You are on page 1of 34

John von Neumann - Institut für Computing

Zentralinstitut für Angewandte Mathematik

Zufallsbewegungen

Random Walk

G. Sutmann

Research Centre Jülich (FZJ)


John von Neumann Institute for Computing (NIC)
Central Institute for Applied Mathematics (ZAM)
D - 52425 Jülich

http://www.fz-juelich.de/zam/ZAMPeople/sutmann
(ZAM Raum 126, Tel. 02461/61-6746
e-mail: g.sutmann@fz-juelich.de)
Zufall in der Physik?

• Wie bereit gesehen können Zufallskomponenten einige


Informationen auch über deterministische Systeme liefern:
– Bspw. Auswertung von Integralen mit bestimmten Wert

• Andererseits gibt es Systeme, die inhärent stochastische


Elemente beinhalten
– Zufallsbewegungen durch ungeregelte Stöße

• Welche Aussagen kann man dann über zufällige Ereignisse


machen?

• Die einfachste (und intuitivste) Darstellung von


Zufallsbewegungen sind die Random Walks
Was sind Random Walks ?
• Sehr einfache Vorstellung:
– Starte bei einem beliebigen Anfangspunkt x0
– Gehe in eine beliebige Richtung mit einer zufälligen Schrittweite dx
– Die Frage ist dann: wie weit kommt man eigentlich nach n
Schritten?

x0

xn
Random Walks

• In der statistischen Physik werden Random Walks sehr häufig


angewandt, z.B.
– Diffusion von Partikeln in Flüssigkeiten und Festkörpern
– Strukturbildung in komplexen Systemen
– Modellierung von Chemische Reaktionen in komplexen Systemen

• Eigenschaften sind sehr gut untersucht


Random Walks (cont‘d)
• Ansatz: Führe „sehr viele“ Simulationen mit gleicher Schrittanzahl
n aus und messe das Verschiebungsquadrat

• Ergebnis:

– D.h. die Standardabweichung ist

• D.h. die Unsicherheit über zukünftige Entwicklungen nimmt mit


der Wurzel der Schritte zu.
Random Walk (cont‘d)
• Grund für das Wurzelverhalten
– Der Endabstand ergibt sich als Summe der Einzelschritte
– Random Walk kann also als vektorieller Prozeß aufgefaßt werden

• Die Dimension des Problems ist noch nicht berücksichtigt

• Ergebnis für das mittlere Verschiebungsquadrat bleiben aber auch in


höheren Dimensionen erhalten
– Immer proportional zur Anzahl der durchgeführten Schritte
– Eigenschaft von selbstähnlichen Systemen
– Statistische Eigenschaften sind auf jedem Detaillierungsgrad dieselben
– Jede Schrittweite läßt sich auffassen als End-zu-End-Vektor eines Random
Walk mit kleinerer Schrittweite
– Jeder Endvektor läßt sich auffassen als Schrittweite eines gröberen
Random Walks #
Random Walk (cont‘d)

• Die statistische Verteilung des End-zu-End-Vektors ist


normalverteilt (für große n)
– Folgt aus dem zentralen Grenzwertsatz
– Die Wahrscheinlichkeitsdichte ist daher
Random Walk (cont‘d)
• Bisher war nur angenommen worden, daß die Zufallsbewegungen
„irgendwie“ zufällig sind
• Die Verteilung der Entfernungen war normalverteilt mit

• Ist das immer so?


• Was passiert, wenn man Schrittweiten nimmt, die verschiedenen
Verteilungen genügen?

• Beispiele: Zufallszahlen gezogen aus


– Bernoulli-Verteilung
– Gleichverteilung
– Normalverteilung

• Jedes mal wird eine Normalverteilung angenommen!


Random Walk (cont‘d)
• Ziehe Zufallszahlen aus einer Cauchy-Verteilung

• Verteilung für größere Zeiten bleibt eine Cauchyverteilung!

• Weiterhin gilt

• Warum ist das so?


– Im zentralen Grenzwertsatz wird gefordert, daß der Mittelwert aus
der Verteilung und die Standardabweichungen (bzw. Varianz)
existieren und endlich sind
Random Walk (cont‘d)
• Cauchy Verteilung ist ein Spezialfall der Levy Verteilungen (μ=1)
– Die Levy Verteilung ist durch eine einfache Form der charakteristischen Funktion
definiert
– Die Verteilung in Abhängigkeit von x bekommt man durch Fouriertrnsformation

• Gauß Verteilung wird angenommen für μ=2


• Dabei steuert der Parameter μ>0 die Form der Verteilung
• Die asymptotische Form ist dabei

– In Analogie zu Wechselwirkungspotentialen steuert μ das Konvergenzverhalten


und somit die Existenz der Momente
– Für μ < 2 divergiert das 2. Moment, d.h. die Varianz existiert nicht
– Für μ ≤ 1 divergiert auch das 1. Moment, d.h. selbst der Mittelwert existiert nicht
mehr!
Random Walks
• Vergleich zwischen Cauchy- und Gauß-Walk
Random Walks
• Vergleich zwischen Cauchy- und Gauß-Walk
Random Walks
• Vergleich zwischen Cauchy- und Gauß-Walk
Random Walks
• Wozu kann man die Random Walks nun einsetzen?

• Lösung von partiellen Differentialgleichungen durch RWs


– 1.) Diskretisierung der DGl. Und Anwendung von finiten Differenzen
Lösung durch RW (ähnlich wie bei der Mitelwert-Integrations-
Methode)
– 2.) Suche einen dynamischen Prozeß (physikalisch, chemisch,
biologisch, ...), der auf diese DGl führt und simuliere diesen Prozeß

Bsp.: Wärmetransportgleichung -> Brownsche Bewegung

• Reine Simulation von Systemen, für die keine geeigneten DGl‘s


existieren
– Self awoiding RW (SARW)
– Anomale Diffusion
Diffusions-Konvektions-Prozesse

• Beispiel: - Bewegung von Positronen durch einen Festkörper


- Kosmische Strahlung durch interstellare Materie

• Man kann dabei drei grundlegende Prozesse unterscheiden, die


die Wahrscheinlichkeit bestimmen ein Teilchen an x zu finden
– Diffusion: ungeregelte Bewegung
– Konvektion: gerichtete Bewegung, die i.a. durch Temperatur oder
Dichtegradienten erzeugt wird
– Annihilation: Auslöschung der Teilchen durch Zerstörung
(Absorption oder Materie/Antimaterie Zerstrahlung) oder durch
Änderung der Eigenschaften (chemische Reaktionen)
– Erzeugung: Spontane Erzeugung von Teilchen (Erzeugung von
Neutronen bei Kernspaltung)
Diffusion-Konvektion
• Die ortsabhängige Dichteänderung aufgrund dieser Prozesse
kann dann allgemein geschrieben werden als

– Diffusion
Diffusionsstrom durch Dichtegradienten und lokalen
Diffusionskoeffizienten

– Drift
mit v als lokale Driftgeschwindigkeit der Teilchen

– Annihilation:

– Erzeugung: Quellfunktion S(x,t)


Diffusion Konvektion

• Im Falle der Temperatur resultiert daraus die allgemeine Form der


Wärmeleitungsgleichung

– ρ = Dichte
– Cp = spezifische Wärme
– k = Wärmeleitkoeffizient
Diffusion Konvektion
• Modellierung durch Random Walks
– Teilchen bewegen sich mit Wahrscheinlichkeiten q=w+ nach rechts
und (1-q)=w- nach links
– Wenn q = ½ und x0=x(t=0) = 0, so ist der Erwartungswert der
Bewegung bei Null

– Die Wahrscheinlichkeit, ein Teilchen an einem Ort x zu einer Zeit t


zu finden ist (Mastergleichung)
#

– Und nach einigen Umformungen erhält man daraus

mit
Diffusion Konvektion
• Der Startpunkt für einen RW kann beliebig sein

• Für viele Teilchen, die an verschiedenen Startpunkten x0


beginnen, muß man mit einer bedingten Wahrscheinlichkeit
rechnen

• Für viele Teilchen wird man die Dichteverteilung betrachten, d.h.


für t=0

• Zu einer späteren Zeit wird man daher haben


Diffusion Konvektoin

• Differenzieren liefert dann #

• Es gilt somit dieselbe DGl. Für die Teilchendichte wie für die
Wahrscheinlichkeitsdichte
Diffusion Konvektion
• In mehreren Dimensionen sieht die Mastergleichung ähnlich aus

• Wiederum durch Taylorentwicklung der rechten Seite erhält man


(wenn w+ = w- = ½ )

• Damit gilt aber auch wieder


Diffusion Konvektion
• Die Lösung der Differentialgleichung kann mit einem RW
durchgeführt werden

• Lasse N Teilchen aus einer Startverteilung ρ(x0,t0) (gibt man sich


vor, Anfangswertproblem) mit einem RW laufen

• Schrittweite wird so gewählt, dass gilt

Diffusionskonstante D wird dabei vorgegeben


Diffusion Konvektion
• Die Lösung der DGl, d.h. die Dichte ρ(x,t) am Ort x zur Zeit t kann
durch ein Histogramm Verfahren gefunden werden

• Approximation: Lösung eigentlich nur „exakt“, wenn dt -> 0


(Diskretisierungsfehler)

• Bemerkung: die Relation zwischen DGl und dem RW ist nicht


eindeutig. RWs mit anderen Verteilungen können ebenfalls gegen
die Lösung konvergieren
– Zentraler Grenzwertsatz

– Man kann auch andere Schrittweiten nehmen


Diffusion Konvektion
• Man kann auch nicht konstante Schritweiten im RW nehmen

• Der Diffusionskoeffizient kann dann bestimmt werden über

#
Random Walk mit Absorption
• Hierbei wird eine Auslöschung der Walker unterwegs erlaubt
– Bedeutet, dass von vielen Walkern nur wenige sehr weit kommen
– D.h. man kann jedem Walker auch ein entsprechendes Gewicht
geben

– Die Wahrscheinlichkeiten nach rechts (w+) oder nach links (w-) zu


laufen, müssen modifiziert werden

mit γ der Auslöschwahrscheinlichkeit pro Zeiteinheit

– Der Formalismus kann leicht erweitert werden


Neue Mastergleichung
Random Walk mit Absorption
• Taylor Entwicklung der Mastergleichung liefert #

da dt gegen Null strebt


mit

• Die Überlebenswahrscheinlichkeit für die nächsten N Schritte von


einem Zeitpunkt aus ist

• D.h. die Wahrscheinlichkeit, ein Teilchen bei (x,t) zu finden wird


entsprechend gewichtet
Random Walk mit Absorption
• Der Formalismus ist einfach auf ein ortsabhängiges γ erweiterbar

• Ebenso gilt weiterhin für die Dichte

• Macht die Beschreibung von chemischen Reaktionen, Elektron-


Positron-Annihilation, Strahlungsabsorption etc. möglich
Random Walk mit Absorption
• Offensichtliches Problem ist nur, dass für die Zeit t=O(γ-1) kaum
noch Walker überleben und daher keine Verteilungsfunktion mehr
konstruierbar ist

• Die Überlebenswahrscheinlichkeit pro Schritt ist


d.h. für einen bestimmten Pfad λ gilt

• Eine Möglichkeit für solche Simulationen eine bessere Statistik zu


bekommen ist die Methode des „survival biasing“
Survival biasing
• Dabei werden

– Teilchen nicht gelöscht in dem Walk


– In die Histogramme werden nicht Integers geschrieben (also nicht
eine 1 für Vorkommen am Ort x), sondern die Wahrscheinlichkeiten
wλ bis dort gekommen zu sein

– D.h. die Anzahl der Ereignisse, die für das Histogramm gezählt
werden, ist immer die gleiche
Survival biasing
• Bsp. Für Walker mit Decay, γ = 0.2
Survival biasing
• Bsp. Für Walker mit Decay, γ = 0.2
Survival biasing
• Bsp. Für Walker mit Decay, γ = 0.2
Survival biasing
• Bsp. Für Walker mit Decay, γ = 0.2
Survival biasing
• Bsp. Für Walker mit Decay, γ = 0.2