Dissertation 6

SIMULAO DE MONTE CARLO NO MODELO DE
ISING NA REDE QUADRADA

Murilo Lacerda Santos
2014
Universidade Federal de Minas Gerais - UFMG

Instituto de Cincias Exatas - ICEx
Programa de Ps Graduao em Fsica
SIMULAO DE MONTE CARLO NO MODELO DE ISING NA REDE

QUADRADA
Murilo Lacerda Santos
Orientador: Prof. Dr. Joo Antnio Plascak

Co-orientador: Prof. Dr. Bismarck Vaz da Costa
Dissertao apresentada ao departamento de Fsica da Universidade Federal de Minas Gerais, para a obteno de Ttulo de
Mestre em Fsica
rea de Concentrao: Mecnica Estatstica.
2014
Comece por fazer o que necessrio, depois faa o que possvel e em breve estar fazendo o que
impossvel."
S. Francisco de Assis
Agradecimentos
Ao professor Plascak pela pacincia, orientao e dedicao. Que no somente orientou,
mas que me aconselhou durante esta fase to importante da minha vida. Ao professor Bismarck pela co-orientao e ajuda na defesa dessa dissertao.
Aos demais professores do
Departamento de Fsica do Instituto de Cincias Exatas, que contriburam para minha formao acadmica. Aos meus pais, irm, e todos os demais familiares e amigos que estiveram
comigo durante o mestrado. Em especial aos amigos do departamento que agregaram um
crescimento tanto pessoal, como prossional em minha vida: Diego, Tassius e Marcos. Alm
de outros amigos que estiveram presente nesse processo: Adalton, Joilson, Iana, Rafael,
rico, Alisson, Erik, Gustavo, Pedro, Eliel e Davi. A CAPES pelo auxlio nanceiro.
iv
Resumo
Neste trabalho, estuda-se, computacionalmente, as propriedades magnticas do modelo de
Ising ferromagntico numa rede quadrada e na ausncia de um campo magntico externo.
A parte inicial do trabalho envolve a fundamentao terica e o processo de construo dos
programas de simulao, tais como:
o programa de Monte Carlo, tcnica do histograma
simples e clculo de erros. Para o caso particular de um bloco de quatro spins foi obtido,
analiticamente, os resultados exatos, os quais foram comparados com os resultados obtidos
com a simulao de Monte Carlo. Essa comparao garantiu um melhor entendimento sobre
o processo de estimativa dos resultados gerados pela simulao numrica, alm de conrmar
que o cdigo est correto. Com o auxlio da tcnica do histograma simples e da teoria de
escala de tamanho nito (FSS) foi possvel um tratamento estatstico mais detalhado perto
da transio. Obtemos as grandezas desejadas: magnetizao, susceptibilidade magntica,
energia, calor especco e cumulante de Binder a partir das mdias, no decorrer da simulao. Obtivemos as quantidades termodinmicas do sistema para diferentes tamanhos de
redes e temperaturas. Vericamos a existncia de uma transio de fase, bem como o comportamento peculiar dessas grandezas prximas regio crtica. Os valores dos expoentes
crticos e da temperatura de transio estimados nesse trabalho coincidem com os valores
encontrados na literatura.
Palavras-chave:
Modelo de Ising, Monte Carlo, Expoentes crticos e Teoria de Escala de Tamanho
Finito
Abstract
In this work we study the magnetic properties of the ferromagnetic Ising model on a square
lattice, in zero external magnetic eld, through Monte Carlo simulations. The initial part
comprises the theoretical background and the simulations as the Monte Carlo code, the
single histogram technique and the estimate of the error bars. For the particular four-spin
cluster the exact results have been obtained and compared to the simulational ones. Such
comparison granted a better understanding of the process of generating the computational
data besides a way of conrming the correctness of the code.
histogram technique and the nite size scaling hypothesis.
Together with the single
We have obtained the mean
values of the magnetization, energy, specic heat, susceptibility and the Binder cumulant.
It was possible to obtain the thermodynamic quantities as a function of temperature and
the system size. It was evident the existence of a phase transition with its peculiar behavior.
Accordingly, we have obtained the critical temperature as well as the critical exponents of
the model. The values of the critical indices and the critical temperature agree well with
the exact ones and those coming from other computational methods.
Keywords:
Ising Model, Monte Carlo, Critical Exponents and Finite Size Scaling
II
Sumrio
Resumo
Abstract
II
Lista de Figuras
VI
Lista de Tabelas
VII
1 Introduo
2 Simulao de Monte Carlo
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
O Mtodo de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3
Princpio do balano detalhado
. . . . . . . . . . . . . . . . . . . . . . . . . .
2.4
Algoritmo de Metropolis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
2.5
Nmeros Pseudo-aleatrios
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.6
Estimativas de erros
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.7
Tcnicas de histogramas simples
. . . . . . . . . . . . . . . . . . . . . . . . .
3 Simulao de Monte Carlo no modelo de Ising

3.1
Modelo de Ising . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12
14
14
3.2
Simulao de Monte Carlo
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
3.3
Capacidade Trmica e Susceptibilidade Magntica . . . . . . . . . . . . . . .
17
3.4
Equilbrio
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5
Comparando o resultado da simulao numrica com a soluo exata para o

modelo de Ising com
L=2
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
III
17
20
SUMRIO
IV
4 Transies de Fases e Fenmenos Crticos
24
4.1
Fenmenos Crticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
4.2
Teoria de Escala de Tamanho Finito
28
. . . . . . . . . . . . . . . . . . . . . . .
5 Resultados e Discuses
31
5.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
5.2
O cumulante de Binder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
5.3
Estimativa do expoente
5.3.1
5.4
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
Tc
. . . . . . . . . . . . . . . . . . . . . . . . . . .
34
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
Nova estimativa de
Expoentes
6 Concluso e Perspectivas
39
6.1
Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
6.2
Perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
A Um apndice
41
Referncias Bibliogrcas
52
Lista de Figuras
3.1
Magnetizao em funo dos passos de Monte Carlo. T representa as temperaturas nas quais as simulaes foram feitas.
3.2
. . . . . . . . . . . . . . . . . . .
Energia em funo do nmeros de passos de Monte Carlo. T representa as

temperaturas nas quais as simulaes foram feitas.
3.3
19
. . . . . . . . . . . . . . .
19
Resultados para a energia, calor especico, modulo da magnetizao e susceptibilidade para o modelo de Ising na rede com
L = 2.
As linhas so os
resultados exatos e os pontos os resultados de Monte Carlo usando o mtodo

do histograma.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
T = 3.0 e tamanho de rede L = 16.
5.1
Histograma do modelo de Ising clssico com
5.2
Cumulante de Binder de quarta ordem em funo da temperatura para diferentes valores de

0
L.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3
ln[U4 ]
ln[L].
5.4
ln[Q]
5.5
Curvas do calor especco em funo da temperatura para o modelo de Ising
como funo de
ln[L].
como funo de
A reta apresenta o melhor ajuste para
2D obtido com a tcnica de histograma para diferentes valores de

5.6
L.
33
. . .
33
. . .
34
. . . . .
35
L.
O grco menor mostra os mximos para as redes menores. . . . . . . .
35
Temperatura pseudo-crtica, obtida do mximo do calor especco, como funo

de
para
= 1.01.
ponto de interseco
5.8
1/ .
32
Curvas da susceptibilidade em funo da temperatura para diferentes valores

de
5.7
1/ .
A reta apresenta o melhor ajuste para
22
As retas apresentam o melhor ajuste para
Tc = 2, 2724(30).
Tcc (L),
com
. . . . . . . . . . . . . . . . . . . . . .
36
Temperatura pseudo-crtica, obtida do mximo da susceptibilidade, como

funo de
Tc (L),
para
= 1.01.
As retas apresentam o melhor ajuste para
Com ponto de interseco
Tc = 2, 2706(20).
V
. . . . . . . . . . . . . . .
36
LISTA DE FIGURAS
5.9
VI
Curvas da magnetizao em funo da temperatura para o modelo de Ising

clssico 2D obtido com a tcnica de histograma para diferentes valores de
5.10 Ajuste linear para
ln[M (Tc )]
versus
5.11 Grco do lnmax por ln(L) sendo
ln[L]
max
L.
37
para diferentes valores de rede. . . .
38
a susceptibilidade mxima.
. . . . .
38
Lista de Tabelas
3.1
Representao da inverso de um spin de
para
numa rede quadrada.
Assumimos que um stio da rede representado na tabela est associado com

seus primeiros vizinhos, onde a seta
o spin
3.2
Si = 1.
representa Si = +1, e a seta representa
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A energia de interao entre primeiros vizinhos na ausncia de campo magntico externo no modelo de Ising (Eq. 3.1). . . . . . . . . . . . . . . . . . . .
3.3
24
estados do modelo de Ising a campo nulo
2 2.
Os stios do quadrado, em sentido horrio,
A energia e magnetizao de
sobre uma rede quadrada
esto dispostos linearmente.

3.4
6.1
15
Temperatura crtica
Tc
. . . . . . . . . . . . . . . . . . . . . . . . . . .
24
22
16
20

. . . . . . . . . . . . . . . . . . . . . . . . . .
e expoentes crticos
21
1
, e para o modelo de Ising
clssico, bi-dimensional obtidos pelas simulaes deste trabalho para comparao so mostrados os resultados exatos. . . . . . . . . . . . . . . . . . . .
VII
40
Captulo 1
Introduo
H uma grande variedade de sistemas fsicos que exibem comportamento crtico,

tais como: materiais magnticos, ligas metlicas, materiais ferroeltricos, superuidos, supercondutores, cristais lquidos, entre outros[1]. Esses fenmenos, que ocorrem na proximidade
da transio de fase, so caracterizados por comportamentos descontnuos ou singularidades
em algumas funes termodinmicas e, consequentemente, por mudanas repentinas nessas
propriedades devido variao contnua de um parmetro externo, como a temperatura,
campo magntico, presso e etc. Um exemplo bem conhecido a transio lquido-vapor,
no qual a gua, quando aquecida a uma temperatura especca e com presso constante,
entra em ebulio, transformando-se em vapor.
Outro exemplo, relacionado a materiais
magnticos, a transio ferromagntica - paramagntica. Um im, quando aquecido acima

de uma certa temperatura, sofre uma desmagnetizao. Ligas binrias sofrem transies de
ordenamento, como na liga metlica zinco-cobre.
Transies de fase so objeto de estudo h mais de um sculo [1].
Em 1873,
um trabalho de Van der Waals contm a primeira teoria que caracteriza a transio entre
as fases lquida e gasosa em uidos, levando em conta a repulso de caroo duro entre
as molculas.
As transies ferromagnticas, que inicialmente foram explicadas por uma
Captulo 1.
Introduo
teoria fenomenolgica proposta por Curie-Weiss [1], apresentaram muitos pontos em comum
com a teoria de Van der Waals[1, 2].
Essas teorias para a descrio qualitativa de vrios
tipos de transio de fases caram conhecidas como teorias clssicas.
Posteriormente, na
teoria proposta por Landau, unicou-se as teorias clssicas para transio de fase, onde
introduziu-se o conceito de parmetro de ordem e formulou-se uma expanso da energia
livre como uma srie de potncias em termos dos invariantes dos parmetros de ordem.
Exigiu-se que a energia livre fosse analtica nas vizinhanas da criticalidade, resultando em
valores clssicos para os expoentes crticos. Entretanto, a no analiticidade da energia livre
no limite termodinmico uma caracteristica da transio de fase.
Fora da criticalidade, as correlaes espaciais de grandezas termodinmicas do
sistema fsico decaem exponencialmente com a distncia.
No entanto, na criticalidade as
correlaes decaem obedecendo uma lei de potncia. O comprimento de correlao cresce

e diverge medida que se aproxima da temperatura crtica, tornando o sistema altamente
correlacionado. Essa divergncia do comprimento de correlao, na criticalidade, apresentase como uma caracterstica das transies de segunda ordem [3]. O comportamento crtico
pode ser descrito por um conjunto de expoentes crticos que dependem de poucos fatores,
como a dimensionalidade do parmetro de ordem, a dimensionalidade do sistema, e o alcance
das interaes, caracterizando um comportamento comum a sistemas, em princpio, muito
diferentes. Dizemos ento que esses sistemas esto em uma mesma classe de universalidade.
O desenvolvimento de tcnicas de simulao computacional mostrou-se importante no estudo de modelos em mecnica estatstica, possibilitando uma abordagem alternativa na descrio adequada de fenmenos fsicos nas vizinhanas dos pontos crticos. O
mtodo de simulao numrica, conhecido como Mtodo de Monte Carlo, que ser discutido
nesse trabalho, mostrou-se uma ferramenta poderosa para obter resultados onde os mtodos
de aproximao analtica falhavam[4]. Aplicado a modelos magnticos, para tratar transies
de fase, possibilitou a estimativa de expoentes e temperaturas crticas.
Esta dissertao est dividida em seis captulos.
No captulo 2 apresentamos
os conceitos relevantes de mecnica estatstica, a motivao para introduzir a simulao

numrica, uma discusso sobre a simulao de Monte Carlo e a tcnica do histograma que
foi utilizada para estimar com preciso os resultados apresentados neste trabalho.
Discu-
timos tambm sobre os algoritmos usados, bem como suas vantagens e desvantagens. No
Captulo 1.
Introduo
captulo 3 apresentamos a fsica do modelo de Ising, bem como a discusso de sua implementao computacional. O caso particular do sistema composto por quatro spins foi resolvido
exatamente. Os resultados exatos foram comparados com aqueles da simulao numrica,
servindo como um teste para o cdigo numrico. No Captulo 4 discutimos sobre transies
de fase e a teoria de escala de tamanho nito. Nos Captulos 5 e 6 apresentamos os resultados e concluses deste trabalho, bem como uma perspectiva para trabalhos futuros. No
Apndice A esto os algoritmos que foram desenvolvidos durante este trabalho e que foram
simulados no laboratrio de mecnica estatstica do Departamento de Fisca da Universidade
Federal de Minas Gerais.
Captulo 2
2.1
Introduo
A mecnica estatstica de equilbrio possibilita obter propriedades macroscpicas
do sistema conhecendo-se seus estados microscpicos [1]. Assim, no ensemble cannico, o

valor mdio de uma quantidade
calculado como
< A >=
1 X
A({X})eE({X}) ,
Z
(2.1)
{X}
onde a soma percorre todas as conguraes do sistema

fsica
na congurao
{X},
{X}, A({X}) o valor da quantidade
a funo de partio no ensemble cannico dada por
Z=
eE({X}) .
(2.2)
{X}
O smbolo
< ... >
na equao (2.1) denota mdia trmica. O sistema considerado estar
em contato trmico com um reservatrio temperatura
T.
O conjunto, sistema mais reser-
vatrio, encontra-se isolado e em equilbrio, de modo que a distribuio de probabilidade
Captulo 2.
para um microestado
{X}
dada pela distribuio de Boltzmann
Peq (E({X})) =
1 E({X})
e
.
Z
(2.3)
Logo, a equao (2.3) representa a probabilidade de que ocorra a congurao

equilbrio trmico temperatura
{X}
em
T.
A soma na equao (2.1) s pode ser feita de maneira exata em alguns casos
especiais, para modelos particularmente simples, devido ao nmero muito grande de conguraes e a complexidade das interaes envolvidas. Por exemplo, no caso do modelo Ising
com
stios, que ser exposto no captulo 3, a soma sobre
2N
conguraes. Se
for
muito grande o clculo das mdias uma tarefa praticamente impossvel do ponto de vista
computacional.
Em decorrncia disso, um nmero de tcnicas e mtodos computacionais foram
desenvolvidos ao longo da histria. Esse desenvolvimento apresentou-se de maneira eciente
para situaes onde difcil, ou ainda impraticvel, obter-se resultados de forma analtica.
O uso da simulao computacional possibilitou uma expanso da mecnica estatstica, estendendo o estudo para outras reas do conhecimento, tais como sistemas biolgicos (por
exemplo, hemoglobina, enzimas alostricas e DNA), redes sociais e sistemas magnticos [5, 4].
A utilizao de tais simulaes tornou-se um instrumento importante entre a teoria e o experimento, corroborando resultados experimentais e tambm ajudando na interpretao de
dados experimentais [6] e analticos.
2.2
O Mtodo de Monte Carlo

A simulao de Monte Carlo (MC) um mtodo numrico que nasceu em 1949
com trabalhos de John Von Neuman e Stanislav Ulam, para avaliar solues para alguns
problemas matemticos [7].
Em princpio, o mtodo de Monte Carlo no foi feito para
resolver problemas na Fsica, mas para calcular integrais [7]. No entanto, em 1953 Metropolis
e outros colaboradores [8] aperfeioaram o mtodo como um instrumento de uso em mecnica
estatstica. Atualmente, com o avano dos computadores e o desenvolvimento de poderosos
algoritmos, o mtodo de MC tornou-se uma importante ferramenta em todos os campos da
cincia.
Captulo 2.
O uso do mtodo de MC para o clculo de integrais tem uma convergncia que
1
proporcional a
NM CS
, com
NM CS
representando o nmero de conguraes usadas para
estimar a mdia, enquanto mtodos de diferena nita convergem com

dimenso espacial onde se realiza a integral e
m-dimensional.
, onde
d
N
fornece o nmero de pontos num espao
Portanto, o erro no mtodo de MC no depende da dimenso, tornando
este mtodo bastante ecaz quando
d > 4
[9].
Como consequncia, isso produz uma boa
estimativa para o clculo de mdias em sistemas de muitas partculas [10].

Em geral, o mtodo de MC consiste em gerar conguraes de um sistema fsico,
fundamentado sobre uma certa distribuio de probabilidade, para em seguida estimar o valor
esperado
< A >M C ,
de alguma quantidade
A.
Como discutido na ltima seo, o clculo direto das somas na equao (2.1) s
possvel em sistemas muito pequenos. Caso contrrio, isso se torna impraticvel, uma vez
que o nmero de conguraes aumenta exponencialmente com o tamanho
do sistema.
Contudo, a simulao de Monte Carlo, aliada ao algoritmo da seo (2.4) a seguir, prope
uma soluo para este problema. O procedimento consiste em obter amostras no espao de
conguraes e calcular as mdias usando esta amostragem. Como ser mostrado adiante,
esta amostragem pode ser feita de forma inteligente seguindo a distribuio de Boltzmann,
isto , selecionando uma poro do espao de conguraes de onde vm as contribuies
mais importantes para o efeito do clculo do valor mdio.
Se a amostra for sucientemente grande, pode-se garantir que a estimativa converge para o resultado exato. Essa a ideia bsica da amostragem por importncia (impor-
tance sampling). A estimativa da mdia de uma quantidade
< A >=
dada por
1 X
.
A({X})eE({X}) = < A >M C ,
Z
(2.4)
{X}
onde
< A >M C
a estimativa obtida com o mtodo de MC, baseado na idia de amostragem
por importncia.
Se tivermos
conguraes
distribuio de Boltzmann, a estimativa
{X}1 , {X}2 , {X}3 , ..., {X}M
< A >M C
do valor mdio de
obtidas segundo a
pode ser escrita
como
PM
hAiM C =
i=1 A({X}i )
.
=<A>.
(2.5)
Captulo 2.
Assim, substituimos a mdia cannica (mdia de ensemble)
< A > por uma mdia < A >M C
sobre a sequncia de microestados pelo qual o sistema passa ao se gerar as conguraes de

MC.
Em suma, a vantagem do mtodo est na capacidade de obter estimativas de
grandezas fsicas apenas sorteando uma amostra de conguraes do sistema, distribudos
pelos microestados segundo a distribuio de probabilidade de equilbrio (distribuio de
Boltzmann). Substitumos a soma sobre todos os possveis estados do ensemble pela soma
sobre os microestados da amostragem. evidente que o uso de uma regio restrita do espao
de conguraes do sistema introduz erros sistemticos na estimativa. O clculo de alguns
desses erros ser discutido mais adiante.
Para garantir que a equao (2.5) seja realizada sobre os estados gerados de
acordo com a distribuio de Boltzmann, devemos garantir que o processo de escolha das
conguraes seja markoviano e obedea, pelo menos, a condio de balano detalhado como
discutido na prxima seo.
2.3
Princpio do balano detalhado

Atravs de um processo de Markov a simulao de Monte Carlo escolhe con-
guraes com certa probabilidade, gerando uma sequncia de conguraes independentes.

Por exemplo, a probabilidade do sistema ser encontrado em qualquer estado especco
P (E ),
que depende apenas da probabilidade da congurao imediatamente anterior onde
o sistema se encontrava.
O processo de Markov [7] pode ser entendido como uma trajetria aleatria entre
as conguraes de
para
governada por uma taxa de transio
( ) = .
Essas
taxas determinam o comportamento da cadeia de Markov, propondo uma maneira de gerar

um novo estado a partir de um estado inicial, de modo aleatrio, e usando uma probabilidade
de transio que depende somente da diferena de energia do estado inicial e nal, passando
assim atravs de uma variedade de estados como no esquema abaixo
Captulo 2.

P (E , t)

P (E , t)

No esquema acima, as setas indicam as transies dos estados

versa. Essas probabilidades de transio
para
e vice-
devem satisfazer as seguintes condies:
1. No variar com o tempo;
2. Depender somente dos estados
e no dos estados anteriores.
Satisfazer esses critrios sugere que a probabilidade do sistema ir para o estado

estando no estado
uma vez
sempre a mesma, no importando o que tenha acontecido anterior-
mente.
A simulao de Monte Carlo com o algoritmo acima no uma dinmica. Ela
gera estados
atravs de um processo estocstico, de modo que a probabilidade
P (E )
dada pela distribuio cannica. Para atingir esse objetivo, escolhe-se uma cintica que
governa a mudana de um estado para outro. Este processo governado por uma equao
mestra que descreve a cintica da probabilidade de ocorrncia dos estados
P (E , t).
Em
outras palavras, descreve a cintica das distribuies de probabilidades dos processos estocsticos Markovianos discretos. A equao mestra
X
d
P (E , t) =
[P (E ) P (E ) ] ,
dt
onde
P (E , t)
a probabilidade do sistema estar no estado
a taxa de transio entre os estados correspondentes.

respectivamente
no instante
(2.6)
com
As energias dos estados
sendo
so
E .
As taxas de transio
so escolhidas de modo que a soluo de equilbrio
para a correspondente equao mestra seja a distribuio de Boltzmann. A partir dos estados
gerados obtemos as estimativas para o observvel de interesse. Em equilbrio
d
P (E, t) = 0,
dt
isto
Peq (E )
Peq (E ) = 0.
(2.7)
Captulo 2.
A equao acima possui vrias solues.
No entanto, essa condio de equilbrio estar
garantida se os termos da somatria cancelarem-se termo a termo, levando a concluir que

uma soluo particular dada por
Peq (E ) = Peq (E ) .
(2.8)
A condio acima conhecida como princpio do balano detalhado (PBD). Com o nico
requisito que a taxa de transio satisfaa a condio de balano detalhado, para que a
distribuio de probabilidades seja uma distribuio de equilbrio, podemos escolher
como uma distribuio de Boltzmann.
P (E )
Usando a equao (2.3) e o princpio do balano
detalhado (2.8) temos
eE
= E = e(E E ) .
(2.9)
O PBD uma condio necessria para garantir que o sistema atinja a situao
de equilbrio aps certa quantidade de transies. Como os denominadores
se cancelam,
somente a diferena de energia entre os dois estados necessria, assim a probabilidade de

transio depende da diferena entre as energias dos respectivos estados
E = E E .
(2.10)
Qualquer taxa de transio que satisfaa a condio de balano detalhado

suciente para se utilizar em um algoritmo de Monte Carlo. Alm do mais, a escolha (2.9)
das probabilidades de transio satisfazendo o PBD, para qualquer
leva a uma taxa
positiva e, portanto, podemos atingir qualquer congurao do sistema a partir de um
nmero nito de passos. Esse critrio adicional chamado de ergodicidade. A ergodicidade

est garantida, pois existe para esse algoritmo uma probabilidade diferente de zero para que
qualquer possvel congurao do sistema seja atingida. O conceito de ergodicidade [11]
mais amplo, no sendo uma consequncia do PBD. A ergodicidade garante que mdias em
ensemble so iguais a mdias no tempo, isto , qualquer microestado do sistema fsico pode ser
atingido a partir de qualquer parte do espao de conguraes. Logo, o princpio do balano
detalhado uma condio necessria, mas no suciente, sendo preciso tambm garantir o
critrio da ergodicidade para que o sistema atinja o estado de equilbrio de Boltzmann.
Um dos algoritmos usados para construir a sequncia de Markov conhecido
como algoritmo de Metropolis, que ser descrito na prxima seo.
Captulo 2.
2.4
10
Algoritmo de Metropolis
Um dos algoritmos usados no mtodo de Monte Carlo o Algoritmo de Metropo-
lis [11], que foi introduzido por Metropolis e colaboradores em 1953 [8]. No algoritmo de
Metropolis, conguraes so geradas de acordo com a distribuio de Boltzmann, efetuando
uma sequncia de sorteios aleatrios de transies entre estados, garantindo que a congurao nal seja a de equilbrio. A taxa de transio entre estados
satisfazem o princpio
de balano detalhado (2.9) e so escolhidas de modo a permitir que as conguraes mais

provveis tenham mais chance de ocorrer na mdia das grandezas de interesse, isto , restringindo a busca a um subconjunto de conguraes estacionrias que so energeticamente
favorveis.
Como as taxas de transio devem satisfazer primeiramente o princpio do balano detalhado, neste trabalho a escolha dessas taxas de transio usadas na simulao de
Monte Carlo foi prescrita pelo algoritmo de Metropolis, a saber
w =
1,
se
E < E ,
e(E E ) ,
se
E > E .
(2.11)
Como exemplo, vamos considerar um modelo discreto denido em uma rede

com
stios. A cada stio
associamos uma varivel estocstica
sistema representado como

varivel no stio
i.
= (S1 , S2 , S3 , ..., SN ) = {Si } ,
Si .
onde
Um estado coletivo do
Si
designa o estado da
O procedimento a seguir ilustra o mtodo de MC usando o algoritmo de
Metropolis.
1. Geramos uma congurao inicial
= {Si } ;
2. Geramos aleatoriamente uma nova congurao, obtida de
{Si } , = (S1 , S2 , S3 , ..., SN ) =
{Si }+1 ;
3. Calcula-se
E = E+1 E ;
4. Se
E 0,
5. Se
E > 0,
Calculamos
intervalo
a antiga congurao substituida pela nova;
a mudana pode ainda ser aceita com uma probabilidade
p = eE
[0, 1],
e geramos um nmero aleatrio
de modo que, se
p = eE .
uniformemente distribudo no
a mudana aceita e a nova congurao ser
Captulo 2.
6. Se
> p,
11
a congurao continuar a mesma, retorna-se ao item 3, repetindo o pro-
cesso.
Aps um nmero sucientemente grande de repeties, uma cadeia Markoviana

gerada, obedecendo a condio de balano detalhado e a hiptese de ergodicidade. Dessa
forma, a convergncia para o estado estacionrio garantida [12].
2.5
Nmeros Pseudo-aleatrios
Neste trabalho foi utilizado o gerador de nmeros pseudo aleatrios lineares
congruentes, que gera um nmero pseudo-aleatrio
1.
rand
entre o intervalo
O gerador congruencial usado no foi o mais sosticado de sua familia.
0 < rand <

Porm, o
mais simples e o que consome menos tempo de computao para a sua implementao nas
simulaes numricas. Por essa razo o utilizamos nesse estudo, com o intuito simplesmente
de reproduzirmos os resultados da criticalidade do modelo de Ising bidimensional de spin-1/2.
2.6
Estimativas de erros
Aps uma simulao com (do ingls
Monte Carlo steps discarded)
M CSD passos
iniciais de Monte Carlo, espera-se que o sistema seja conduzido ao equilbrio e, a partir desse
equilbrio, um novo conjunto contendo
mdias. A quantidade
M CSD
M CS conguraes so construdas para o clculo das
inicial depende, em geral, da cintica do modelo, do tamanho
da rede e da temperatura da simulao. Parecido com os processos experimentais, no clculo

computacional das quantidades desejadas, surgem erros estatsticos que so inerentes ao
mtodo. No caso do Monte Carlo, so gerados pela mdia temporal que feita sobre um
tempo nito de simulao. Logo, alm de medir os valores esperados, haver a necessidade
de estimar os erros sobre esses valores.
H, naturalmente, outros erros a que o MC est
submetido [7], como erros sistemticos. Os erros sistemticos podem surgir de outros meios
que geralmente afetam a simulao, como a dependncia dos resultados com as tcnicas do
histograma simples, a qual calcula as mdias em uma temperatura prxima que foi gerada
as conguraes, o uso de geradores de nmeros aleatrios ruins, etc.
Realizando a simulao no modelo de Ising, descrita na prxima seo, a cada
passo de Monte Carlo uma quantidade
A(t)
medida, onde
nesse caso faz o papel do
Captulo 2.
12
tempo computacional e representa um passo de MC. Para uma simulao, a estimativa da

mdia de qualquer quantidade do sistema durante a simulao dada pela quao (2.5). Se
as quantidades medidas
A(t)
so estatisticamente independentes uma da outra, o processo
simples que estima o erro estatstico nessa quantidade medida dado pelo seu desvio padro
s
=
hA2 i hAi2
.
M CS 1
(2.12)
Esta expresso vlida quando as amostras so estatisticamente independentes. Embora no

caso de MC exista ainda uma correlao entre as conguraes, para as grandezas que so
obtidas diretamente de medidas realizadas durante a simulao supe-se quo e o erro possa
ainda ser obtido atravs da expresso acima.
2.7
Tcnicas de histogramas simples

A construo de um histograma de energia a uma temperatura dada permite cal-
cular, com razovel preciso, quantidades termodinmicas em temperaturas vizinhas quela

temperatura. Usando a tcnica desenvolvida por Ferrenberg [13] possvel extrapolar o histograma para temperaturas prximas simulada. Realizando a simulao de Monte Carlo a
uma temperatura dada
T0 ,
conguraes so geradas de acordo com a distribuio cannica
P0 (X) =
onde o hamiltoniano
com
kB
H({X})
e0 H({X})
,
Z(0 )
(2.13)
a energia do sistema no microestado
a constante de Boltzmann, e
Z(0 ) =
e0 H({X})
{X}, 0 = 1/kB T0 ,
a funo de partio. No
ensemble cannico
P0 (E) =
onde
a energia e
g(E)e0 E
,
Z(0 )
(2.14)
g(E) a densidade de estados com energia E .
de qualquer funo de
Dessa forma, o valor mdio
pode ser escrito como
g(E)e0 E
,
Z(0 )
(2.15)
onde a soma acima sobre todas as energias do sistema.
Como a simulao gera con-
P
< A >0 =
guraes segundo a distribuio de probabilidade de equilbrio, um histograma da energia
H(E)
(o nmero de vezes que o estado de energia
se repete) fornece uma estimativa para
a distribuio de probabilidade de equilbrio (2.14). A razo
H(E)/N ,
onde
o nmero
Captulo 2.
13
de medidas, uma estimativa da simulao para a distribuio obtida do resultado terico
P0
H(E)
g(E)e0 E
.
= P0 (E) =
N
Z(0 )
Utilizando a equao acima para
mativa para o valor da densidade de estados
g(E) =
T0
(2.16)
podemos considerar
g(E)
g(E)
como uma esti-
e obtemos
H(E)Z(0 )e0 E
.
N
(2.17)
Por outro lado, para a distribuio de probabilidade em uma certa temperatura

arbitrria
temos
P (E) =
Inserindo a estimativa
P (E) = 1,
g(E),
g(E)eE
.
Z()
(2.18)
na equao acima, e impondo a condio de normalizao
obtemos
H(E)eE
,
P (E) = P
E
E H(E)e
onde
= ( 0 ).
(2.19)
Dessa forma, a mdia para qualquer funo de
P
hf (E)i =
f (E)H(E)eE
E
P
.
E
E H(E)e
Podemos, portanto, ao realizar uma simulao em

obter estimativas em temperaturas
prximas de
T0 ,
calcular
dada por
(2.20)
H(E)
e, da equao acima,
T0 .
A tcnica do histograma em conjunto com a simulao de Monte Carlo permite

uma descrio acurada do comportamento crtico, pois permite renar os resultados obtidos durante a simulao. Conjuntamente com os histogramas, a anlise de tamanho nito
permite a obteno de resultados no limite termodinmico.
Na seo seguinte ser descrito o processo de simulao no modelo de Ising,
bem como as principais quantidades termodinmicas de interesse e sua importncia para o
objetivo do trabalho.
Captulo 3
Simulao de Monte Carlo no modelo

de Ising
3.1
Modelo de Ising
O modelo conhecido como modelo de Ising foi proposto por Wilhelm Lenz, em
1920, com o objetivo de estudar os fenmenos magnticos em certos materiais. Este modelo
foi resolvido por seu estudante de doutoramento, Ernst Ising [14], em 1925, para o caso
unidimensional, o qual chegou concluso que o modelo no exibe transio de fase em
temperatura nita.
No entanto, resultados de campo mdio sugeriam a possibilidade de
existir pelo menos uma transio de fase em dimenses superiores.
Posteriormente, em
1944, o qumico noruegus Lars Onsager [15] encontrou uma soluo analtica para o modelo
bidimensional sem campo magntico, provando que o mesmo apresentava transio de fase de
segunda ordem. Para dimenses superiores no h soluo exata analtica. Vrias tcnicas
aproximadas fornecem resultados que permitem estudar o diagrama de fase do modelo.
O modelo de Ising [12, 11] um toy model no estudo dos fenmenos crticos e
transies de fase. Apesar de ter sido, originalmente, proposto para o estudo de fenmenos
14
Captulo 3.
15
Simulao de Monte Carlo no modelo de Ising
magnticos, o modelo de Ising tem sido usado tambm no estudo de sistemas no magnticos,
cujas variveis se caracterizam por poderem assumir apenas dois valores (p.e.
Si = 1).
O modelo de Ising com campo magntico externo descrito pelo seguinte hamiltoniano
HI = J
Si Sj + B
Si ,
(3.1)
i=1
hi,ji
onde
N
X
a energia de interao entre primeiros vizinhos e
representa um campo magntico
externo. A primeira soma realizada sobre os pares de primeiros vizinhos

soma sobre os
spins da rede e
hi, ji,
a segunda
Si = 1.
Tabela 3.1: Representao da inverso de um spin de
para numa rede quadrada.
Assum-
imos que um stio da rede representado na tabela est associado com seus primeiros vizinhos,
onde a seta
representa
Si = +1,
e a seta
representa o spin
3.2
Si = 1.

A equao (3.1) para o modelo de Ising descreve a dependncia da energia sobre
as conguraes de spin. No entanto, do ponto de vista computacional, isso no suciente

para determinar como o sistema muda de uma congurao para outra.
Essa cintica
introduzida na forma de algoritmos de Monte Carlo. Para a implementao computacional

do procedimento numrico discutido na seo (2.4), temos que estabelecer inicialmente o
tipo de rede (cbica, triangular, quadrada, retangular e etc...) e seu nmero de spins. Ns
usamos redes quadradas com condies peridicas de contorno, com intuito de eliminar os
efeitos de borda, permitindo assim que todos os spins tenham o mesmo nmero de vizinhos.
Em cada stio da rede tem-se uma varivel aleatria caracterizada por
S = 1.
Um estado
particular ou congurao do sistema magntico caracterizado pela orientao dos spins

em cada stio que podem ser
S = 1.
A Tabela 3.1 mostra as interaes possveis entre
pares de spins numa rede quadrada onde o spin central foi invertido. O primeiro passo para
a implementao computacional consiste em escolher a congurao inicial do sistema. Em
Captulo 3.
16
nosso caso a congurao inicial foi todos spins alinhados no estado
E = J
E = +J
+1.
Tabela 3.2: A energia de interao entre primeiros vizinhos na ausncia de campo magntico
externo no modelo de Ising (Eq. 3.1).
Para obter as conguraes de equilbrio descartamos MCSD conguraes, onde

o critrio ser discutido a seguir. Denimos um passo de Monte Carlo como o processo de
visitar
spins na rede durante cintica de Metropolis. A cada passo de MC so atualizadas
as quantidades de interesse, que no modelo de Ising so o momento magntico

energia
Ei = E(t).
Mi = M (t) e a
Esses valores so ento armazenados em uma tabela para serem utilizados
depois na construo dos histogramas e clculo das mdias de interesse.
Por exemplo, as
quantidades de interesse como energia e a magnetizao so obtidas de
M
CS
X
1
Ei ,
M CS
(3.2)
M
CS
X
1
hM i
=
Mi .
N
N M CS
(3.3)
hEi =
i=1
hmi =
i=1
Para simplicar e aumentar a ecincia do cdigo um detalhe relevante est

no clculo de exponenciais do algoritmo, o qual aumenta o tempo computacional. Com o
intuito de evitar esse esforo, observa-se da Tabela 3.1 que as diferenas de energia s podem
assumir um nmero pequeno de valores. Como cada um dos termos tem apenas dois valores
+1
1,
analisando as conguraes em uma rede quadrada bidimensional, onde cada spin
tem 4 vizinhos, observa-se que para 4 spins os valores possveis de diferenas de energias so
+8J, +4J, 0, 4J, 8J ,

se temos
vizinhos mais prximos, onde
pode ser expressa como

no total
de modo que a diferena mxima de energia
z+1
8J .
De maneira geral,
o nmero de coordenao da rede, a energia
2nJ , onde n pode assumir apenas os valores z, z + 2, ..., z 2, +z ,
valores possveis. Assim, armazenar os valores dos clculos das energias na
memria do computador torna-se eciente em termos de tempo computacional. Em geral,

guarda-se os valores dessas exponenciais por meio de um vetor, onde se pode simplesmente
procur-los quando for necessrio durante a simulao.
Captulo 3.
3.3
17
Capacidade Trmica e Susceptibilidade Magntica

Outras propriedades termodinmicas so encontradas realizando os clculos das
correspondentes mdias a partir da funo de partio do sistema. Com relao a capacidade

trmica volume constante
Cv
temos
hEi
1 hEi
= 2
.
T
T
Cv =
(3.4)
A partir da denio de mdia de ensemble para a energia interna de uma amostra possvel
obter a relao entre energia interna e a derivada logartmica da funo partio
hEi =
ln Z
.
(3.5)
O calor especco ento dado pela utuao da energia conforme abaixo
1
2
( E hhEii2 ).
T2
C=
(3.6)
De maneira semelhante a susceptibilidade magntica calculada via utuao

do parmetro de ordem (magnetizao) [11]:
=
Nas expresses acima foi considerado
1
2
( M hM i2 ).
T
J =1
kB = 1,
(3.7)
de forma que a temperatura
se de uma temperatura reduzida ou medida em unidades de
J/kB .
trata-
As expresses acima
mostram como a capacidade trmica e a susceptibilidde magntica podem ser calculadas dos
dados da tabela obtida via simulao.
3.4
Equilbrio
Apesar da convergncia estar garantida para o estado de equilbio, segundo a
condio de balano detalhado e a ergodicidade do procedimento, as transies aleatrias

que ocorrem durante o incio da simulao partem de um estado arbitrrio, de no equilbrio.
Dessa maneira, surge a necessidade de se descartar os primeiros passos da simulao, em
outras palavras, as primeiras conguraes, para permitir que o sistema entre em equilbrio
antes que as medidas das quantidades sejam realizadas, possibilitando boas estimativas das
grandezas desejadas. Existem vrios procedimentos para estimar o nmero de conguraes
Captulo 3.
18
que devem ser descartadas antes das medidas serem realizadas.
Uma maneira utilizada
para estimar esse nmero de passos consiste em fazer um grco de algumas quantidades
de interesse (tal como, magnetizao, energia total) em funo dos passos de Monte Carlo.
A anlise dos grcos permite observar a evoluo dessas grandezas a partir do incio da
simulao at o sistema atingir o equilbrio. Durante esse processo ca claro o momento em
que a grandeza comea a utuar em torno de um valor xo. O sistema s entrar em equilbrio
aps um nmero nito de
tempo de relaxao,
M CSD
M CSD,
passos, que denominado de tempo de relaxao. Esse
para o sistema convergir para o regime estacionrio depende
de fatores como temperatura (distncia temperatura crtica), tamanho e dimensionalidade

da rede, nmero de estados dos spins, condies de contorno e algoritmo utilizados, etc.
As guras 3.1 e 3.2 mostram, respectivamente, o comportamento da magnetizao e da energia do sistema nito com
L = 100
como funo do nmero de passos de
Monte Carlo, a partir da congurao inicial com spins alinhados, para trs temperaturas
diferentes: acima de
Tc , T = 4, 0; abaixo de Tc , T = 1, 9; e perto de Tc , T = 2, 4, onde a tem-
peratura de transio, no limite termodinmico, dada por
Tc = 2, 2691... [15].
que estamos adotando uma temperatura reduzida medida em unidades de
Enfatizamos
J/kB .
Acompan-
hando essa simulao possvel estimar quando o sistema atinge o equilbrio, possibilitando
observar o tempo de relaxao do sistema. Essa estimativa do nmero de passos de Monte
Carlo para que o sistema atinja o equilbrio de fundamental importncia na obteno dos
resultados, isto porque as mdias so tomadas no equilbrio. Os primeiros passos so caracterizados com uma mudana na energia e no parmetro de ordem (magnetizao) no perodo
que o sistema est relaxando para o equilbrio.
Da gura 3.1, magnetizao versus passos de Monte Carlo, para temperatura
T = 2, 4,
prxima a temperatura crtica
(T = T c),
o sistema leva claramente mais tempo
para atingir o equilbrio, j que as correlaes entre os constituintes do sistema nessa regio
decaem de forma muito mais lenta, possuindo utuaes muito grandes.
temperatura acima de
T c, T = 4, 0
O sistema para
decai bem mais rpido e a magnetizao oscila em
torno do zero, como esperado, enquanto para temperaturas abaixo da crtica o decaimento
tambm rpido, porm oscila em torno de valor diferente de zero, pois nesse caso o sistema
est ordenado.
Note que como o sistema nito a magnetizao mdia nula, de forma
que calculamos o valor mdio do mdulo da magnetizao, que nesse caso no se anula. O
Captulo 3.
19
mesmo comportamento obtido no caso da energia mdia, como na gura 3.2.
T=1,9
0,8
<|m|>
0,6
T=2,4
0,4
0,2
T=4,0
0
0
200
400
600
800
1000
MCS
Figura 3.1: Magnetizao em funo dos passos de Monte Carlo. T representa as temperaturas nas quais as simulaes foram feitas.
-0,6
T=4,0
-0,8
<E>
-1
T=2,4
-1,2
-1,4
-1,6
T=1,9
-1,8
-2
0
200
400
600
800
1000
MCS
Figura 3.2: Energia em funo do nmeros de

passos de Monte Carlo. T representa as temperaturas nas quais as simulaes foram feitas.
Para essas quantidades e esse valor de rede podemos ver que

tempo razovel para o sistema equilibrar-se.
rede, pois medida que
M CS = 400
um
Esse valor depende tambm do tamanho de
L cresce o tempo de relaxao tambm cresce.
Como no medimos as
correlaes, os grcos dos captulos seguintes foram obtidos aps descartar
M CSD = 5104
passos de MC. Assim, utilizamos os grcos acima da energia e magnetizao em funo do
M CS
somente para se ter uma ideia grosseira do tempo de relaxao.
Captulo 3.
3.5
20
Comparando o resultado da simulao numrica com a

soluo exata para o modelo de Ising com
L=2
Em geral, obter as propriedades termodinmicas do sistema usando a equao

(2.1) uma tarefa muitas vezes impraticvel do ponto de vista computacional, devido ao
grande nmero de conguraes (estados) e a complexidade das interaes envolvidas.
que buscamos, em geral, estimar uma quantidade no limite termodinmico. Naturalmente,

isto computacionalmente impossvel.
No entanto, a tcnica conhecida como nite size
scaling (FSS), nos permite extrapolar para o limite termodinmico uma srie de medidas
feitas em sistemas nitos para o limite innito. Esta discusso ser feita posteriormente.
Para testar nosso cdigo usaremos como exemplo o modelo de Ising com
L L = 4.
Neste caso, o nmero total de conguraes
24
N =
pequeno, assim todos os estados
possveis (conguraes) do modelo podem ser enumerados para o clculo exato sobre todas
as conguraes do sistema. As 16 conguraes possveis para essa rede so dadas abaixo
na Tabela 3.3, sendo spin para cima representado por
Tabela 3.3:
2 2.
24
e para baixo por
Os stios do quadrado, em sentido horrio, esto dispostos
linearmente.
Mi
Mj
+ + ++
-8K
-4
+ + +
-2
+ + +
-2
+ ++
-2
+ ++
-2
+ +
++
+ +
+ +
+ +
+ +
+8K
O nmero de conguraes com mesma energia e magnetizao mostrado na

tabela 3.4, de onde as propriedades termodinmicas podem ser obtidas.
Utilizando-se essa
tabela, com condies peridicas de contorno, temos para a funo de partio do sistema.
Z = 2e8J + 12 + 2e8J ,
(3.8)
Captulo 3.
Tabela 3.4: A energia e magnetizao de

uma rede quadrada
Spins +
21
24
estados do modelo de Ising a campo nulo sobre
22
o de microestados com mesma energia
Energia
Magnetizao
-8
-2
-8
-4
e usando a relao
coshx =
ex +ex
podemos reescrev-la como
2
Z = 12 + 4cosh(8J).
(3.9)
Usando a equao (3.5) e a equao (3.9) encontramos para a energia interna
hEi =
que, usando a relao
senhx =
[2(8)e8J + 2(8)e8J ]
ln Z
=
,
(3.10)
ex ex
, pode ser reescrita como
2
hEi =
8senh(8J)
.
3 + cosh(8J)
(3.11)
As outras quantidades de interesse (magnetizao, suceptibilidade e calor especco) podem ser encontradas de maneira similar, usando as equaes (3.6) e (3.7), onde os
resultados so
hE 2 i =
[(2 64)e8J + (2 64)e8J ]

,
Z
(3.12)
(0)
= 0,
Z
(3.13)
h|M |i =
[(2 4)e8J + (8 2)]

,
Z
(3.14)
hM 2 i =
[(2 16)e8J + (8 4)]

.
Z
(3.15)
hM i =
A magnetizao por partcula, a susceptibilidade e o calor especco podem ainda ser escritos
como
m=
hM i
= (2 + exp(8/T ))/(6 + 2cosh(8/T )),
4
(3.16)
Captulo 3.
22
= (1 + exp(8/T ))/(T (6 + 2cosh(8/T )))
(4 + 4exp(8/T ) + exp(16/T )
,
(T (36 + 24cosh(8/T ) + 4cosh(8/T )cosh(8/T )))
(3.17)
c = ((4cosh(8/T ))/((T 2 )(3+cosh(8/T )))
(4sinh(8/T )sinh(8/T ))
,
((T 2 )(9 + 6cosh(8/T ) + cosh(8/T )cosh(8/T ))))
(3.18)
onde
T = (/J)1
a temperatura reduzida.
Os resultados exatos acima podem ser comparados com os obtidos de uma simulao de Monte Carlo.
0,2
0
Metropolis L=2
Exato L=2
0,15
-1
<E>
-0,5
-1,5
0,1
0,05
-2
10
10
10
0,04
1
0,9
0,7
<|m|>
0,03
0,8
0,02
0,6
0,01
0,5
0,4
10
Figura 3.3: Resultados para a energia, calor especico,

modulo da magnetizao e susceptibilidade para o modelo de Ising na rede com
L = 2.
As linhas so os
resultados exatos e os pontos os resultados de Monte

Carlo usando o mtodo do histograma.
Os resultados numricos com
107 M CS ,
descartando-se
L=2
M CSD = 5 104
foram obtidos via um histograma feito com
numa temperatura
T0 = 4.0
e extrapolando
os resultados variando a temperatura localmente. Os programas utilizados encontram-se no

Apndice.
Captulo 3.
23
A gura 3.3 mostra os resultados exatos em comparao com os obtidos pela

simulao de MC com o emprego do histograma simples.
Podemos ver, claramente, uma
tima concordncia dentro da escala utilizada. Isso serve para um teste do cdigo numrico
bem como do emprego do gerador de nmeros aleatrios, que no caso, como discutido anteriormente, o mais simples e o que consome menos tempo de computao.
Podemos ainda notar que somente um histograma foi necessrio para todo intervalo de temperatura. Isso s foi possvel por causa do pequeno tamanho da rede. Nesse
caso, todas as conguraes para essa temperatura foram sorteadas e o histograma obtido
foi vlido para temperaturas longe da escolhida no histograma. Isso no ocorre para redes
maiores, onde a validade do histograma se restringe a valores de temperaturas prximas
daquela onde foram geradas as conguraes.
Captulo 4
Transies de Fases e Fenmenos

Crticos
4.1
Fenmenos Crticos
Como j discutido anteriormente, transies de fases [1, 16] so fenmenos pre-
sentes em uma variedade de sistemas, como uidos, sistemas magnticos e ligas metlicas.
Por exemplo, a gua, quando aquecida a uma temperatura especca e com presso constante, entra em ebulio, transformando-se em vapor. Essa transio lquido-vapor caracteriza uma mudana de fase ou estado da matria. H outros tipos de transio de fase que
esto relacionadas a materiais magnticos e que esto presentes em fsica da matria condensada. Como por exemplo, o im, que uma substncia ferromagntica e quando aquecida
perde sua imantao a uma temperatura bem denida, denominada temperatura de Curie,
tornando-se um paramagneto. Pode-se tambm caracterizar as fases desses sistemas como
uma fase ordenada, de menor simetria, e uma fase desordenada, com maior simetria.
Esses sistemas apresentam um comportamento peculiar nas vizinhanas da transio de fase. Para descrever a transio de fase Landau introduziu o conceito de parmetro
24
Captulo 4.
25
Transies de Fases e Fenmenos Crticos
de ordem [1], cuja propriedade importante assumir o valor nulo na fase desordenada e um
valor no nulo na fase ordenada. No caso da transio de fase lquido-vapor, pode-se denir
como parmetro de ordem a diferena entre as densidades do lquido e do vapor do uido
L G ,
pois h coexistncia das fases lquida e gasosa para temperaturas inferiores a
Tc
e, medida que a temperatura aumenta a diferena entre essas densidades vai para zero.
Em sistemas magnticos, como o exemplo do im, o parmetro de ordem a magnetizao
espontnea, pois deixa de existir para temperaturas superiores temperatura crtica. Em todos os casos acima o parmetro de ordem se anula para temperaturas acima da temperatura
de transio.
Do ponto de vista matemtico as transies de fases so caracterizadas por

um comportamento no analtico das propriedades termodinmicas do sistema, que ocorre
quando se varia continuamente um parmetro externo, como a temperatura, campo magntico, presso, etc. De acordo a classicao de Ehrenfest [16], a transio de fase determinada com a mudana descontinua nas funes termodinmicas, sendo do tipo de primeira
ordem quando as primeiras derivadas dos potenciais termodinmicos mudarem de maneira
descontinua como funo de suas variveis.
Um exemplo tpico de transio de primeira
ordem a transio lquido-vapor discutida acima, onde a entropia e o volume de um uido apresentam descontinuidades no ponto de ebulio. Utiliza-se atualmente a denio de
Fisher [4], onde a transio ocorre no ponto de no analiticidade da energia livre.
Neste trabalho, entretanto, as transies de fases estudadas so de segunda ordem, pois apresentam continuidades nas primeiras derivadas dos potenciais termodinmicos,
mas a no analiticidade encontra-se em suas segundas derivadas. Quantidades termodinmicas que possuem comportamento bastante peculiar nas proximidades do ponto crtico, como
compressibilidade, calor especco ou a susceptibilidade so divergentes (innitas) ou mudam descontinuamente, caracterizam transies de fase de segunda ordem.
sistemas magnticos, o valor da magnetizao se anula para
desordenada e para
T < Tc
T > Tc
No caso dos
, dando origem fase
caracteriza-se a fase ordenada. Essa mudana e a consequente
transio de fase ordem-desordem leva necessidade de denir um ponto caracterstico, onde

a susceptibilidade e diversas grandezas termodinmicas apresentam divergncias. Esse ponto
denominado ponto crtico. O estudo da transies de fases tem ento como objetivo entender o comportamento assinttico do sistema nas regies prximas a esse ponto. O estudo do
Captulo 4.
comportamento do sistema quando
T Tc
26
indica, por meio de resultados experimentais e
tericos, que as propriedades do sistema possuem um comportamento que pode ser descrito
por leis de potncia, onde essas leis assintticas esto associadas a um conjunto de expoentes
crticos [12]. Esses expoentes crticos descrevem o comportamento das propriedades fsicas
de um sistema na regio da criticalidade. Para o estudo do sistema magntico neste trabalho
so usados seis expoentes crticos, que fornecem uma descrio completa do comportamento
do sistema nas proximidades da transio.
Uma caracterstica muito interessante a igualdade entre valores dos expoentes
crticos para sistemas bastante distintos, sendo essa uma manifestao do princpio da universalidade do comportamento crtico. Essa igualdade entres os expoentes crticos de sistemas
de naturezas diferentes permite agrupar esses sistemas em classes de universalidade [7]. Notase que os expoentes crticos dos modelos dependem apenas de poucas propriedades, como a
dimensionalidade do sistema, a dimensionalidade do parmetro de ordem e a simetria. Por
exemplo, no modelo de Ising, o sistema possui simetria de inverso de spins, sendo a energia
invariante pela transformao
i i
e o parmetro de ordem um escalar (dimenso
um). Logo, todos os sistemas que tm essas mesmas propriedades devem possuir os mesmos
expoentes crticos, independente da origem da transio. Essa propriedade universal independe de alguns parmetros, como: detalhes das interaes microscpicas, desde que seja de
curto alcance, como energia de interao
entre os primeiros vizinhos no modelo de Ising,
por exemplo. Enm, a classe de universalidade possibilita o entendimento das propriedades

de sistemas mais complexos atravs do estudo de um sistema mais simples.
Para se estudar o comportamento singular de diversas grandezas na criticalidade
do modelo de Ising, surge a necessidade de relacionar essas funes termodinmicas com um
conjunto de expoentes crticos que ajudam a descrever o comportamento dessas quantidades
prxima da temperatura crtica. No caso de um ferromagneto, e no limite termodinmico,
usando a varivel
1. Expoente
2. Expoente
= (T Tc )/Tc
obtemos
do calor especco
c || .
(4.1)
m || ,
(4.2)
da magnetizao
Captulo 4.
sendo que a magnetizao espontnea se anula para
3. Expoente
T > Tc .
relativo susceptibilidade a campo nulo
|| .
4. Expoente
27
(4.3)
dado pela seguinte relao
1
m H,
(4.4)
entre a magnetizao e o campo magntico calculado ao longo da isoterma crtica.
5. Expoente
, relacionado ao comprimento de correlao de um sistema magntico, sendo
a medida de quo o sistema est correlacionado, o qual diverge segundo
|| .
6. Expoente
(4.5)
associado funo de correlao de pares, calculada no ponto crtico,
1
.
rd8
(4.6)
No a inteno desse trabalho, mas ainda seria possvel denir outros expoentes
crticos, como o tempo de relaxao
do sistema e
z,
o expoente crtico dinmico.
Estes expoentes crticos podem tambm ser medidos experimentalmente, e esto

relacionados entre si por meio de algumas relaes [17], conhecidas como relaes de escala
+ 2 + = 2 (Rushbrook)
(4.7)
+ ( + 1) = 2 (Grif f iths)
(4.8)
= ( 1) (W idom)
(4.9)
d = 2 (Josephson).
(4.10)
Estas relaes j foram vericadas em alguns modelos com soluo exata, como
o modelo de Ising bidimensional.
Captulo 4.
4.2
28
Teoria de Escala de Tamanho Finito

Muitos dos sistemas estudados em experimentos e em simulaes computacionais
so limitados em tamanho. Os efeitos de tamanho nito provocam modicaes nas singularidades das descontinuidades ou divergncias das grandezas termodinmicas, as quais so
substitudas por mximos arredondados e a posio do mximo deslocada do valor no
ponto crtico. Entretanto, existe um mtodo, denominado de mtodo de escala de tamanho
nito (Finite
Size Scaling - FSS), que permite extrair estimativas para a temperatura e os
expoentes crticos quando se analisa a variao de certas quantidades com o tamanho
do
sistema. Em 1971, Fisher props a teoria de escala de tamanho nito [17] que possibilita
fazer a conexo entre o comportamento de um sistema nito e seu equivalente no limite
termodinmico, permitindo obter as relaes em termos de leis de potncia que descrevem o
comportamento das quantidades de interesse nas vizinhanas da transio de fase contnua.
Como as simulaes lidam com sistemas nitos, o comprimento de correlao
(ou seja,
comprimento caracterstico do sistema prximo criticalidade) passa obviamente a ser limitado pelo tamanho do sistema. Portanto, as relao antes vlidas no limite termodinmico
precisam ser modicadas para levar em conta o tamanho
ponto crtico. Explicitando a dependncia de
pseudo-crtica
TcL
tal que
seja da ordem de
com
L,
L,
do sistema nas proximidades do
podemos associar uma temperatura
isto
(TcL ) L.
(4.11)
Ainda possvel relacionar a magnetizao, calor especco e a susceptibilidade com o

tamanho do sistema nas proximidades do ponto crtico [4].
Para tanto, basta relacionar
a equao acima com as equaes (4.1), (4.2), (4.3), e (4.5), que resulta em
L ,
(4.12)
c L ,
mL
No limite
|| 0,
(4.13)
(4.14)
podemos mostrar ainda que a magnetizao, a susceptibilidade, o calor
especco e o cumulante de Binder satisfazem as seguintes relaes de escala de forma mais

detalhada
M (T ) L
M 0 (L ),
(4.15)
Captulo 4.
29
(T ) L 0 (L ),
(4.16)
C(T ) L C 0 (L ),
(4.17)
U4 (T ) U 0 (L ),
onde
M 0 , 0 , C 0
U0
(4.18)
so funes de escala que dependem de T e L atravs de
L .
cumulante de Binder de quarta ordem, denido por
U4 (T ) = 1
< M4 >
.
3 < M 2 >2
(4.19)
A teoria de escala permite fazer uma extrapolao dos dados obtidos nos sistemas
nitos com diversos valores de
para o limite termodinmico, onde
L ,
possibilitando
assim obter a temperatura crtica e os expoentes crticos do sistema innito. Portanto, basta
tomar o logaritmo das equaes acima e num ajuste linear de um grco log-log obtem-se os
expoentes atravs da correspondente inclinao, como pode ser visto das equaes abaixo
ln[M (TC )] =
ln[L] + ln[M 0 ],
(4.20)
ln[(TC )] =
ln[L] + ln[0 ],
(4.21)
ln[C(TC )] =
ln[L] + ln[C 0 ]
(4.22)
No entanto, essas relaes mostram a necessidade de se obter primeiramente o

expoente crtico
e a temperatura crtica
Tc ,
para em seguida obter os outros expoentes
crticos atravs das equaes acima. Sabendo o valor do expoente
que est associado ao
comprimento de correlao do sistema magntico, pode-se determinar a temperatura crtica
Tc
do sistema innito atravs do grco de
TcL
como funo de
desse grco com o eixo das temperaturas fornece o

equaes (4.5) e (4.11), v-se que quando
Tc .
L ,
onde a interseco
Basta observar que comparando as
L , a temperatura pseudocrtica (TcL ) da rede
nita obedece a lei de escala

1
TcL = Tc + aL .
No entanto, na maioria das vezes,
(4.23)
no conhecido, necessitando-se de um outro
modo de obt-lo. Pode-se, entretanto, utilizar o prprio cumulante de Binder para calcular
a temperatura crtica e a derivada do cumulante de Binder em relao temperatura crtica
para estimar
1
, onde a interseo entre as curvas para o cumulante de Binder so obtidas
Captulo 4.
para os diversos valores de
L.
A derivada do acumulante de Binder em relao temperatura
crtica, no ponto crtico, pode ser usada para avaliar o expoente
1
,
1 d
d
U4 (T )|T =Tc = L
U 0 (x),
dT
dx
onde
x = L .
Alm disso,
30
U 0 ({x})
(4.24)
no depende da dimenso linear da rede, e chamada
ento funo de escala. Tomando o logaritmo desta equao obtm-se uma expresso que
permite obter o expoente
1
pela inclinao do grco de
ln[U4 (Tc )]
para diferentes valores
de L
0
ln[U4 (Tc )] =
1
ln[L] + ln[U 0 (0)].
(4.25)
Captulo 5
Resultados e Discuses
5.1
Introduo
Os resultados desse trabalho foram obtidos com simulaes para tamanhos de
rede diferentes e baseados nas informaes da ltima seo. Obtivemos as estimativas para
a temperatura crtica do modelo, bem como os valores dos expoentes crticos que permitem
estudar o comportamento das quantidades termodinmicas na proximidade da temperatura
crtica.
A anlise do comportamento do calor especco, do valor mdio do parmetro
de ordem, da susceptibilidade, do cumulante de Binder, e das correspondentes derivadas
foram fundamentais para obteno dos resultados. Com auxlio da tcnica computacional
do histograma foi possvel obter com preciso a localizao dos pontos de mximo da curva de
susceptibilidade e do calor especco, uma vez que, a temperatura crtica pode ser estimada
a partir dos pontos de mximo dessas curvas.
A Figura 5.1 mostra um histograma tpico da energia para a rede
na temperatura
T = 3.0
com
106
107
a mesma ao se aumentar o nmero de
L = 16 obtida
MCS. Pode-se ver que a distribuio praticamente
M CS .
Entretanto, quanto maior o nmero de
31
M CS
Captulo 5.
32
melhor ser o resultado extrapolado, bem como maior o intervalo de temperatura onde o
histograma aplicvel. Note que nesse caso foi feito uma estimativa para outras temperaturas
perto de
To .
Para
T = 3.2 e 2.8, tanto acima como abaixo, ainda perto de To e o histograma
funciona bem, estando ainda liso. Mas, quando vai para
T = 2.4
ou
j no to bom, como se pode observar. Por isso, as temperaturas
T = 4.8,
To
o histograma
no podem ser
muito diferentes. Note tambm que se diminuir a temperatura, o mximo se desloca para a
esquerda, menor energia, como esperado. Quando se aumenta a temperatura, o mximo vai
para a direita, maior energia, como o esperado.
0,07
6
0,06
10 MCS T0=3.0
7
H(E)/MCS
0,05
0,04
L=16
10 MCS T0=3.0
10 MCS
7
10 MCS
7
10 MCS
7
10 MCS
T=2.8
T=2.4
T=3.2
T=4.8
0,03
0,02
0,01
0
-400
-300
-200
-100
Figura 5.1:
Histograma do modelo de Ising
clssico com
T = 3.0
e tamanho de rede
L=
16.
5.2
O cumulante de Binder
O ponto de cruzamento das curvas
U4 T
para diferentes valores de
L fornecem
a primeira estimativa para a temperatura crtica, pois o valor do cumulante no ponto crtico
independe da rede. Assim, para diferentes tamanhos, as curvas se interceptam em
Tc ,
como
mostrado na gura 5.2. O cumulante de Binder para diferentes tamanhos da rede foi satisfatrio para a estimativa da temperatura crtica
pelo grco acima, cou em
Tc = 2, 2691(20).
Tc .
Essa temperatura de transio, obtida
Utilizando-se essa temperatura de transio
em uma nova simulao, juntamente com a tcnica do histograma, obtm-se tambm os expoentes crticos atravs do ajuste linear dos grcos log-log discutidos no captulo anterior.
Captulo 5.
33
L=8
L=16
L=32
L=64
L=128
0,6
U4
0,5
0,4
2,26
Figura 5.2:
2,27
2,28
T
2,29
2,3
Cumulante de Binder de quarta
ordem em funo da temperatura para diferentes valores de
5.3
L.
Estimativa do expoente
O expoente
pode ser obtido atravs da derivada do cumulante de Binder dada
pela equao (4.25). A gura 5.3 mostra essa derivada em funo do tamanho do sistema
na temperatura
Tc = 2, 2691.
Um ajuste linear nos fornece o expoente
1/ = 0, 988(10).
4
Monte Carlo
Ajuste linear
ln[U4]
0
2
Figura 5.3:
2,5
ln[U4 ]
3,5
ln[L]
como funo de
reta apresenta o melhor ajuste para
4,5
ln[L].
1/ .
Entretanto, outra estimativa possvel para o expoente
pode ser obtida por
Captulo 5.
34
meio de outro procedimento independente. Basta tomar o logaritmo da derivada da funo

magnetizao
nos d
Q=
mL
T |T Tc
L .
A gura 5.4 mostra essa quantidade cujo ajuste linear
1/ = 1.031(20).
5
Monte Carlo
Ajuste linear
ln[Q] 3
1
2
2,5
Figura 5.4:
ln[Q]
3,5
ln[L]
como funo de
reta apresenta o melhor ajuste para
4,5
ln[L].
1/ .
Portanto, nossa melhor estimativa para o expoente
a mdia dos dois resul-
tados obtidos independetemente para o expoente crtico, o que fornece
5.3.1
Nova estimativa de
1/ = 1, 01(2).
Tc
Com o valor do expoente
em mos, outras estimativas para a temperatura
crtica podem ser obtidas com o mtodo que utiliza as temperaturas pseudo-crticas, isto ,
as temperaturas
Tc (L)
que localizam a posio do mximo do calor especco e do mximo
da susceptibilidade para uma rede de tamanho
L.
Lembramos que a transio de fase de um sistema caracterizado pela existncia

de picos acentuados nas grandezas divergentes. No entanto, nos sistemas nitos os mximos dessas grandezas so substitudos por curvas arredondadas, pois para atingir o limite
termodinmico seria necessrio um aumento signicativo da rede, pois assim, a altura dos
picos cresce e a largura diminui tal que essas quantidades devem divergir em
T = TC
para
muito grande. Logo, mesmo com a no divergncia dessas grandezas possvel fazer uma
estimativa da temperatura de transio que obtida pela localizao do mximo nessas

grandezas.
Captulo 5.
35
2,5
L=128
L=64
L=32
L=16
L=8
c 1,5
1
0,5
2,2
Figura 5.5:
2,4
kBT/J
2,8
2,6
Curvas do calor especco em
funo da temperatura para o modelo de Ising

2D obtido com a tcnica de histograma para
diferentes valores de
L.
300
6
250
4
200
2
2,2
150
2,4
2,6
kBT/J
2,8
L=128
L=64
L=32
L=16
L=8
100
50
0
2,2
2,3
2,4
2,5
2,6
kBT/J
Figura 5.6:
Curvas da susceptibilidade em
funo da temperatura para diferentes valores

de
L.
O grco menor mostra os mximos
para as redes menores.
As Figuras 5.5 e 5.6 apresentam as correspondentes curvas do calor especco

e da susceptibilidade para diferentes valores de
obtidas com a tcnica do histograma.
Podemos ver claramente as posies dos mximos que sero utlilizados nos clculos dos
Captulo 5.
36
expoentes crticos.
Monte Carlo
Ajuste linear
2,35
Tc
2,3
2,25
2,2
0
Figura
0,1
-1/
L
0,05
5.7:
Temperatura
0,15
0,2
pseudo-crtica,
obtida do mximo do calor especco, como

funo de
para
= 1.01.
sentam o melhor ajuste para

de interseco
As retas apre-
Tcc (L), com ponto
Tc = 2, 2724(30).
2,6
Monte Carlo
Ajuste Linear
2,5
Tc 2,4
2,3
2,2
0
0,1
0,05
L
Figura
5.8:
Temperatura
0,15
-1/
pseudo-crtica,
obtida do mximo da susceptibilidade, como

funo de
para
= 1.01.
resentam o melhor ajuste para

ponto de interseco
As retas ap-
Tc (L),
Tc = 2, 2706(20).
Com
0,2
Captulo 5.
37
Este procedimento feito ao plotar

usando a relao de escala
Tc (L) = T + qL
estimativas para a temperatura crtica:
1
.
Tc (L) L
e extrapolar para
L ,
Atravs deste mtodo obtem-se duas novas
Tccv = 2, 2724(30)
com os pontos de mximos do
calor especco. E de maneira anloga, para a gura 5.8, usando os pontos do mximos da
susceptibilidade
Tc = 2, 2706(20).
Tendo como base esses resultados, a melhor estimativa
para a temperatura crtica calculada com a mdia das estimativas obtidas pela localizao
do mximo da susceptibilidade
(Tc ), cruzamento das curvas do cumulante de Binder (TcU4 ) e
localizao do mximo do calor especco
(TccV ), que fornece Tc = 2, 271(2).
Pode-se observar
que o valor encontrado nesta dissertao para a temperatura est dentro do esperado, pois
o valor exato
5.4
Tc = 2, 2691...
Expoentes
encontra-se dentro do intervalo estabelecido pelo erro.
Uma vez estimada a temperatura crtica
(Tc = 2, 271(2)),
vericamos o compor-
tamento da magnetizao nas proximidades dessa temperatura com a tcnica de histograma

para diferentes valores de
L,
gura 5.9.
0,8
L=128
L=64
L=32
L=16
L=8
0,6
m 0,4
0,2
2,25
2,3
2,275
2,325
kBT/J
Figura
5.9:
funo
da
Curvas
da
temperatura
magnetizao
para
modelo
em
de
Ising clssico 2D obtido com a tcnica de histograma para diferentes valores de
L.
Informaes do valor da magnetizao nessa temperatura especca utilizada

para obtermos o expoente crtico
da magnetizao que descreve seu comportamento com
Captulo 5.
38
o tamanho do sistema em
T = Tc .
A equao de escala (4.20) nos possibilitou plotarmos o grco com o ajuste

linear do logaritmo da magnetizao, calculada em
de
L,
T = Tc
versus o logaritmo do tamanho
fornecendo atravs do coeciente linear da reta o expoente
resultados de onde se obtem o expoente

expoente
/ .
. A gura 5.10 mostra os
No grco o ajuste linear fornece o valor do
= 0, 125(2).
-0,2
Monte Carlo
Ajuste linear
ln[M(Tc)]
-0,3
-0,4
-0,5
2,5
3,5
ln[L]
Figura 5.10: Ajuste linear para

sus
ln[L]
4,5
ln[M (Tc )] ver-
para diferentes valores de rede.
De maneira anloga, usando a relao de escala (4.21), obtm-se o expoente da
. O ajuste linear da gura 5.11 resulta no expoente

6
Monte Carlo
Ajuste linear
5
4
ln[X(Tc)]
susceptibilidade
3
2
1
0
2
2,5
Figura 5.11:
sendo
max
3,5
ln[L]
4,5
Grco do lnmax por ln(L)
a susceptibilidade mxima.
= 1.77(1).
Captulo 6
Concluso e Perspectivas
6.1
Concluso
Neste trabalho estudamos o modelo de Ising clssico usando a simulao de
Monte Carlo com a implementao do Algoritmo de Metropolis, aliado tcnica de histogramas simples. Analisando os resultados da simulao, observamos que os comportamentos da
magnetizao, calor especco e susceptibilidade esto de acordo com o esperado segundo resultados anteriores. Explorando esses resultados com a teoria de escala de tamanho innito e
a tcnica de histograma, zemos a extrapolao para o limite termodinmico e encontramos
os expoentes crticos e a temperatura crtica, compatveis com aqueles esperados para este
modelo. As grandezas termodinmicas foram obtidas com os respectivos erros estatsticos.
Usamos o gerador linear congruencial para gerar o conjunto de nmeros pseudo aleatrios
usado neste trabalho. Os resultados obtidos so mostrados na tabela 6.1.
Devido qualidade dos ajustes apresentados no ltimo captulo, principalmente
relacionado ao alinhamento dos pontos na obteno de suas declividades, acreditamos que os
nossos resultados esto em bom acordo com os exatos ou mesmo com outros obtidos atravs
de simulaes mais sosticadas.
39
Captulo 6.
40
Concluso e Perspectivas
Tabela 6.1: Temperatura crtica
Tc
e expoentes crticos
1
, e para o modelo de Ising cls-
sico, bi-dimensional obtidos pelas simulaes deste trabalho para comparao so mostrados
os resultados exatos.
6.2
Tc
2,271(2)
1.01(2)
0.125(2)
1.77(1)
este trabalho
2,2691...
0.125
1.75
exato [15]
Perspectivas
Nossos resultados coincidem com os valores exatos dentro das barras de erros.
Dentro desse esquema, alguns procedimentos podem ser implementados para se melhorar
a qualidade dos expoentes e da localizao da criticalidade.
Para diminuir as barras de
erros devemos diminuir os erros estatstitos aumentando o nmeros de passos de Monte

Carlo. Alm disso, para obter os resultados via FSS, os tamanhos de rede devem tambm
ser substancialmente aumentados. Outra preocupao com o gerador de nmeros pseudosaleatrios que deve ser escolhido judiciosamente. bem sabido que geradores congruenciais
tem perodo muito curto, introduzindo correlaes nos resultados.
Devemos escolher ger-
adores mais sosticados, isto, no entando, consumir mais tempo computacional.

Uma pespectiva para estudos de outros trabalhos consiste em abordar o Modelo
de Ising de spins mistos, composto de dois diferentes tipos de partculas com
estados
21 )
S=1
(estados
1, 0),
S =
1
2 (
usando o algoritmo de Wang-Landau. Este mtodo,
bastante poderoso, permite investigar de forma mais completa o comportamento do sistema,

possibilitando a obteno de expoentes crticos e grandezas como energia livre e a entropia.
Apndice A
Um apndice
Apresentamos, neste Apndice, os cdigos em FORTRAN utilizados no presente trabalho.
// Programa do Modelo de Ising 2D com campo externo nulo
METROPOLIS PARA ISING SPIN-1/2 2-DIMENSOES
PARAMETER( L = 8)
integer k,L2,i,j,B,s(L,L),IP(L),IM(L)
integer ie,id,jc,jb,w,MCS,E,M,dE,SOMA,IND
real aleatorio1,aleatorio2,aleatorio3,pa,T0
real Eaux,Maux
real ENERGY(0:15)
open(2,le='EMT22L8106.dat',status='UNKNOWN')
MCS = 50000000
L2 = L*L
do i=1,L
do j=1,L
s(i,j)=1
end do end do
M = L2
E = -2*L2
DO I=1,L
IP(I) = I+1
IM(I) = I-1
enddo
41
Apndice A.
42
Um apndice
IP(L) = 1
IM(1) = L
T0 = 2.39
DO I=1,9,2
EN ERGY (I) = EXP (2.0 (I 5.0)/T 0)

ENDDO
DO 100 II=1,MCS
do k=1,L2
aleatorio1=ran()
aleatorio2=ran()
i=int(aleatorio1*(L))+1
j=int(aleatorio2*(L))+1
B = -s(i,j)
ie = IM(I)
id = IP(I)
jc = IM(J)
jb = IP(J)
SOM A = s(i, jc) + s(i, jb) + s(ie, j) + s(id, j)

IN D = s(i, j) SOM A
dE = 2 IN D
ind = 5 + IN D
pa=ENERGY(IND)
aleatorio3 = ran()
if(aleatorio3
<= pa)
then
s(i, j) = B
M = M + 2 s(i, j)
E = E + dE
endif end do
write(2,3) E,M
100 continue
3 format(2x,I4,2x,I4) end
Apndice A.
43
Um apndice
PROGRAMA PARA O HISTOGRAMA

// Declarao das variveis
implicit none
integer MCS,MCSD,L,L2
integer it,i
integer E,M
real*8 T,T0,B,B0
real*8 DEN,epp,mpp,EX
real*8
Em ed, Mm ed, M 2m ed, E2m ed, M 4m ed, C, SU, U
PARAMETER(
open(4,f ile
L=8
=0 ECM SU T 22L8106.dat0 , status =0 U N KN OW N 0 )
T 0 = 2.39
B0 = 1.0/T 0
T = 2.38
M CS = 50000000
// Alguns passos de Monte Carlo so despresados para efeito de termalizao
M CSD = 50000
L2 = L L
do 105
it = 1, 25
// Acesso do arquivo com os resultados das conguraes gerada pela simulao

de Monte Carlo
open(2,f ile
=0 EM T 22L8106.dat0 , status =0 unknown0 )
B = 1.0/T
DEN = 0.0
Em ed = 0.0
E2m ed = 0.0
Mm ed = 0.0
M 2m ed = 0.0
M 4m ed = 0.0
do 101
i = 1, M CSD
read(2,*) E,M
Apndice A.
Um apndice
101 continue
// Clculo das Mdias
do 100
i = M CSD + 1, M CS
read(2,*) E,M
epp = E
mpp = ABS(M )
epp = epp/L2
mpp = mpp/L2
EX = exp((B0 B) E)
DEN = DEN + EX
Em ed = Em ed + (epp EX)
E2m ed = E2m ed + (epp epp EX)
Mm ed = Mm ed + (mpp EX)
M 2m ed = M 2m ed + (mpp mpp EX)
M 4m ed = M 4m ed + (mpp mpp mpp mpp EX)
100 continue
Em ed = Em ed/DEN
E2m ed = E2m ed/DEN
C = (E2m ed Em ed Em ed)/(1.0 T T )
Mm ed = Mm ed/DEN
M 2m ed = M 2m ed/DEN
SU = (M 2m ed Mm ed Mm ed)/(1.0 T )
M 4m ed = M 4m ed/DEN
U = (1 (M 4m ed/(3.0 M 2m ed M 2m ed)))
write(4,3)
T, Em ed, C, Mm ed, SU, U
3 FORMAT(F 18.8, 2x, F 18.8, 2x, F 18.8, 2x, F 18.8, 2x, F 18.8, 2x, F 18.8)
close(2)
// Comea a variao da temperatura
105
T = T + 0.001
close(4)
end
44
Apndice A.
45
Um apndice
PROGRAMA PARA O CALCULO DO ERRO

*******************************************
*******************************************
implicit none
integer MCS,MCSD,L,L2
integer ib,i,box,nb,ibox
integer E,M
real*8 T,T0,B,B0
real*8 DEN,epp,mpp,EX,EE,EC,ESU,EU,EM,DENb
real*8
Em ed, Mm ed, M 2m ed, E2m ed, M 4m ed, C, SU, U, C2, SU 2, U 2
real*8
Em edb, Mm edb, M 2m edb, E2m edb, M 4m edb, Cb, SU b, U b
PARAMETER(
L=8
*******************************************************
// Ponteiro para gravao do arquivo com os resultados
********************************************************
open(4,f ile
=0 ECM SU T 236L845a6er.dat0 , status =0 U N KN OW N 0 )
T 0 = 2.36
B0 = 1.0/T 0
T = 2.36
M CS = 45000000
***********************************************************************************
// Alguns passos de Monte Carlo so despresados para efeito de termalizao
***********************************************************************************
M CSD = 50000
L2 = L L
box = 100000
nb = M CS/box
DEN = 0.0
Em ed = 0.0
E2m ed = 0.0
Apndice A.
Um apndice
46
Mm ed = 0.0
M 2m ed = 0.0
M 4m ed = 0.0
C = 0.0
SU = 0.0
U = 0.0
C2 = 0.0
SU 2 = 0.0
U 2 = 0.0
***********************************************************************************
// Acesso do arquivo com os resultados das conguraes gerada pela simulao
de Monte Carlo
***********************************************************************************
open(2,f ile
do 101
=0 EM T 236L845a6.dat0 , status =0 old0 )
i = 1, M CSD
read(2,*) E,M
101 continue
ibox = M CSD
do 105
ib = 1, nb
B = 1.0/T
DEN b = 0.0
Em edb = 0.0
E2m edb = 0.0
Mm edb = 0.0
M 2m edb = 0.0
M 4m edb = 0.0
do 100
i = ibox + 1, ibox + box
read(2,*) E,M
epp = E
mpp = ABS(M )
epp = epp/L2
Apndice A.
Um apndice
mpp = mpp/L2
EX = exp((B0 B) E)
DEN b = DEN b + EX
Em edb = Em edb + (epp EX)
E2m edb = E2m edb + (epp epp EX)
Mm edb = Mm edb + (mpp EX)
M 2m edb = M 2m edb + (mpp mpp EX)
M 4m edb = M 4m edb + (mpp mpp mpp mpp EX)
100 continue
Em edb = Em edb/DEN b
E2m edb = E2m edb/DEN b
Cb = (E2m edb Em edb Em edb)/(1.0 T T )
Mm edb = Mm edb/DEN b
M 2m edb = M 2m edb/DEN b
SU b = (M 2m edb Mm edb Mm edb)/(1.0 T )
M 4m edb = M 4m edb/DEN b
U b = (1 (M 4m edb/(3.0 M 2m edb M 2m edb)))
Em ed = Em ed + Em edb
E2m ed = E2m ed + E2m edb
Mm ed = Mm ed + Mm edb
M 2m ed = M 2m ed + M 2m edb
M 4m ed = M 4m ed + M 4m edb
C = C + Cb
SU = SU + SU b
U = U + Ub
C2 = C2 + Cb Cb
SU 2 = SU 2 + SU b SU b
U2 = U2 + Ub Ub
DEN = DEN + DEN b
105
ibox = ibox + box
Em ed = Em ed/nb
47
Apndice A.
Um apndice
E2m ed = E2m ed/nb

Mm ed = Mm ed/nb
M 2m ed = M 2m ed/nb
M 4m ed = M 4m ed/nb
C = C/nb
SU = SU/nb
U = U/nb
C2 = C2/nb
SU 2 = SU 2/nb
U 2 = U 2/nb
**********************************
// Clculo dos erros
**********************************
EE = SQRT ((E2m ed Em ed Em ed)/(nb 1.0))

EM = SQRT ((M 2m ed Mm ed Mm ed)/(nb 1.0))
EC = SQRT ((C2 C C)/(nb 1.0))
ESU = SQRT ((SU 2 SU SU )/(nb 1.0))
EU = SQRT ((U 2 U U )/(nb 1.0))
write(4,2) T,MCS,box,nb
write(4,1) DEN
0 DEN 0 , F 10.0)
1 format(2x,
2 FORMAT(
write(4,3)
0T
=0 , F 7.4, 2x,0 M CS =0 , I8, 2x,0 box =0 , I8, 3x,0 box =0 , I6)
Em ed, C, Mm ed, SU, U
3 FORMAT(F 10.6, 2x, F 10.6, 2x, F 10.6, 2x, F 10.6, 2x, F 10.6, 2x, F 10.6)
write(4,3) EE,EC,EM,ESU,EU
close(2)
close(4)
end
********************************************
// Fim Programa
********************************************
48
Apndice A.
Um apndice
49
PROGRAMA PARA O CALCULO DE FUNCOES (RESULTADO EXATO DO

BLOCO DE SPINS)
IMPLICIT NONE
INTEGER :: I
REAL :: t,c,e,m,a,b
REAL :: d,x,r,o,p,s
t = 0.0
DO
I = 1, 100
'magnetizao for spin'
m = (2.0 + exp(8.0/t))/(6.0 + 2.0 cosh(8.0/t))

'Su for spin'
r = (1.0 + exp(8.0/t))/(t (6.0 + 2.0 cosh(8.0/t)))

o = (4.0 + 4.0 exp(8.0/t) + exp(16.0/t))
s = (t (36.0 + 24.0 cosh(8.0/t) + 4.0 cosh(8.0/t) cosh(8.0/t)))
p = o/s
x=rp
'energia for spin'
e = (2.0 sinh(8.0/t))/((3.0 + cosh(8.0/t)))

'calor especico for spin'
a = (4.0 cosh(8.0/t))/((t 2) (3.0 + cosh(8.0/t)))

b = (4.0 sinh(8.0/t) sinh(8.0/t))
d = ((t 2) (9.0 + 6.0 cosh(8.0/t) + cosh(8.0/t) cosh(8.0/t)))
c = (a b/d)
WRITE (4,3) t,e,c,m,x
t = t + 0.1
open(4,f ile
=0 saida.dat0 , status =0 U N KN OW N 0 )
C3 format(f 10.4, 1x, f 10.4, 1x, f 10.4)

3 FORMAT(F 18.8, 2x, F 18.8, 2x, F 18.8, 2x, F 18.8, 2x, f 18.8)
END DO
stop
END
Apndice A.
50
Um apndice
HISTOGRAMA DA ENERGIA
program modelo de ising Murilo
PARAMETER(
L = 16
integer MCS,E,M,MCSD,MCST
integer
H(0 : 4 L L), EM, inde, T 0, F
real
Em ed, Mm ed, T, B0, B, f ren, sum
real
C, SU, E2m ed, Eaux, M 2m ed, M aux
open(2,le='EMT30L16106.dat',status='unknown')
open(4,le='HET30L16106.dat',status='unknown')
T 0 = 3.0
B0 = 1.0/T 0
T = 2.4
M CS = 10000000
Mm ed = 0.0
M 2m ed = 0.0
L2 = L L
EM = 2 L2
do102II = 0, 4 L L
H(II) = 0
102 continue
do100II = 1, M CS
read(2,*) E,M
inde = E + EM
H(inde) = H(inde) + 1
100 continue
sum = 0.0
do105II = 1, 4 L L
E = II EM
f ren = 1.0 H(II)/(1.0 M CS)
sum = sum + f ren
Apndice A.
Um apndice
IF(H(II).GT.0) write(4,3) E,fren

3 FORMAT(I10,2x,F18.8)
105 continue
write(*,4) sum
4 format(F18.8)
Close(2)
close(4)
end
51
Referncias Bibliogrcas
[1] S. R. A. Salinas.
[2] N. E. Frankel.
Introduo a Fsica Estatstica. EDUSP, So Paulo, 1997.

A phenomenological model of cooperativity.
Progress of Theoretical
Physics, 43:No. 5, pp. 11481169, 1970.

[3] E. Miranda.
Transies de Fase e o Grupo de Renormalizao. Unicamp, So Paulo,
2005.
[4] D. P. Landau e K. Binder.
A Guide to Monte Carlo Simulations in Statistical Physics.
Cambridge University Press, 2005.
[5] C. P. Herrero.
[6] D. P. Landau.
Phys. Rev. E, 69:67109, 2004.

Center for Simulational Physics, The University of Georgia, 69:67109,
2006.
[7] M. E. J. Newman and G. T. Barkema.
Monte Carlo Methods in Statistical Physics.
Oxford University Press Inc, New York, 1999.
[8] M. N. Rosenbluth A. H. Teller E. Teller N. Metropolis, A. W. Rosenbluth.
J. Chem.
Phys., 21:1087, 1953.

[9] J. P. Rino and B. V. Costa.
ABC da Simulao Computacional. Livraria da Fsica -
UFSCar, 2013.
[10] T.S. Araujo and J.B.S. Filho.
O Modelo de Ising com Interaes Mistas. Joo Batista
dos Santos Filho, Disponvel em http://www.jbsantoslho.com, 2008.
[11] C. Sherer.
Mtodos Computacionais da Fsica. Livraria da Fsica, So Paulo, 2005.
[12] T. Tom e M. J. Oliveira.
Dinmica Estocstica e Irreversibilidade. Universidade de
So Paulo, So Paulo, 2001.
52
REFERNCIAS BIBLIOGRFICAS
53
[13] A.M. Ferrenberg. Histogram techniques for studying phase transitions, in "computer
simulation studies in condensed matter physics, iii".
D.P. Landau, K.K. Mon and H.-B.
Schuttler, Eds. (Springer-Verlag, Heidelberg), 53:31, 1991.

[14] E. Ising.
Z. Phys, 31:253, 1925.
[15] Onsager.
L. Phys. Rev., 65:117, 1944.
[16] H. E. Stanley.
Introduction to Phase Transitions and Critical Phenomena. Clarendon
Press,Oxford, 1971.
[17] H. Gould and J. Tobochnick.

son Wesley, 1996.
An Introduction to Computer Simulation Methods. Addi-

Dissertation 6

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertation 6

Enviado por

Direitos autorais:

Formatos disponíveis

SIMULAO DE MONTE CARLO NO MODELO DE

ISING NA REDE QUADRADA

Universidade Federal de Minas Gerais - UFMG

SIMULAO DE MONTE CARLO NO MODELO DE ISING NA REDE

Murilo Lacerda Santos

Orientador: Prof. Dr. Joo Antnio Plascak

Aos demais professores do

o programa de Monte Carlo, tcnica do histograma

Modelo de Ising, Monte Carlo, Expoentes crticos e Teoria de Escala de Tamanho

Together with the single

We have obtained the mean

2 Simulao de Monte Carlo

O Mtodo de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Princpio do balano detalhado

Tcnicas de histogramas simples

3 Simulao de Monte Carlo no modelo de Ising

Simulao de Monte Carlo

Capacidade Trmica e Susceptibilidade Magntica . . . . . . . . . . . . . . .

Comparando o resultado da simulao numrica com a soluo exata para o

4 Transies de Fases e Fenmenos Crticos

Teoria de Escala de Tamanho Finito

Energia em funo do nmeros de passos de Monte Carlo. T representa as

resultados exatos e os pontos os resultados de Monte Carlo usando o mtodo

T = 3.0 e tamanho de rede L = 16.

Histograma do modelo de Ising clssico com

Cumulante de Binder de quarta ordem em funo da temperatura para diferentes valores de

Curvas do calor especco em funo da temperatura para o modelo de Ising

A reta apresenta o melhor ajuste para

2D obtido com a tcnica de histograma para diferentes valores de

O grco menor mostra os mximos para as redes menores. . . . . . . .

Temperatura pseudo-crtica, obtida do mximo do calor especco, como funo

Curvas da susceptibilidade em funo da temperatura para diferentes valores

A reta apresenta o melhor ajuste para

As retas apresentam o melhor ajuste para

Temperatura pseudo-crtica, obtida do mximo da susceptibilidade, como

As retas apresentam o melhor ajuste para

Com ponto de interseco

Curvas da magnetizao em funo da temperatura para o modelo de Ising

5.10 Ajuste linear para

5.11 Grco do lnmax por ln(L) sendo

para diferentes valores de rede. . . .

Representao da inverso de um spin de

numa rede quadrada.

Assumimos que um stio da rede representado na tabela est associado com

representa Si = +1, e a seta representa

estados do modelo de Ising a campo nulo

Os stios do quadrado, em sentido horrio,

esto dispostos linearmente.

estados do modelo de Ising a campo nulo

H uma grande variedade de sistemas fsicos que exibem comportamento crtico,

Outro exemplo, relacionado a materiais

magnticos, a transio ferromagntica - paramagntica. Um im, quando aquecido acima

As transies ferromagnticas, que inicialmente foram explicadas por uma

Essas teorias para a descrio qualitativa de vrios

tipos de transio de fases caram conhecidas como teorias clssicas.

correlaes decaem obedecendo uma lei de potncia. O comprimento de correlao cresce

os conceitos relevantes de mecnica estatstica, a motivao para introduzir a simulao

Simulao de Monte Carlo

do sistema conhecendo-se seus estados microscpicos [1]. Assim, no ensemble cannico, o

onde a soma percorre todas as conguraes do sistema

{X}, A({X}) o valor da quantidade

a funo de partio no ensemble cannico dada por

< ... >

na equao (2.1) denota mdia trmica. O sistema considerado estar

Curvas do calor especco em funo da temperatura para o modelo de Ising

O grco menor mostra os mximos para as redes menores. . . . . . . .

Temperatura pseudo-crtica, obtida do mximo do calor especco, como funo

5.11 Grco do lnmax por ln(L) sendo

tipos de transio de fases caram conhecidas como teorias clssicas.

onde a soma percorre todas as conguraes do sistema

Logo, a equao (2.3) representa a probabilidade de que ocorra a congurao

representando o nmero de conguraes usadas para

estimar a mdia, enquanto mtodos de diferena nita convergem com

este mtodo bastante ecaz quando

sobre a sequncia de microestados pelo qual o sistema passa ao se gerar as conguraes de

guraes com certa probabilidade, gerando uma sequncia de conguraes independentes.

que depende apenas da probabilidade da congurao imediatamente anterior onde

positiva e, portanto, podemos atingir qualquer congurao do sistema a partir de um

nmero nito de passos. Esse critrio adicional chamado de ergodicidade. A ergodicidade

de balano detalhado (2.9) e so escolhidas de modo a permitir que as conguraes mais

Como exemplo, vamos considerar um modelo discreto denido em uma rede

1. Geramos uma congurao inicial

2. Geramos aleatoriamente uma nova congurao, obtida de

a antiga congurao substituida pela nova;