hasti-m
06-01-2009, 05:27 PM
فيزيك محاسباتي همانطوري كه از نامش بر مي‌آيد ، شامل محاسباتي است كه در فيزيك انجام مي‌گيرد. مي‌دانيم كه روش حل عددي در تمام مسائل فيزيك به پاسخ منجر نمي‌شود. بعبارت ديگر ، موارد معدودي وجود دارد كه با توسل به روشهاي تحليلي قابل حل هستند و لذا در موارد ديگر بايد از روشهاي عددي و تقريبي استفاده كنيم. هدف فيزيك محاسباتي تشريح و توضيح اين روشها مي‌باشد. به عنوان مثال ، فرض كنيد با يك خط‌كش طول ميزي را اندازه بگيريم، طبيعي است كه بخاطر خطاي اندازه‌گيري اگر 10 بار طول ميز اندازه‌گيري شود، در هر بار اندازه‌گيري مقداري كه با مقادير قبلي تفاوت جزئي دارد، حاصل خواهد شد. بنابراين براي تعيين طول واقعي نيز با بيشترين دقت بايد به روشهاي آماري متوسل شويم.
توزيع هاي آماري : معمولا اگر داده‌هاي تجربي حاصل از آزمايشها را بر روي يك نمودار پياده كنيم، در اينصورت ، بر اساس نمودار حاصل ، اين داده‌ها از توزيع بخصوصي تبعيت خواهند كرد. اين توزيع‌ها را اصطلاحا توزيع‌هاي آماري مي‌گويند كه معروفترين آنها عبارتند از:
توزيع دوجمله‌اي : فرض كنيد تاسي را n بار پرتاب كنيم و هدف ما آمدن عدد 6 باشد. در اينصورت ، اين عمل را 'آزمون' و تعداد دفعاتي را كه عدد 6 ظاهر شده است، 'موفقيت' و مواردي را كه اعداد ديگر ظاهر شده است، 'عدم موفقيت' مي‌گويند. بنابراين ، اگر موفقيت‌ها بر يكديگر تاثير نداشته و مستقل از يكديگر باشند و نيز ترتيب مهم نباشد، در اينصورت ، داده‌ها از توابع توزيع دوجمله‌اي پيروي مي‌كنند.
توزيع پواسون : اگر چنانچه تعداد حالات با تعداد آزمونها به سمت بينهايت ميل كند و نيز احتمال موفقيت (p) به سمت صفر ميل كند، در اينصورت ، داده‌ها از تابع پواسون پيروي مي‌كنند. شرط عملي براي استفاده از توزيع پواسون اين است كه تعداد آزمونها بيشتر از 30 بار بوده و نيز احتمال موفقيت كمتر از 0.05 باشد. لازم به ذكر است كه اين دو شرط بايد بطور همزمان برقرار باشند. اين معيار عملي از روي هم گذاشتن توابع توزيع و گزينش بهترين انتخاب و از روي آن تعيين N و P ويژه حاصل مي‌گردد.
توزيع گاوسي : توزيع گاوسي يا نرمال يك نقش اساسي در تمام علوم بازي مي‌كند. خطاهاي اندازه‌گيري معمولا به‌وسيله اين توزيع داده مي‌شود. توزيع گاوسي اغلب يك تقريب بسيار خوبي از توزيع‌هاي موجود مي‌باشد. ديديم كه اگر N بيشتر شده و احتمال موفقيت (P) كوچك باشد، در اين صورت توزيع پواسون حاكم است. حال اگر تعداد آزمونها (N) به سمت اعداد خيلي بزرگتر ميل كند، بطوري كه حاصلضرب NP به سمت 20 ميل كند، در اين صورت شكل تابع توزيع حالت تقارن پيدا مي‌كند، بگونه‌اي كه مي‌توان آن را با يك توزيع پيوسته جايگزين كرد. اين توزيع پيوسته همان توزيع گاوسي است.
برازش : اغلب اتفاق مي‌افتد كه نموداري در اختيار داريم و مي‌خواهيم مدل فيزيكي را كه بر اين نمودار حاكم است، پيدا كنيم. فرض كنيد در يك حركت سقوط آزاد اجسام ، زمان و ارتفاع سقوط را اندازه‌گيري كرده و نتايج حاصل بر روي يك نمودار پياده شده است. حال با توجه به اينكه معادله حركت سقوط آزاد اجسام را مي‌دانيم و مي‌خواهيم با استفاده از اين نمودار مقدار g ، شتاب جاذبه ثقل ، را تعيين كنيم. بنابراين ، در چنين مواردي از روش برازش كه ترجمه واژه لاتين (fitting) مي‌باشد، استفاده مي‌كنيم. در اين حالت ابتدا بايد توزيع حاكم بر اين داده‌ها را بشناسيم كه اغلب در چنين مواردي توزيع حاكم ، توزيع گاوسي است.
حل دستگاه معادلات : معمولا در مسائل عددي به مواردي برخورد مي‌كنيم كه يك دستگاه n معادله n مجهولي ظاهر مي‌گردد. در اين صورت ، براي حل اين معادلات به طريق عددي از روشهاي مختلفي استفاده مي‌شود. يكي از اين روشها ، حل دستگاه معادلات به روش حذف گوسي (روش كاهش يا حذف گاوسي) مي‌باشد. البته روشهاي ديگري مانند حل دستگاه معادلات به روش محورگيري و موارد ديگر نيز وجود دارد كه بسته به نوع مسئله مورد استفاده ، از آن روش استفاده مي‌گردد.
انتگرالگيري عددي : اگر مسئله‌اي وجود داشته باشد كه در آن انتگرالهاي دوگانه يا سه‌گانه ظاهر شود، البته با اندكي زحمت مي‌توان اين انتگرالها را به صورت تحليلي حل كرد. اما اين موارد چندان زياد نيستند و در اغلب موارد به انتگرالهاي چندگانه‌اي برخورد مي‌كنيم كه حل آنها به روش تحليلي تقريبا غيرممكن است. در چنين مواردي از روش انتگرالگيري عددي استفاده مي‌شود. روشهايي كه در حل انتگرالها به روش عددي مورد استفاده قرار مي‌گيرند، شامل روش ذوزنقه‌اي ، روش سيمپسون يا سهمي و روشهاي ديگر است.
البته خطاي مربوط به اين روشها متفاوت بوده و بسته به نوع مسئله‌اي كه انتگرال در آن ظاهر شده است، روش مناسب را انتخاب مي‌كنند. تقريبا دقيق‌ترين روشها ، انتگرالگيري به روش مونت كارلو مي‌باشد، كه امروزه در اكثر موارد از اين روش استفاده مي‌گردد. مزيت اين روش به روشهاي ديگر در اين است كه اولا محدوديتي وجود ندارد و انتگرال هر چندگانه كه باشد، با اين روش حل مي‌شود. در ثاني ، اين روش نسبت به روشهاي ديگر كم هزينه‌تر است.
شبيه سازي : آنچه امروزه بيشتر مورد توجه قرار دارد، شبيه سازي سيستمهاي فيزيكي است. به عنوان ابتدايي‌ترين و ساده‌ترين مورد مي‌توان به حركت آونگ ساده اشاره كرد. در اين حالت يك برنامه كامپيوتري نوشته مي‌شود، بگونه‌اي كه حركت آونگ را بر روي صفحه كامپيوتر نمايش دهد. در ضمن كليه محدوديت‌هاي فيزيكي حاكم بر حركت نيز اعمال مي‌شود. در واقع مثل اينكه بصورت تجربي آونگي را به نوسان در مي‌آوريم و دوره تناوب و ساير پارامترهاي دقيق در مسئله را تعيين مي‌كنيم. البته اين مثال خيلي ابتدايي و ساده است.
لازم به ذكر است ، شبيه سازي به روش مونت كارلو به دو صورت مي‌تواند مطرح باشد. حالت اول عبارت از شبيه سازي با رسم تصوير متوالي است. درست مانند مثالي كه در بالا اشاره كرديم. حالت دوم شبيه سازي آماري يا احتمالي است. بعنوان مثال ، انواع اندركنش‌هاي فوتون با ماده را كه به پديده‌هاي مختلفي مانند اثر فوتوالكتريك ، اثر كامپتون ، پديده توليد زوج و ... منجر مي‌گردد، با اين روش مي‌توان مورد مطالعه قرار داد.
توزيع هاي آماري : معمولا اگر داده‌هاي تجربي حاصل از آزمايشها را بر روي يك نمودار پياده كنيم، در اينصورت ، بر اساس نمودار حاصل ، اين داده‌ها از توزيع بخصوصي تبعيت خواهند كرد. اين توزيع‌ها را اصطلاحا توزيع‌هاي آماري مي‌گويند كه معروفترين آنها عبارتند از:
توزيع دوجمله‌اي : فرض كنيد تاسي را n بار پرتاب كنيم و هدف ما آمدن عدد 6 باشد. در اينصورت ، اين عمل را 'آزمون' و تعداد دفعاتي را كه عدد 6 ظاهر شده است، 'موفقيت' و مواردي را كه اعداد ديگر ظاهر شده است، 'عدم موفقيت' مي‌گويند. بنابراين ، اگر موفقيت‌ها بر يكديگر تاثير نداشته و مستقل از يكديگر باشند و نيز ترتيب مهم نباشد، در اينصورت ، داده‌ها از توابع توزيع دوجمله‌اي پيروي مي‌كنند.
توزيع پواسون : اگر چنانچه تعداد حالات با تعداد آزمونها به سمت بينهايت ميل كند و نيز احتمال موفقيت (p) به سمت صفر ميل كند، در اينصورت ، داده‌ها از تابع پواسون پيروي مي‌كنند. شرط عملي براي استفاده از توزيع پواسون اين است كه تعداد آزمونها بيشتر از 30 بار بوده و نيز احتمال موفقيت كمتر از 0.05 باشد. لازم به ذكر است كه اين دو شرط بايد بطور همزمان برقرار باشند. اين معيار عملي از روي هم گذاشتن توابع توزيع و گزينش بهترين انتخاب و از روي آن تعيين N و P ويژه حاصل مي‌گردد.
توزيع گاوسي : توزيع گاوسي يا نرمال يك نقش اساسي در تمام علوم بازي مي‌كند. خطاهاي اندازه‌گيري معمولا به‌وسيله اين توزيع داده مي‌شود. توزيع گاوسي اغلب يك تقريب بسيار خوبي از توزيع‌هاي موجود مي‌باشد. ديديم كه اگر N بيشتر شده و احتمال موفقيت (P) كوچك باشد، در اين صورت توزيع پواسون حاكم است. حال اگر تعداد آزمونها (N) به سمت اعداد خيلي بزرگتر ميل كند، بطوري كه حاصلضرب NP به سمت 20 ميل كند، در اين صورت شكل تابع توزيع حالت تقارن پيدا مي‌كند، بگونه‌اي كه مي‌توان آن را با يك توزيع پيوسته جايگزين كرد. اين توزيع پيوسته همان توزيع گاوسي است.
برازش : اغلب اتفاق مي‌افتد كه نموداري در اختيار داريم و مي‌خواهيم مدل فيزيكي را كه بر اين نمودار حاكم است، پيدا كنيم. فرض كنيد در يك حركت سقوط آزاد اجسام ، زمان و ارتفاع سقوط را اندازه‌گيري كرده و نتايج حاصل بر روي يك نمودار پياده شده است. حال با توجه به اينكه معادله حركت سقوط آزاد اجسام را مي‌دانيم و مي‌خواهيم با استفاده از اين نمودار مقدار g ، شتاب جاذبه ثقل ، را تعيين كنيم. بنابراين ، در چنين مواردي از روش برازش كه ترجمه واژه لاتين (fitting) مي‌باشد، استفاده مي‌كنيم. در اين حالت ابتدا بايد توزيع حاكم بر اين داده‌ها را بشناسيم كه اغلب در چنين مواردي توزيع حاكم ، توزيع گاوسي است.
حل دستگاه معادلات : معمولا در مسائل عددي به مواردي برخورد مي‌كنيم كه يك دستگاه n معادله n مجهولي ظاهر مي‌گردد. در اين صورت ، براي حل اين معادلات به طريق عددي از روشهاي مختلفي استفاده مي‌شود. يكي از اين روشها ، حل دستگاه معادلات به روش حذف گوسي (روش كاهش يا حذف گاوسي) مي‌باشد. البته روشهاي ديگري مانند حل دستگاه معادلات به روش محورگيري و موارد ديگر نيز وجود دارد كه بسته به نوع مسئله مورد استفاده ، از آن روش استفاده مي‌گردد.
انتگرالگيري عددي : اگر مسئله‌اي وجود داشته باشد كه در آن انتگرالهاي دوگانه يا سه‌گانه ظاهر شود، البته با اندكي زحمت مي‌توان اين انتگرالها را به صورت تحليلي حل كرد. اما اين موارد چندان زياد نيستند و در اغلب موارد به انتگرالهاي چندگانه‌اي برخورد مي‌كنيم كه حل آنها به روش تحليلي تقريبا غيرممكن است. در چنين مواردي از روش انتگرالگيري عددي استفاده مي‌شود. روشهايي كه در حل انتگرالها به روش عددي مورد استفاده قرار مي‌گيرند، شامل روش ذوزنقه‌اي ، روش سيمپسون يا سهمي و روشهاي ديگر است.
البته خطاي مربوط به اين روشها متفاوت بوده و بسته به نوع مسئله‌اي كه انتگرال در آن ظاهر شده است، روش مناسب را انتخاب مي‌كنند. تقريبا دقيق‌ترين روشها ، انتگرالگيري به روش مونت كارلو مي‌باشد، كه امروزه در اكثر موارد از اين روش استفاده مي‌گردد. مزيت اين روش به روشهاي ديگر در اين است كه اولا محدوديتي وجود ندارد و انتگرال هر چندگانه كه باشد، با اين روش حل مي‌شود. در ثاني ، اين روش نسبت به روشهاي ديگر كم هزينه‌تر است.
شبيه سازي : آنچه امروزه بيشتر مورد توجه قرار دارد، شبيه سازي سيستمهاي فيزيكي است. به عنوان ابتدايي‌ترين و ساده‌ترين مورد مي‌توان به حركت آونگ ساده اشاره كرد. در اين حالت يك برنامه كامپيوتري نوشته مي‌شود، بگونه‌اي كه حركت آونگ را بر روي صفحه كامپيوتر نمايش دهد. در ضمن كليه محدوديت‌هاي فيزيكي حاكم بر حركت نيز اعمال مي‌شود. در واقع مثل اينكه بصورت تجربي آونگي را به نوسان در مي‌آوريم و دوره تناوب و ساير پارامترهاي دقيق در مسئله را تعيين مي‌كنيم. البته اين مثال خيلي ابتدايي و ساده است.
لازم به ذكر است ، شبيه سازي به روش مونت كارلو به دو صورت مي‌تواند مطرح باشد. حالت اول عبارت از شبيه سازي با رسم تصوير متوالي است. درست مانند مثالي كه در بالا اشاره كرديم. حالت دوم شبيه سازي آماري يا احتمالي است. بعنوان مثال ، انواع اندركنش‌هاي فوتون با ماده را كه به پديده‌هاي مختلفي مانند اثر فوتوالكتريك ، اثر كامپتون ، پديده توليد زوج و ... منجر مي‌گردد، با اين روش مي‌توان مورد مطالعه قرار داد.