Escolar Documentos
Profissional Documentos
Cultura Documentos
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
ConTECSI
I. INTRODUCCIN
OS GRUPOS de tomos son agregados de unos cuantos o cientos de ellos. Sus longitudes
van de unos cuantos ngstroms hasta decenas de nanmetros. Usualmente son generados a
partir de flujos de grupos diferenciados por su masa y aislados en medios tales como matraces
inertes y suspensiones coloidales, o depositados en la superficie de diversos substratos. Los grupos
constituyen un estado intermedio entre la estructura microscpica y macroscpica de la materia.
Desde un punto de vista tecnolgico, pueden ser considerados como supertomos y sirven como
bloques de construccin en nanociencia y nanotecnologa. Algunas aplicaciones especficas son el
desarrollo de pelculas, slidos y circuitos nanoelectrnicos.
La estructura y propiedades de estos grupos han sido estudiadas desde diversos puntos de vista.
En particular, es importante entender la evolucin de los materiales desde su estado inicial como
tomos individuales, hasta convertirse en nanopartculas de materia condensada. Las propiedades
fsicas y qumicas de los materiales, dependen entre otros factores, de la geometra de los grupos de
tomos que forman sus molculas. Las molculas de grafito y diamante estn formadas por tomos
de carbn, pero sus propiedades son completamente diferentes. Esto se debe a que sus
configuraciones atmicas tienen diferente geometra estable. Para disear nuevos materiales,
usando nanotecnologas, se tiene que determinar la configuracin de mnima energa de las
molculas que los componen.
En este trabajo se aborda el problema de determinar la configuracin de grupos de tomos de tal
manera que se minimice la energa potencial de Lennard-Jones producida por las interacciones
atmicas. A pesar de la simplicidad de este modelo, las investigaciones en qumica y biologa lo
consideran un modelo razonablemente bueno para algunos grupos de gases raros. Este modelo es un
componente comnmente usado en la configuracin de molculas complejas y en el desdoblamiento
de protenas [1]. Por su complejidad computacional, el problema de la configuracin atmica bajo
CONTECSI
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
(r
12
ij
i =1 j =i +1
2rij6
CONTECSI
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
Algoritmo MULTIARRANQUE
Funcin: Determinar la configuracin de energa mnima de Lennard-Jones de un
grupo de tomos dado
Entrada: Nmero de tomos del grupo
ITERACIONES=30, PASOS=10, VECINOS=1000
Funciones de soporte
SolucinInicial()
Se consideraron las siguientes estrategias de generacin de la solucin inicial:
1. Ubicar aleatoriamente todos los tomos, generando nicamente
coordenadas entre 0 y 1.
2. Ubicar el primer tomo en el origen y colocar aleatoriamente cada uno de
los siguientes tomos a una distancia entre 0.5 y 1.5 de todos los tomos ya
ubicados.
3. Se ubican aleatoriamente los tomos de manera similar al primer caso y se
elije dicha ubicacin si su dimetro (la mayor distancia entre los tomos) es
menor que un valor fijo (4).
SolucinVecina()
Genera la solucin vecina x1 a partir de la solucin actual x0 y un tamao de
paso s.
Realiza la siguiente operacin vectorial:
if (random()<0.5) s=s/2 en otro caso s=2*s
x1=x0 + random()*s
EnergaLJ(x)
Calcula la energa potencial de Lennard-Jones del grupo de tomos
ubicados en las posiciones definidas en el vector x.
Estructuras:
x0, x1: Solucin actual y vecina
Salida: Energa mnima e
1
x0=SolucinAleatoria()
2
e=EnergaLJ(x0)
3
Para i=1 hasta ITERACIONES
4
Para j=1 hasta PASOS
5
Para k=1 hasta VECINOS
6
x1=SolucinVecina(x0)
7
e1=EnergaLJ(x1)
8
if (e1<e) entonces e=e1
9
FinPara
11
Fin para
12 FinPara
13 Regresa e
Figura 1. Algoritmo de Multiarranque
Fases (i)
1
2
1
A11
A21
3
A13
A23
V. EVALUACIN EXPERIMENTAL
Cada algoritmo se ejecut 100 veces para grupos de tamao creciente hasta que ya no logra
encontrar la mejor solucin reportada. En cada ejecucin se determin el porcentaje de las
CONTECSI
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
ejecuciones en que se observ dicho valor. La Tabla 2, muestra los porcentajes que se obtuvieron
con cada uno de los algoritmos considerados.
Tabla 2. Resultados experimentales
tomos
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
A11
100
100
97
92
1
9
3
1
1
2
1
1
2
1
1
1
1
1
1
A12
100
100
95
5
7
8
4
3
1
2
1
1
1
1
1
1
1
2
1
A13
100
100
97
4
2
16
1
2
2
4
1
1
1
1
1
2
1
1
1
A21
100
100
77
57
2
2
1
3
3
2
1
1
1
1
1
1
1
1
1
A22
100
100
89
68
3
8
1
1
2
1
1
2
1
1
1
1
1
1
1
A23
100
100
87
74
1
4
3
5
5
1
1
1
1
1
1
1
1
1
1
Como se puede observar el rendimiento general del enfoque considerado es muy bajo. A medida
que aumenta el tamao de los grupos, la efectividad de los algoritmos disminuye notablemente.
Para grupos con ms de 20 tomos, los algoritmos ya no encuentran la solucin ptima. Por otra
parte, si se considera la suma de los porcentajes de acierto de todos los grupos, se observa una
ligera ventaja del enfoque de dos fases con respecto al de una fase.
VI. CONCLUSIONES
En este trabajo se aborda el problema de determinar la configuracin de grupos de tomos de tal
manera que se minimice la energa potencial de Lennard-Jones. Los resultados que se reportan en
este artculo corresponden a las fases iniciales de esta investigacin. Como resultado de la evidencia
experimental recabada, el mejor curso de accin en esta etapa de la investigacin es usar mtodos
basados en rejillas. Por otra, parte se tiene evidencia experimental de que el enfoque de dos fases
puede contribuir a la solucin eficiente del problema.
Con base en la revisin del estado del arte y esta primera interaccin con el problema nos
proponemos profundizar en el estudio de los mtodos de solucin basados en rejillas y en el mtodo
de bsqueda local L-BFGS.
RECONOCIMIENTOS
Deseamos agradecer el apoyo recibido por parte del Dr. David Romero del Instituto de
Matemticas de la UNAM. Este trabajo se est desarrollando en el marco del convenio de
CONTECSI
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
REFERENCIAS
[1] A. Neumaier, Molecular modelling of proteins and mathematical prediction of protein structure, SIAM Review 39(3), 1997, pp. 407460.
[2] M. Locatelli, F. Schoen, Fast global optimization of difficult Lennard-Jones clusters, Kluwer Academic Publishers, Netherlands,
2000, pp. 1-20.
[3] David J. Wales, The Cambridge Cluster Database, disponible: http://www-wales.ch.cam.ac.uk/CCD.html
[4] D. Romero, C. Barrn, S. Gmez, A. Saavedra, Appl. Math. Lett. 12, 1999, pp. 85-90.
[5] D. Romero, C. Barrn, S. Gmez, The optimal geometry of Lennard-Jones clusters:148-309, Computer Physics Communications
123, 1999, pp. 87-96.
[6] X. Shao, Y. Xiang, H. Jiang, y W. Cai, An efficient method based on lattice construction and the genetic algorithm for optimization
of large Lennard-Jones clusters, J. Phys. Chem. A.108, 2004, pp. 3586-3592.
[7] J. Nocedal, Dong C. Liu, On the limited memory BFGS method for large scale optimization, Mathematical Programming 45, 1989,
pp. 503-528.
[8] X. Shao, Y. Xiang, L. Cheng, y W. Cai, Structural distribution of Lennard-Jones clusters containing 562 to 1000 atoms, J. Phys.
Chem. A.108, 2004, pp. 9516-9520.
[9] X. Shao, Y. Xiang, y W. Cai, Structural transition from icosahedra to decahedra of large Lennard-Jones clusters, J. Phys. Chem.
A.109, 2005, pp. 5193-5197.