwirkungen, Ewald-Summation, diskrete Elemente, Parallelisierung.
LernzielDie Vorlesung ist eine Vertiefung von Simulationsmethoden in der statistischen Physik, und daher ideal als Fortführung der Veranstaltung "Introduction to Computational Physics" des Herbstsemesters. Im ersten Teil lernen Studenten die folgenden Methoden anzuwenden: Klassische Monte-Carlo-Simulationen, finite-size scaling, Clusteralgorithmen, Histogramm-Methoden, Renormierungsgruppe. Ausserdem lernen Studenten die Anwendung der Methoden aus der Statistischen Physik auf Boltzmann-Maschinen kennen und lernen wie Nichtgleichgewichtssysteme simuliert werden.

Im zweiten Teil wenden die Studenten Methoden zur Simulation von Molekulardynamiken an. Das beinhaltet unter anderem auch langreichweitige Wechselwirkungen, Ewald-Summation und diskrete Elemente.
InhaltSimulationsmethoden in der statistischen Physik. Klassische Monte-Carlo-Simulationen: finite-size scaling, Clusteralgorithmen, Histogramm-Methoden, Renormierungsgruppe. Anwendung auf Boltzmann-Maschinen. Simulation von Nichtgleichgewichtssystemen. Molekulardynamik-Simulationen: langreichweitige Wechselwirkungen, Ewald-Summation, diskrete Elemente, Parallelisierung.
SkriptSkript und Folien sind online verfügbar und werden bei Bedarf verteilt.
LiteraturLiteraturempfehlungen und Referenzen sind im Skript enthalten.
Voraussetzungen / BesonderesGrundlagenwissen in der Statistischen Physik, Klassischen Mechanik und im Bereich der Rechnergestützten Methoden ist empfohlen.