Computersimulation - Institut für Physikalische Chemie
Computersimulation - Institut für Physikalische Chemie
Computersimulation - Institut für Physikalische Chemie
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Irrflüge auf dem Computer<br />
1. Versuchsplatz<br />
- Rechner mit Software<br />
- RDW (Computerexperiment)<br />
- Excel (Auswertung)<br />
1.1. Inhalt des Versuchs<br />
- Ablauf eines Computerexperiments<br />
- Zufallszahlen, Gauß-Verteilung<br />
- Statistische Auswertung:<br />
Histogramme, Mittelwerte,<br />
Standardabweichung, mittlerer Fehler des Mittelwerts<br />
- Simulation des Diffusionspfades eines Teilchens<br />
2. Allgemeines zum Versuch<br />
Was ist ein Computer-Experiment und wofür ist es gut? Im Computer-Experiment untersucht<br />
man das Verhalten eines "Modellsystems". Ein solches Modellsystem bildet reale Systeme<br />
idealisiert mittels eines Algorithmus ab. Dabei stellt es beispielsweise die Positionen und<br />
Geschwindigkeiten von Molekülen, Bindungswinkel einer Polymerkette oder Dipolmomente<br />
einer Vielzahl von kleinen magnetischen Zentren dar. In der Realität wie im Modell ändern<br />
sich die betrachteten Größen mit der Zeit, dafür sind unterschiedliche Einflussgrößen<br />
verantwortlich, wie z.B. gegenseitige Wechselwirkungen von Teilchen (so würden sich viele<br />
kleine magnetische Dipole gegenseitig ausrichten und beispielsweise einen Ferromagneten<br />
bilden). In der Realität bewegen sich mikroskopische Objekte durch thermische Anregung<br />
und folgen damit einem zufälligen Bewegungsmuster. Diese zufällige Bewegung ist die<br />
Triebkraft der Diffusion. Um diese zufällige Bewegung durch eine Computeralgorithmus<br />
möglichst realitätsnah darzustellen, wird auf Zufallszahlen-Generatoren (s. Anhang 1)<br />
zurückgegriffen.<br />
Bei der Modellbetrachtung ist es wichtig, dass ein betrachtetes Experiment so häufig<br />
durchgeführt wird, bis die Mittelwertbildung sinnvoll ist (z.B. einer kinetischen Energie, einer<br />
1
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Polymerknäulgröße, oder einer Magnetisierung). Dies ist der Fall, wenn man bei der<br />
Wiederholung eines Computerexperimentes, bei dem Zufallszahlen genutzt werden, zwar<br />
unterschiedliche Einzelwerte erhält, aber diese zu identischen Mittelwerten führen.<br />
(Beispielsweise würde beim würfeln mit einem 6-seitigen Würfel nach nur 10 Würfen der<br />
Mittelwert stark variieren, bei einer genügend großen Anzahl Würfen wird der Mittelwert<br />
immer 3.5 ergeben.) Diese Zahlenwerte sind nicht durch systematische Fehler verfälscht, wie<br />
es beim realen Experiment der Fall wäre. Die Fehlerquellen für Simulationen sind unter<br />
anderem abhängig vom genutzten Algorithmus und den Zufallszahlengeneratoren, daher sind<br />
sie im Allgemeinen gut bekannt und kontrollierbar. Der statistische Fehler tritt sowohl bei der<br />
praktischen Durchführung als auch bei der Simulation auf. Durch eine Erhöhung der Anzahl<br />
der Messwerte kann der statistische Fehler verringert werden. Für das betrachtete Computer-<br />
Experiment heißt das, dass mit Erhöhung der Rechenzeit der statistische Fehler beliebig klein<br />
gerechnet werden kann.<br />
Die in diesem Versuch durchgeführte <strong>Computersimulation</strong>, die einer klassischen Anwendung<br />
eines Computerexperiments entspricht, ist die Simulation eines Irrfluges (engl. "random<br />
walk" RW). Der Irrflug entspricht im vorliegenden Fall dem Diffusionspfad eines Teilchens.<br />
Dabei wird betrachtet, wie sich das Teilchen entlang eines Gitternetzes bewegt. Jeder<br />
betrachtete Schritt kann in eine zufällige Richtung auf dem Gitter erfolgen. Dabei werden<br />
vorgegebene Schrittzahlen und Schrittlängen betrachtet. Die Schrittlänge orientiert sich<br />
immer an der Gittergröße. Nach einer vorgegeben Anzahl an Schritten ist der Endpunkt des<br />
Irrflugs erreicht. Der Abstand zwischen Start- und Endpunkt wird als Verschiebung<br />
bezeichnet. Betrachtet man eine beliebige Anzahl von Irrflügen, fasst man deren einzelne<br />
Verschiebungen im "mittleren Verschiebungsquadrat" ‹R e ²› zusammen. Dabei muss das<br />
Quadrat dieser Größe betrachtet werden, weil die Bewegung in alle Raumrichtungen gleich<br />
wahrscheinlich ist und sich daraus, ohne quadrieren, ein Mittelwert von Null ergeben würde.<br />
Der Zusammenhang zwischen der mittleren freien Weglänge λ (auch als Schrittweite<br />
bezeichnet) und dem mittleren Verschiebungsquadrat wird durch die<br />
Einstein-Smoluchowski-Gleichung beschrieben:<br />
〈R e<br />
2 〉 = 〈r(t) − r(t = 0)<br />
2 〉 = N ∙ λ 2 = t ∙ λ2<br />
τ<br />
(1)<br />
Mit r(t) der Position zum Zeitpunkt t, r(t=0) der Startposition, N der Anzahl der Schritte, λ<br />
der Schrittweite und τ der Zeit pro Schritt.<br />
Für die Betrachtung sehr langer, einfacher (diffusiver) Irrflüge kann man die mikroskopischen<br />
Eigenschaften (die genaue Schrittfolge) ignorieren und betrachtet ausschließlich die<br />
statistischen Eigenschaften. So kann man zu jedem Irrflug weitere Irrflüge finden, die bei<br />
längerer Schrittweite und geringerer Schrittzahl bzw. kürzerer Schrittweite und höherer<br />
Schrittzahl die gleichen statistischen Eigenschaften aufweisen, sprich ein ebenso großes<br />
2
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
mittleres Verschiebungsquadrat ergeben. Diese Eigenschaft des Diffusionsprozesses<br />
bezeichnet man als "Skaleninvarianz". Solange die Skaleninvarianz gilt, folgt das mittlere<br />
Verschiebungsquadrat einem Gesetz der Form:<br />
〈R e<br />
2 〉 = N 2ν ∙ λ 2 (2)<br />
Weiterhin bezeichnet N die Anzahl der Schritte und λ die Schrittweite. Aus der<br />
Dimensionsbetrachtung wird klar, dass die Wurzel des mittleren Verschiebungsquadrats<br />
proportional zur Schrittweite λ sein muss. Da es sich bei beiden Größen um Strecken (in<br />
Metern) handelt, wäre ein anderer Zusammenhang physikalisch nicht sinnvoll. Die<br />
Abhängigkeit von der Schrittanzahl N ist jedoch wesentlich komplizierter. Der<br />
Zusammenhang zwischen dem mittleren Verschiebungsquadrat und der Schrittzahl wird<br />
durch den Skalenexponenten ν ("Ny") definiert. Dieser nimmt für einen klassischen<br />
Diffusionsprozess einen Wert von 1/2 an. Setzt man dies in die allgemein gültige Form<br />
(Gleichung (2)) ein, erhält man für den Spezialfall der klassischen Diffusion die Einstein-<br />
Smoluchowski-Gleichung.<br />
Das eigentliche "Experiment" besteht im Erzeugen von Irrflügen, die einen Diffusionsprozess<br />
simulieren. Dafür folgen wir dem Rosenbluth-Algorithmus 2 . Es wird eine Ortskoordinate als<br />
Startpunkt definiert, für einen Diffusionsprozess in 3 Dimensionen z.B. (0, 0, 0). Durch den<br />
Zufallsgenerator werden Zufallszahlen im Bereich von 1-6 erzeugt. Jeder dieser Zufallszahlen<br />
wird ein positiver oder negativer Wert in eine der drei Raumrichtungen zugewiesen (z.B. 1:<br />
r x → r x + 1; 2: r x → r x - 1; 3: r y → r y + 1 usw.) in die der Irrflug im folgenden Schritt<br />
fortgeführt wird. Für den gesamten Irrflug wird dieser Prozess N Mal durchgeführt. Für den<br />
einzelnen Irrflug wird nach Abschluss die Verschiebung nach R e = (r x 2 + r y 2 + r z 2 ) 1/2 bestimmt.<br />
2 M.N. Rosenbluth and A.W. Rosenbluth, J. Chem. Phys. 23, 356 (1955). Besuchen Sie auch diese Site:<br />
http://polymer.bu.edu/java/java/saw/sawapplet.html. Der Rosenbluth-Algorithmus ist ein Leitfossil aus der<br />
Frühgeschichte der <strong>Computersimulation</strong>. Schon in den 40er Jahren hat der Japaner Teramoto diese Simulation<br />
für N≤9 von Hand ausgeführt. Könnten Sie die Simulation für N≤2 von Hand ausführen? (N=1: 〈R 2 e 〉=1, N=2:<br />
〈R 2 e 〉=8/3)<br />
3
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Als Ergebnis der Simulation erhalten wir<br />
einen Diffusionspfad, dieser kann z.B. so<br />
aussehen wie in Abb. 1 rot dargestellt. Die<br />
Enden des Diffusionspfades sind durch eine<br />
gestrichelte, blaue Linie verbunden, die der<br />
Verschiebung entspricht. Für das in Abb. 1<br />
gegebene Beispiel ist für Schritte mit<br />
Richtungswechsel ein Winkel von 90°, 180°<br />
oder 270° (kubisches Gitter) möglich. Würde Abb. 1 - „random walk“ auf einem Gitter. Die<br />
dem Irrflug statt dessen ein hexagonales gestrichelte Linie verbindet die Pfadenden.<br />
Gitter zu Grunde liegen, mit Winkeln von<br />
60°, 120°, 180°, 240° oder 300°, würden sich bei gleicher Schrittzahl und Schrittweite andere<br />
Verschiebungen ergeben. Dies wäre sowohl im zwei-, Abb. 1: wie „random im dreidimensionalen walk“ auf einem Raum Gitter. gültig. Die<br />
Betrachtet man aber den Grenzfall eines unendlich gestrichelte langen Linie verbindet Irrfluges die (N Pfadenden. → ∞), ist die<br />
Geometrie des Gitters nicht mehr ausschlaggebend. Diese Tatsache folgt aus dem zentralen<br />
Grenzwertsatz der Wahrscheinlichkeitsrechnung. Dieser besagt, dass die Verteilungsfunktion,<br />
die sich durch das Aufsummieren von unabhängigen und gleichverteilten Zufallszahlen x 1 , x 2 ,<br />
x 3 , ... , x N ergibt, mit einer wachsenden Anzahl von diesen Zufallszahlen (einer wachsenden<br />
Anzahl von N) gegen eine Normalverteilung oder Gauß-Verteilung strebt. So streben auch<br />
Binomial- und Poisson-Verteilungen bei ausreichend großem N gegen eine Normalverteilung.<br />
Dieser Grenzwertsatz erklärt auch warum so viele empirische Verteilungen, mit vielen<br />
unabhängigen Einflussgrößen, einer Normalverteilung ähneln. Siehe dazu auch Abschnitt 1.3<br />
der Versuchsdurchführung. Um statistische Aussagen über Irrflüge treffen zu können, wird<br />
eine Vielzahl von Irrflügen betrachtet. Aus einer großen Anzahl von Flügen gleicher<br />
Schrittzahl und Schrittweite kann ein Mittelwert des Verschiebungsquadrates bestimmt<br />
werden.<br />
Nun folgt noch eine kurze Betrachtung des Fit-Vorganges. Für den Zusammenhang zwischen<br />
dem mittleren Verschiebungsquadrat ‹R e ²› und der Anzahl der Schritte pro Irrflug N nehmen<br />
wir Gleichung 2 an. In diesem Zusammenhang werden 2 Parameter angepasst, λ und ν, wobei<br />
wir uns vorwiegend für den Skalenexponenten ν interessieren. Um diese Parameter zu<br />
bestimmen, soll eine Funktion wie in Gleichung 2 an die aus der Simulation erhaltenen Daten<br />
angepasst werden. Für die menschliche Wahrnehmung ist es einfacher, zu beurteilen ob eine<br />
Gerade die gegebenen Datenpunkte gut oder schlecht beschreibt oder nicht, als es z.B. bei<br />
einer Exponentialfunktion der Fall wäre. Deshalb bringen wir auch im vorliegenden<br />
Experiment die betrachtete Funktion in die Form einer Geradengleichung, indem wir sie<br />
logarithmieren. Das ergibt folgenden Ausdruck:<br />
ln 〈R 〉 = ln(λ) + ν ∙ ln(N) (3)<br />
4
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Der Skalenexponent ν entspricht nun der Geradensteigung<br />
in einer doppeltlogarithmischen Auftragung von ‹R e ²›<br />
gegen N. Aus dem Achsenabschnitt ist die Schrittweite<br />
ermittelbar. Um nun unsere Daten dieser Form möglichst<br />
gut anpassen zu können, wird durch die genutzte Software<br />
die Summe der Fehlerquadrate (Σ(y-y fit )²) minimiert. Die<br />
Summe der Fehlerquadrate wird auch als χ² ("Chi²")<br />
bezeichnet. Um das Minimum von χ² zu finden, werden die<br />
Parameter λ und ν systematisch variiert.<br />
Neben einem diffusiven Prozess kann auch die Gestalt<br />
eines Polymerknäuls als Resultat eines Irrflugs beschrieben<br />
werden.<br />
Während bei der Betrachtung der Diffusion das Abb. 2 - Pfade mit Selbstüberschneidung<br />
(oben) und ohne<br />
diffundierende Teilchen auf seinem Pfad auch an einen<br />
Selbstüberschneidung(unten) in<br />
Platz zurückkehren kann, an dem es bereits war, kann ein zwei Dimensionen<br />
Segment der Polymerkette nicht dort sein, wo bereits ein<br />
anderes ist. Deswegen muss man bei der Simulation eines<br />
Polymerknäuls in der Regel einen Irrflug mit Selbstvermeidung simulieren. Bei der Diffusion<br />
wird ein Irrflug ohne Selbstvermeidung betrachtet. Die Unterschiede zwischen einem Irrflug<br />
mit und ohne Selbstvermeidung sind in Abb. 2 schematisch dargestellt. Das mittlere<br />
Verschiebungsquadrat des Diffusionsprozesses entspricht dem quadratisch gemittelten<br />
End-zu-End-Abstand in der Betrachtung der Polymerknäule.<br />
3. Orientieren Sie sich über<br />
- Transportphänomene<br />
- Grundlagen der Diffusion, Ficksches Gesetz<br />
- statistische Betrachtung der Diffusion<br />
5
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
4. Versuchsdurchführung<br />
Hinweis: Die Aufgabennummer entspricht dem zugehörigen Button im Programm.<br />
4.1. Selbstüberschneidende Irrflüge in einer Dimension<br />
1.0 Erzeugung von Irrflügen<br />
Zunächst beschränken wir uns auf eine<br />
Dimension. Wir erzeugen Zufallszahlen,<br />
wobei wir nur die beiden Werte 1 und –1<br />
(„rechts“ und „links“) zulassen. Wir<br />
bilden jeweils die Summe aus 1000<br />
solcher Zufallszahlen („1000 Schritte“).<br />
Jede dieser Summen entspricht der<br />
Verschiebung nach einem „Irrflug“.<br />
Dieser Teil dient nur der Illustration, es<br />
ist keine Auswertung erforderlich.<br />
Abb. 3 - Dialogfenster 1.0 1D Random Walk<br />
1.1 Gauß-Verteilungen, Abhängigkeit des mittleren<br />
Verschiebungsquadrates von der Anzahl der Schritte<br />
Erzeugen Sie zunächst 40, dann 400, und schließlich<br />
4000 solcher Flüge 3 (Anzahl der Schritte = 1000) und<br />
stellen Sie die erhaltenen Summen jeweils in einem<br />
Histogramm dar. Überzeugen Sie sich, dass die<br />
erhaltenen Verteilungen für große Anzahlen der<br />
Irrflüge einer Gauß-Verteilung immer ähnlicher<br />
werden (zur Gauß-Verteilung s. Anhang 3). Erzeugen<br />
Sie je 1000 Flüge zu 5 verschiedenen Schrittanzahlen<br />
zwischen 10 und 100 000 Einheiten. Überzeugen Sie<br />
sich, dass die Verschiebungsquadrate proportional zur<br />
Anzahl der Schritte sind.<br />
Abb. 4 - Dialogfenster 1.1 Gaussian Distribution<br />
3 Die maximale Zahl von 4000 ergibt sich, weil Ihr PC maximale 4000 Datenpunkte auf das Clipboard<br />
(„Copy/Paste“) nehmen kann. Über das Clipboard können Sie die Daten einfach in Excel kopieren.<br />
6
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Hinweis: Übertragen Sie die Werte aus dem Programm mit „Kopieren“ und „Einfügen“ aus<br />
dem Programm in eine Spalte einer Excel-Tabelle. Zur Erstellung des Histogramms folgen<br />
Sie der on-line Hilfe von Excel. Sie müssen in Excel in einer (von Hand erzeugten) Spalte<br />
angeben, welche Daten jeweils zu einer Klasse zusammengefasst werden sollen (z.B. ]-105; -<br />
95], ]-95;-85], …., ]95; 105]). Zur Überprüfung, ob die Verschiebungsquadrate mit der<br />
Anzahl der Schritte skalieren, bilden Sie zunächst für jede Spalte der Quadrate (eine Spalte<br />
pro Schrittanzahl) den Mittelwert, und teilen Sie dann diesen Mittelwert durch die Anzahl der<br />
Schritte. Erhalten sie immer denselben Wert?<br />
1.2 Mittlerer Fehler des Mittelwerts<br />
Erzeugen Sie 100 × 100 Irrflüge mit einer<br />
Schrittanzahl von 1000 und stellen Sie<br />
die Mittelwerte der Summen aus jeweils<br />
100 Irrflügen (von diesen gibt es 100) als<br />
Histogramm dar. Erzeugen Sie danach<br />
100 × 500 Irrflüge und 100 × 1000<br />
Irrflüge mit der gleichen Schrittanzahl<br />
(Anzahl der Irrflüge / Ensemble = 500<br />
bzw. 1000). Stellen Sie wieder die je 100<br />
Mittelwerte als Histogramm dar.<br />
Überzeugen Sie sich, dass der mittlere<br />
Fehler des Mittelwertes (die Breite der<br />
drei so erhaltenen Verteilungen) mit<br />
N f −1/2 skaliert. (N f = 100, 500, 1000 …<br />
Anzahl der Irrflüge pro Ensemble).<br />
Abb. 5 - Dialogfenster 1.2 Mean Error of the Mean<br />
Hinweis: Die „Breite der Verteilungen“ erhalten Sie, indem Sie die Standard-Abweichung<br />
der betreffenden Spalte berechnen. Folgen Sie der Excel on-line Hilfe.<br />
7
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
1.3 Variable Schrittweiten<br />
Lassen Sie als Schrittweite nicht nur +1 und –1, sondern beliebige (ganzzahlige)<br />
Zufallszahlen zu. Erzeugen Sie 1000 Flüge mit der Schrittanzahl 1000 und bilden sie das<br />
Histogramm wie in Abschnitt 1.1. Überzeugen Sie sich, dass auch für variable Schrittweiten<br />
die Summen Gauß-verteilt sind.<br />
Dies ist der Inhalt des zentralen<br />
Grenzwertsatzes. Weil dieser gilt,<br />
dürfen wir uns bei unserer<br />
Betrachtung auf Irrflüge<br />
beschränken, die auf einem Gitter<br />
liegen (Schrittweiten ±1). Solange<br />
die <strong>Computersimulation</strong> eine<br />
Gauß-Verteilung erzeugt, ist der<br />
Diffusionspfad aus statistischer<br />
Sicht ein Irrflug. Feste Schrittweiten<br />
in nur 4 Raumrichtungen sind<br />
natürlich einfacher zu handhaben.<br />
Wie Sie gerade eben gezeigt haben,<br />
ist diese Vorgehensweise statistisch<br />
einem Irrflug mit beliebigen<br />
Schrittweiten und Winkeln<br />
äquivalent. (Diese Äquivalenz setzt<br />
große Schrittanzahlen (N→∞)<br />
voraus. Andernfalls spielt das Gitter<br />
schon eine Rolle).<br />
Abb. 6 - Dialogfenster 1.3 Variable step width<br />
Der zentrale Grenzwertsatz ist von allgemeinerer Bedeutung für unser Praktikum. Jedes<br />
Instrument hat Fehlerquellen, die die Messung verfälschen. Die einzelnen Fehler sind nicht<br />
Gauß-verteilt (ebenso wenig wie die Schrittweiten unserer Irrflüge). Wenn sich jedoch viele<br />
Fehler „unkorreliert“ aufaddieren, resultieren Gauß-Verteilungen der Mess-Werte (oder auch<br />
der mittleren Verschiebungsquadrate).<br />
8
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
4.2. Irrflüge in 2 Dimensionen<br />
2.1 Irrflüge in 2D (Illustration)<br />
Wir begeben uns nun in die Ebene (lassen eine zweite Dimension zu). Wählen Sie drei<br />
Schrittanzahlen (< 300) aus und erzeugen Sie Irrflüge.<br />
Dieser Teil der Versuchs dient nur der Illustration, es ist keine Auswertung erforderlich.<br />
Abb. 7 - Dialogfenster 2.1 Illustration<br />
2.2 Wir kommen jetzt zum Fit der Simulationsdaten an die Einstein-Smoluchowski-<br />
Beziehung (Gleichung 1). Das Programm erzeugt hierbei nun kontinuierlich Irrflüge, wobei<br />
die Anzahl der Schritte und die Verschiebung R e in eine Tabelle eingetragen werden.<br />
Ausserdem führt das Programm einen Fit gemäß Gleichung 3 durch und zeigt das Ergebnis<br />
an.<br />
9
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
2.2.1 Falls Sie von Ihren Vorgängern noch Daten auf dem Bildschirm haben, klicken Sie<br />
bitte „Reset“. Wählen Sie zunächst in 3 Dimensionen als „Number of averages“ 1000 und<br />
„Max Number of Steps“ 1 000 000. (Hinweis: Sie müssen nach der Eingabe der Parameter<br />
diese mit ENTER bestätigen, damit sie aktiv werden). Damit werden kontinuierlich Irrflüge<br />
mit bis zu 1 000 000 Schritten erzeugt und die Verschiebungsquadrate von jeweils 1000<br />
Irrflügen gleicher Schrittanzahl gemittelt, um somit das mittlere Verschiebungsquadrat R e zu<br />
erhalten. Fitten Sie über den ganzen Bereich („Min number of steps for fit“= 1 und „Max<br />
number of steps for fit“ = 1 000 000). Sie sollten eine Linie sehen. Nach einigen Minuten<br />
sollten die Schrittlänge („Stat. Step Length“) und der Exponent nahe bei 1 bzw. 0.5 sein.<br />
Abb. 8 - Dialogfenster 2.2.1 Fit to Einstein-Smoluchowski<br />
10
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Wiederholen Sie bitte den Fit in Excel. Kopieren Sie dazu den Inhalt des Files „RDW.dat“ in<br />
eine Exceltabelle. Bilden Sie die Logarithmen von den Anzahlen der Schritte und den<br />
mittleren Verschiebungen. Stellen Sie diese Werte dar und fügen Sie eine Trendlinie hinzu.<br />
2.2.2 An dieser Stelle möchten wir Sie auf ein eher technisches Detail aufmerksam machen.<br />
Wählen Sie dazu „Number of averages“ als 1 und lassen Sie die Simulation ansonsten mit den<br />
selben Parametern wie in Aufgabe 2.2.1 eine Weile laufen. Sie werden eine Schrittweite < 1<br />
und einen Exponenten < 0.5 finden. Es ist also wesentlich, dass die Mittelwerte gebildet<br />
werden. Anderenfalls finden Sie nicht die richtigen Werte. Auf den Grund gehen wir hier<br />
nicht ein.<br />
2.2.3 Bitte belassen Sie jetzt die Mittelung bei 1 und erzeugen Sie nur Pfade mit einer<br />
maximalen Länge von 20 Schritten. Vergleichen Sie das Fitergebnis des Programms RDW<br />
mit dem Ergebnis, das Sie in Excel erhalten. Sie werden verschiedene Resultate finden. Das<br />
soll Sie lehren, keiner Software zu vertrauen.<br />
Den Grund möchte man als richtig gehend tückisch bezeichnen. Bei kleinen Pfadlängen endet<br />
der Pfad manchmal am Ursprung. Die Verschiebung ist dann 0. Den Logarithmus von 0 darf<br />
man aber nicht bilden. Der Weg der Tugend wäre in dieser Situation, nicht den Logarithmus<br />
zu bilden, sondern direkt die Funktion λ ⋅ N ν an die Verschiebung anzufitten. Dies ist möglich<br />
und behebt das Problem. Nachdem dies eine etwas kompliziertere Funktion ist, kommen wir<br />
aber bei Excel nicht mehr einfach mit der Trendlinie aus. Ganz allgemein kann man sagen,<br />
dass „Liniearisierungen“ auf den Rohdaten (wie das Logarithmieren in diesem Fall)<br />
gefährlich sind. Darauf wird im Anhang zum Skript Adsorption eingegangen.<br />
Nun, es treten also Nullen auf, die man nicht logarithmieren kann. Das Programm RDW<br />
verwirft nun diese Werte. Das ist nicht wirklich korrekt. Damit verfälscht es die Statistik. (Sie<br />
kennen die Prozedur aus der so genannten Arbeitslosenstatistik). Was Excel macht, ist aber<br />
noch besser: Anstatt die Pfade zu verwerfen, weist es dem Logarithmus der Verschiebung den<br />
Wert 0 zu. Sie bekommen zwar in der Tabelle noch eine Warnung („#ZAHL!“) aber im Plot<br />
wird der Wert 0 verwendet. Damit wird das ursprüngliche Verschiebungsquadrat zu 1<br />
(log (1) = 0). Excel verändert also die Werte! Und der Fit auf den veränderten Werten führt<br />
dann auch zu einem veränderten Fitergebnis.<br />
Bitte merken Sie sich also erstens, dass der Teufel im Detail steckt und zweitens, dass das<br />
mittlere Verschiebungsquadrat von Zufallspfaden – ungeachtet aller Teufel im Detail – mit<br />
der Wurzel der Schrittzahl skaliert.<br />
11
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
5. Anhang<br />
5.1. Anhang 1: Zufallsgeneratoren<br />
Ein Computer kennt keinen echten Zufall. Er verhält sich deterministisch. Trotzdem kann<br />
der Computer Zahlenketten erzeugen, die „so gut wie zufällig“ sind, in dem Sinne, dass auch<br />
eine detaillierte statistische Analyse den Unterschied zwischen dieser Zufallskette und einer<br />
echten Kette von Zufallszahlen nicht (oder nur unter extremem Aufwand) unterscheiden kann.<br />
Die Details der Zufallszahlengeneratoren sind oft sogar geheim, da sie im Zusammenhang mit<br />
der Kryptographie eine Rolle spielen (ebenso wie die „detaillierte statistische Analyse“ im<br />
Zusammenhang mit der Entschlüsselung). Ein Weg, um „Pseudo-Zufallszahlen“ zu erzeugen,<br />
beruht auf dem folgenden Verfahren: Man nehme eine hohe Primzahl und schneide die letzten<br />
10 Ziffern ab. Die so erzeugte Zahl multipliziere man mit dieser Primzahl und schneide erneut<br />
die letzten 10 Ziffern ab. Diese Prozedur wird iteriert. Die so erhaltene Ziffernfolge sieht aus<br />
als wäre sie zufällig erzeugt worden.<br />
Grundsätzlich ist dies ein zyklischer Algorithmus. Irgendwann wird der Lauf des Programms<br />
10 Ziffern erzeugen, die schon einmal vorher erzeugt wurden. Ab dann wiederholen sich die<br />
Zahlen und es wird offensichtlich, dass es sich nicht um echte Zufallszahlen handelt. Gute<br />
Zufallszahlengeneratoren lösen dieses Problem auf die eine oder andere Weise.<br />
5.2. Anhang 2: Zufallsgrößen und Verteilungen<br />
Zur Analyse der erhaltenen Daten wird die Verteilung dieser Ergebnisse betrachtet. Um eine<br />
Verteilung bzw. eine Verteilungsfunktion zu bestimmen, können die erhaltenen Daten in<br />
einem Histogramm aufgetragen werden, in dem die Häufigkeit der Messgröße über der<br />
Messgröße selbst aufgetragen wird. Die x-Achse, Auftragung der Messgröße, wird dabei in<br />
diskrete Intervalle unterteilt. An das erhaltene Histogramm kann nun eine kontinuierliche<br />
Funktion angepasst werden, welche die erhaltene Verteilung möglichst gut beschreibt. Diese<br />
Verteilung stellt das Ergebnis des Experimentes dar. Je nach durchgeführtem Experiment<br />
können sich unterschiedlichste Verteilungsfunktionen ergeben. Für den Fall, dass eine<br />
Summierung sehr vieler Werte x 1 , x 2 , ... , x N (N → ∞) betrachtet wird, die durch unabhängige,<br />
gleichverteilte Zufallsvariablen beeinflusst werden und die Intervalle der x-Achse sinnvoll<br />
gewählt sind, ergibt sich eine Verteilungsfunktion der Form:<br />
f(x) = N ∙<br />
<br />
∙ )<br />
∙√ e( ∙ <br />
(10)<br />
12
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Diese Verteilung wird als Gauß-Verteilung (bzw. Normalverteilung) bezeichnet, mit N der<br />
Gesamtzahl der Werte, x dem betrachteten Messwert, x 0 dem Mittelwert und σ der<br />
Standardabweichung. Sie ist eine Wahrscheinlichkeitsdichtefunktion und gilt für die meisten<br />
üblichen Analyseverfahren. So würde z.B. auch dann eine Gauß-Verteilung entstehen, wenn<br />
1000 Versuchspersonen je 1000 mal würfeln und jeweils die Summe ihrer Würfe aufgetragen<br />
würden.<br />
Die Standardabweichung einer<br />
Stichprobe ist definiert als:<br />
σ<br />
σ = ∑ <br />
(x − x ) <br />
N − 1<br />
(11)<br />
Sie gibt an, wie stark die Messwerte<br />
um den Mittelwert streuen. So<br />
sollten etwa 2/3 aller Messwerte im<br />
Bereich x 0 ± σ bzw. etwa 95,5 % Abb. 9 - Schematische Darstellung einer Gauß-Funktion<br />
aller Messwerte im Bereich x 0 ± 2σ<br />
liegen. Neben der Standardabweichung für eine Stichprobe gibt es außerdem die<br />
Standardabweichung der Gesamtheit, in der der Mittelwert durch einen bekannten<br />
Erwartungswert ersetzt wird. Auf deren Details soll hier aber nicht näher eingegangen<br />
werden, da in der Datenanalyse, wie sie in der <strong>Chemie</strong> betrachtet wird, der Erwartungswert<br />
nur selten bekannt ist.<br />
5.3. Anhang 3: Skaleninvarianz und Skalenexponent<br />
Vorbemerkung: Die folgenden mathematischen Betrachtungen sprengen den Rahmen eines<br />
Grundpraktikums. Betrachten Sie diesen Abschnitt bitte als einen Ausblick auf das<br />
Hauptstudium.<br />
Ohne Beweis sei zunächst behauptet, dass man so tun darf, als sei die Schrittweite variabel,<br />
wie bei der Diffusion auch. Es gilt dann für den normalen Diffusionsprozess<br />
e<br />
1<br />
2 2<br />
RN =⋅〈〉 λ (4)<br />
13
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Wir fassen nun in Gedanken je 4 Schritte zu<br />
einem neuen Schritt zusammen und erhalten so<br />
einen neuen Irrflug. Aus statistischer Sicht ist der<br />
neue Flug dem alten im Grunde recht ähnlich.<br />
Allerdings haben sich die Anzahl der Schritte und<br />
die mittlere Schrittweite geändert. Wir betrachten<br />
den neuen Flug als statistisch äquivalent zum<br />
alten Flug, wenn ebenfalls die Relation<br />
!<br />
1<br />
2 2<br />
RRN==〈〉 ''' λ (5)<br />
ee<br />
gilt. Gestrichene Größen bezeichnen dabei den<br />
neuen Flug.<br />
Aus Gleichung 5 können wir die neue mittlere<br />
Schrittweite ablesen:<br />
Abb. 10 - Reskalierter Pfad: Statistisch gesehen, ist<br />
der Zusammenhang zwischen Verschiebung und<br />
Segment-Anzahl für den gepunkteten Pfad derselbe wir<br />
für den Pfad mit durchgezogener Linie.<br />
Wenn man an vielen verschiedenen Pfaden je 4<br />
Schritte zu einem neuen Schritt zusammenfasst, gilt<br />
für die Mittelwerte die Relation (6)<br />
22222<br />
N<br />
NRRN 〈〉===〈〉=〈〉 λλλ<br />
ee<br />
''''<br />
4<br />
(6)<br />
und also<br />
'22<br />
〈〉=〈〉 λλ<br />
4<br />
oder<br />
22<br />
λλ '4 =<br />
Allgemein schreibt man eine solche „Skalentransformation“ in der Form:<br />
NN<br />
N<br />
n<br />
'<br />
→= (7)<br />
λλλν →== n<br />
(8)<br />
2<br />
In dem obigen Beispiel war n = 4, aber man hätte auch 5 oder jede andere Anzahl n von alten<br />
Schritten zu einem neuen Schritt zusammenfassen können.<br />
' ν<br />
1<br />
Der Exponent ν in Glg. 8 ist der „Skalenexponent“. N und λ müssen gleichzeitig<br />
transformiert werden, damit der neue Pfad dieselbe Verschiebung hat. Wir haben den<br />
14
TU Clausthal<br />
<strong>Institut</strong> für <strong>Physikalische</strong> <strong>Chemie</strong><br />
Praktikum Teil A und B 17. COMPUTERSIMULATION Stand 28/05/2013<br />
Skalenexponenten so gewählt, dass die neue Verschiebung gleich dem alten ist. Diese<br />
Bedingung fixiert ν . Für den normalen Irrflug muss (wie in Glg. 6 gezeigt) der<br />
Skalenexponent 1/2 sein. Dieser Skalenexponent von 1/2 gilt jedoch nur für Irrflüge mit<br />
Selbstüberschneidung. Für selbstvermeidende Irrflüge hat man ebenfalls Skaleninvarianz,<br />
aber man findet andere Exponenten.<br />
Wann liegt Skaleninvarianz vor? Skaleninvarianz bedeutet, dass das Problem keine<br />
natürliche innere Längenskala hat. Eine solche natürliche Längenskala könnte z.B. der<br />
Durchmesser eine Pore sein, indem sich eine Polymerkette befindet. Oder die Reichweite<br />
einer abstoßenden Wechselwirkung zwischen Kettensegmenten. Wenn es eine solche<br />
Längenskala nicht gibt, hat man Skaleninvarianz. Die Skaleninvarianz ist eine Symmetrie<br />
wie die Isotropie auch. Invariant bleiben aber nur die statistischen Eigenschaften des Objekts,<br />
nicht seine mikroskopische Gestalt.<br />
Skaleninvarianz hat stets Potenzgesetze zur Folge:<br />
ν<br />
R e<br />
= λ N<br />
(9)<br />
Betrachten wir zwei Gegenbeispiele. Angenommen die Verschiebung gehorche der Relation<br />
R e ~ exp(N/N 0 ). Dann ist die Größe (N 0 λ) eine charakteristische Länge, die es mikroskopisch<br />
zu interpretieren gilt. Oder es gelte die Relation R e ~ aN + bN 2 mit zwei Koeffizienten a und<br />
b. Das kann aber auch als R e ~ aN (1 + N/N 0 ) schreiben mit λ N 0 = λ b/a erneut einer<br />
charakteristischen Länge. Nur Potenzgesetze enthalten kein solches N 0 .<br />
Wir fassen zusammen: Wenn das Problem keine natürliche innere Längenskala hat, kann man<br />
durch Skalentransformation Pfade erzeugen, die dem alten Pfad statistisch äquivalent sind.<br />
Skaleninvarianz hat stets Potenzgesetze zur Folge. Die Skalenexponenten sind universell, sie<br />
hängen nur von der Raumdimension, nicht aber von den Materialeigenschaften ab.<br />
15